Applicazione SPM (Statistical Parametric Mapping) ad immagini ...

Applicazione SPM 

(Statistical Parametric Mapping) 

ad immagini PET per lo studio della 

malattia di Alzheimer 

Servizio Aziendale di Fisica Sanitaria 

Azienda Sanitaria della Provincia Autonoma di Bolzano 

alessandro.fracchetti@asbz.it 

SPM-Statistical Parametric Mapping 1

Demenze 

• Malattia di Alzheimer (AD) 

• Demenza a corpi di Lewy 

• AD e demenza vascolare (mista) 

• Demenza vascolare 

• Demenza frontotemporale 

• Malattia di Parkinson 


Demenze e costi 

• Il costo stimato mondiale per il 2010 della demenza 

ammonta a US$604 Miliardi. 

• Circa il 70% dei costi si verificano nell’Europa 

Occidentale ed in Nord America. 

• I costi sono attribuiti: 

– all’assistenza “informale” (assistenza non rimborsata sostenuta da 

famiglie ed altri), 

– costi diretti di assistenza sociale (fornita da operatori della 

comunità, e in strutture residenziali) 

– costi diretti dell’assistenza sanitaria (costi per il trattamento della 

demenza e patologie simili in strutture sanitarie primarie o 

secondarie). 

Rapporto Mondiale Alzheimer 2010 


Alzheimer – Alto Adige 

Relazione sanitaria 2007 


Progetto SPM a Bolzano 

• Progetto partito nel 2007 

• Coinvolge 

– Medicina Nucleare 

– Divisione di Geriatria – Ospedale di Bolzano 

– Divisione di Neurologia – Ospedale di Merano 

– Fisica Sanitaria 

PET cerebrali - Quesito Alzheimer 

100 

90 

PET 

80 

70 

60 

50 

40 

30 

20 

10 

0 

2008 2009 2010 


Diagnosi di Alzheimer 

La diagnosi di malattia di Alzheimer è un processo a due 

step: 

• identificazione della sindrome di demenza 

– La demenza è una sindrome caratterizzata dalla presenza di un 

deficit della memoria associato a disturbi in altre aree cognitive, 

che causa una significativa riduzione della capacità di svolgere le 

attività comuni della vita quotidiana: attualmente la diagnosi di 

demenza è fatta in base ai criteri clinici del DSM-IV-TR 

(Diagnostic and Statistical Manual of Mental Disorders - quarta 

edizione 1994). 

• applicazione dei criteri clinici del fenotipo di AD 

– I criteri più utilizzati per la diagnosi della malattia di Alzheimer 

sono quelli proposti nel 1984 dal National Institute of Neurological 

and Communicative Disorders and Stroke; Alzheimer's Disease 

and Related Disorders Association Work Group 

(NINCDS-ADRDA) 

– Revisionati successivamente nel 2007 


Criteri NINCDS-ADRDA (2007) 

• Per la classicazione di AD probabile, deve essere 

soddisfatto il criterio principale (criterio A) ed almeno 

uno dei biomarkers di supporto (criterio B, C, D o E) 

osservando comunque alcuni criteri di esclusione 

– A: graduale e progressivo disturbo di memoria, presente da 

almeno 6 mesi. 

– B: atrofia delle strutture del lobo temporale mesiale 

misurato con tecniche di risonanza; 

– C: livelli anormali di proteine nel liquido cerebrospinali (bassi livelli 

di amiloide 1-42, aumento della tau totale o della concentrazione 

della fosfo-tau o una combinazione di questi); 

– D: pattern specifici metabolici osservati con la PET (ridotto 

metabolismo glucidico nella regione temporo-parietale bilaterale); 

– E: mutazioni genetiche autosomiche dominanti comprovate per 

l'AD, riscontrate nei familiari del paziente. 

SPM-Statistcal Parametric Mapping 7

Alzheimer e risonanza 

• La perdita di cellule nervose è particolarmente spiccata 

nell'ippocampo, che gioca un ruolo cruciale nel 

consolidamento dei ricordi. 

alzheimer 

Atrofia in AD: i lobi 

tempori mediali sono i 

primi affetti e con 

maggior severità 

http://pathology.ouhsc.edu/DeptLabs/diag 

nostic_center_for_alzheimer.htm 









– B: atrofia delle strutture del lobo temporale mesiale misurato con 

tecniche di risonanza; 

– C: livelli anormali di proteine nel liquido cerebrospinale 

(bassi livelli di amiloide 1-42, aumento della tau totale o 

della concentrazione della fosfo-tau o una combinazione di 

questi); 


metabolismo glucidico nella regione temporo-parietale bilaterale); 




Alzheimer e rachicentesi 

Specificity of T-Tau, AB42 

Hulstaert et al. Neurology 1999;52:1555-1562 

AD vs. Cntrl 

AD vs. other 

dementia 

AB42 81% 59% 

Tau 70% 57% 

AB42,T 

au 

87% 58% 









– B: atrofia delle strutture del lobo temporale mesiale misurato con 

tecniche di risonanza; 

– C: livelli anormali di proteine nel liquido cerebrospinale (bassi 

livelli di amiloide 1-42, aumento della tau totale o della 

concentrazione della fosfo-tau o una combinazione di questi); 


metabolismo glucidico nella regione temporo-parietale 

bilaterale); 




Esperienza di Bolzano 

Geriatria 

Anamnesi 

Test neuropsicologici 

Ev. rachicentesi 

Medicina Nucleare 

Analisi visiva 

Fisica Sanitaria 

Analisi SPM 

Richiesta di Pet 

Cerebrale con 18F-FDG 

FDG 


Pet Cerebrale con 18F-FDG 

Acquisita su PET/CT Gemini TF (Philips) 

Sala somministrazione a luci spente, il 

maggior silenzio possibile 

paziente occhi chiusi 

viene somministrata una attività media 

di 6mCi di 18 F-FDG 

Acquisizione dopo 40 minuti dalla 

somministrazione 

Acquisizione di un lettino da 15’ 


Referto finale PET/TC 

Diagnosi di AD probabile 


Scheda richiesta PET Cerebrale 


Cosa è SPM 

• SPM è un software sviluppato dai membri della 

Wellcome Department of Imaging Neuroscience 

dell’istituto di neurologia dell’University College di 

Londra 

• Esso consiste di funzioni, scripts, file dati e routine 

esterne in C (compilate) per MATLAB (MathWorks, Inc. 

Natick, MA, USA) 


Cosa mi serve per utilizzare SPM 

• Matlab (2000€ licenza individuale a settembre 2010) 

• SPM: direttamente scaricabile dal sito 

(http://www.fil.ion.ucl.ac.uk/spm/) 

– SPM2 



• Software per gestire formati Analyze e Nifti 

– MRICRO (http://www.cabiatl.com/mricro/) 

– MRICRON (http://www.cabiatl.com/mricro/mricron/index.html) 


Matrice di compatibilità 

SPM-Matlab 


Per cosa usiamo SPM 

• Confronto (voxel per voxel) del paziente in oggetto 

verso un database di normalità 

Paziente 

Db di normalità 


Database di normalità 

• In cosa consiste un database di normalità? 

– Almeno 12 acquisizioni cerebrali “normali” (il software non deve 

mostrare zone di captazione anomali) 


Come si può creare un 

database di normalità 

• Come si crea un database di normalità? 

– Non è possibile arruolare pazienti sani; 

– Pazienti oncologici che già devono fare PET-Whole 

Body 

– senza interessamento cerebrale o altre alterazioni 

neurologiche documentate, valutabili o sospette. 

• Ciascun elemento candidato ad entrare nel 

gruppo di controllo deve essere testato verso 

l’intero gruppo 

– Processo che costa molto (tempo, pazienti, 

acquisizioni) 

– Per ottenere 12 “normali”, tipicamente bisogna 

acquisirne almeno il doppio!!! 


Logica di funzionamento SPM 

Preprocessing 

Costruzione del modello 

Inferenza statistica 

Acquisizione 

Kernel 

Matrice disegno 

Mappa parametrico 

statistica 

Filtrazione 

spaziale 

Normalizzazione 

Modello lineare 

generale 

Inferenza 

statistica 

Random 

field 

theory 

(RFT) 

Template 

Stima dei parametri 

p

SPM-Maschera applicativa 

PREPROCESSING 

Costruzione del 

MODELLO 

INFERENZA statistica 


SPM: Preprocessing 

• Il pre-processing: 

– passaggio fondamentale per l’analisi 

– Necessario per rendere i dati acquisiti idonei per l’analisi 

statistica 

– Consta di una serie di passaggi modalità-dipendenti 

• Per l'analisi 18 F-FDG Pet possono essere utili: 

– Coregistrazione (nel caso avessimo RM e PET) 

– Normalizzazione 

– Smoothing 


SPM-Normalizzazione 

• Consiste nel registrare (“trasformare”) acquisizioni di 

individui diversi rispetto ad uno spazio standard: 

– pazienti diversi differiscono per forma e dimensione: 

– massimizzare la sovrapposizione di aree omologhe 

• Diversi problemi: 

– l’estrema variabilità nelle anatomie individuali 

– non esiste una esatta coincidenza fra struttura e funzione 

cerebrale. 

– patologie cerebrali 

E' d’altra parte l’unico modo per poter confrontare individui 

diversi 


SPM-Normalizzazione/2 

• E’ un processo a 2 passi: 

– Passo 1: Trasformazione lineare (affine a 12 parametri). 

Tiene conto delle differenze maggiori nella conformazione e 

posizione 

– Passo 2: Trasformazione non lineare (warping). Aggiusta 

le differenze a scala minore nella anatomia. 

PET TEMPLATE 

Creato originariamente con una media di 12 

acquisizioni di 15 O-H 2 

O-PET acquisizioni di 

soggetti normali acquisiti ad occhi chiusi e in 

condizione di riposo. 


Spazi Standard 

• Spazio di Talairach 

– Deriva dall’atlante di Talairach and Tournoux (1988) 

– Basato su un singolo soggetto (derivato dallo studio di un 

cadavere di una donna morta a 60 anni ) 

– ignora le differenze destra/sinistra 

– non è continuo in tre dimensioni 

– completamente ignorato il cervelletto 

• Spazio MNI (Montreal Neurological Institute MNI) 

– Combinazione di numerose RM di pazienti normali 

– Tutti soggetti destrimani 

– Si approssima allo spazio di Talaraich 

– Leggermente più largo 

– raggiunge anche i 10mm di differenza (in funzione della posizione) 

– Utilizzato da SPM, National fMRI Database, International 

Consortium for Brain Mapping 


Smoothing 

• Perché lo smoothing? 

– sparpagliare aree differenti e ridurne quindi le discrepanze 

(normalizzazione: regioni cerebrali omologhe di differenti 

soggetti non verrebbero registrate precisamente) 

– aumentare il rapporto segnale-rumore 

– errore residuo distribuito in modo normale (teorema del 

limite centrale) 

– approssimazione di campo continuo (richiesta RFT) 


Normalizzazione dei conteggi 

• Attività 

– Globale 

– Regionale 

• Effetti regionali possono essere causati da effetti globali 

• Normalizzazione dei conteggi: 

– Proporzionale (rispetto alla media “corretta”) 

– Ancova (media aggiunta come confondente) 

– Casi speciali: AD 

• relativa conservazione nella corteccia sensomotoria primaria, 

nella corteccia visiva, nei gangli della base, talamo e 

cervelletto Possibili aree di riferimento per la 

normalizzazione dell'uptake cerebrale regionale di FDG 

• La normalizzazione corteccia senso-motoria (SMC) primaria 

rispetto quella cervelletto mostra una sensibilità superiore. 


Come costruiamo il modello 

• Prendiamo un singolo voxel e la domanda è:la sua 

intensità è significativamente differente da quella del 

particolare voxel delle immagini di controllo? 

Pazienti 

Group 1 Group 2 

Gruppo di normalità 

• Stiamo impostando quindi un test-t sulle intensità di 

ogni voxel (voxel per voxel). 


SPM: Modello lineare generale 

1 

y 

X 

p 

β 

= + 

ε 

y = Xβ + ε 

ε∼N(0,σ 2 ) 

Il modello è specificato da: 

Il modello è specificato da: 

Matrice disegno X 

Matrice disegno X 

Assunzioni rispetto ε 

Assunzioni rispetto ε 

Sfericità : Il termine di errore è 

Sfericità : Il termine di errore è 

indipendente e distribuito in maniera 

indipendente e distribuito in maniera 

identica (i.i.d.) 

identica (i.i.d.) 

N 

N 

N 

N: numero di scansioni 

N: numero di scansioni 

p: numero di regressori 

p: numero di regressori 

Dati osservati = Predittori * Parametri + Errore 

Es. Intensità dell’immagine Matrice disegno Peso del contributo 

del predittore ai 

dati osservati 

Varianza dei dati 

non compreso dal modello 


GLM: stima dei parametri 

Trovare β che minimizzi 

T 

y − Xβ 

= ε ε 

2 

La stima ai minimi quadrati è data da: 

ˆ β = 

( X 

X 

) 

T −1 

Sotto l’assunzione i.i.d. : 

ε ~ N(0, 

σ 2 I) 

Y ~ N( 

Xβ, 

σ 

2 I) 

X 

T 

y 

ˆ ε = Y − 

Residui 

X ˆ β 

σ 

ˆ 2 

= 

N 

− 

T 

ˆ ε ˆ ε 

rango( 

X ) 

ˆ 2 T − 1 

β ~ 

N( 

β, 

σ ( X 

X ) 

) 


SPM: t-test 

Paziente 

Gruppo di normalità 

y X β ε 

= 

1 0 1 

0 1 1 

0 1 1 

0 1 1 

β1 

β2 

* + 

β3 

μ 1 

μ 2 

Group 1 Group 2 

Appartenenza al 1°gruppo 

Appartenenza al 2° gruppo 

μ − μ 

1 2 

t = ; β = μ1, 

μ2 

S x −x 

Parametri da ricercare 

[ ] T 

1 

2 

Termine costante 

s 

2 

s1 

x −x 

= + 

2 

n1 

s 

1 n 

2 

2 

2

SPM: Contrasto 

• Risolvendo le equazione del modello lineare generale, otteniamo la stima 

delle ampiezze di ogni regressore 

• Spesso però non siamo interessati all'intero vettore, ma magari solo alla 

differenza tra le condizioni (es. normalità (N) verso ipometabolismo 

(Hyp)). 

• La differenza tra le condizioni [N-Hyp] è un esempio di combinazione 

lineare di predittori: una tale combinazione nel modello lineare generale 

prende il nome di contrasto (indicato con il vettore c). 

T T 

c βˆ 

− c β 

∑ − 

2 

∼ t 

N − rango X 

= 

T 

− 1 

( ) 

; σˆ 

2 

σˆ 

c 

c 

df 

T 

( X X ) 

L’ipotesi L’ipotesi nulla nulla 

H 0 :μ 1 =μ 2 

0 :μ 1 =μ 2 

è equivalente equivalente all’ipotesi all’ipotesi 

H 0 :c T β=0, 

0 :c T β=0, 

con con c=[1,-1] c=[1,-1] T T e β=[μ β=[μ 1 ,μ 2 ] T . 

1 ,μ 2 ] T . 

( Y X βˆ 

) 

2

SPM: Immagini della statistica 

Per un dato contrasto c: 

ˆ β = 

beta_???? images 

( X 

X ) 

T −1 

X 

T 

y 

σ 

ResMS image 

ˆ 2 

T 

ˆ ε ˆ ε 

= 

N − p 

con_???? image 

c T βˆ 

spmT_???? image 

SPM{t}

SPM: Mappa statistica 

t>0 

t>0.5 

t>1 

t>2 

t>3 

Quale soglia t Student (confidenza p,gradi di libertà) dobbiamo prendere?

SPM: Inferenza e confronti 

multipli 

• Singolo Test–t si calcola il valore t si verifica t > 

t soglia 

(p=0.05,df) la probabilità di compiere l’errore di 

rigettare l’ipotesi nulla è inferiore a 0.05 

• Se ho n=10’000 voxel testati contemporaneamente con 

p=0.05 (rigetto ipotesi nulla sul singolo voxel), 

approssimativamente n*p (circa 500 voxel) risultano (falsi) 

positivi. 

• Family Wise Null Hypothesis: l’ipotesi nulla è valida OVUNQUE 

• E’ necessario quindi trovare un metodo che corregga il valore 

p P FWE 

• Correzione di Bonferroni: controlla FWE 

– p Bonferroni = p / nr_confronti 

– Problema: Molto conservativo = troppo piccola la probabilità di 

rivelare effetti reali.

Soglia 

SPM: Random Field Theory 

• L’immagine statistica è considerata come la rappresentazione 

a reticolo di un campo continuo aleatorio. 

• Caratteristica di Eulero χ u 

•Misura topologica #blobs 

• A soglia sufficientemente alta, EC rappresenta il 

conteggio del numero di blobs (nr aree sopra soglia). 

P FWE = E[EC]

SPM: Livelli di inferenza 

• Tre livelli di inferenza (ipotesi regionale) 

Voxel level Inference 

u α 

•Vengono conservati tutti I voxel sopra una soglia u α 

. 

•Dà la migliore specificità spaziale. 

•L’ipotesi nulla può essere rigettata sul singolo 

voxel. 

Voxel significativi 

space 

Cluster level Inference 

u clus 

Cluster non significativo 

k α 

k α 

space 

Processo a in due passi: 

1.Si definiscono i cluster attraverso una soglia 

arbitraria uc lus 

. 

2.Si conservano i cluster che superano la soglia k α 

. 

• Tipicamente ha la migliore sensibilità e peggiore 

specificità spaziale 

• L’ipotesi nulla può essere rigettata sull’intero cluster 

• Si può solo dire che uno o più voxel nel cluster sono 

attivi. 

Set-level Inference 

u clus 

Conta il numero di blobs c: 

• Dimensione minima del blob k 

Peggiore specificità spaziale 

Permette di rigettare solo l’ipotesi nulla globale 

space 

k 

k

SPM: Livelli di inferenza/2 

Significativo a livello di cluster 

(P cluster FWE

SPM: Livelli di inferenza/3 

Significativo a livello di cluster 

(P cluster FWE

Casi clinici 


I.G.G - 1940 


I.G.G – 1940 

18F-FDG PET 


I.G.G – 1940 


I.G.G – 1940 

Number of Voxels 20440 

Max. coordinates 48 -78 4 

---------------------------------------------------- 

Unidentified 

Transverse Temporal Gyrus 

6.89 

(R) 

0.48 

0.33 28.27 

Inter-Hemispheric 

Fusiform Gyrus (L) 

1.59 8.85 

0.15 1.77 

Left Cerebrum 

Fusiform Gyrus (R) 

20.92 4.51 

3.24 37.64 

Right Cerebrum 

Inferior Occipital Gyrus 

69.39 

(L) 

14.78 

0.03 0.98 

Right Cerebellum 

Inferior Occipital Gyrus 

0.88 

(R) 

1.55 

2.59 72.97 

Left Cerebellum 

Inferior Temporal Gyrus 

0.32 

(R) 

0.57 

1.11 16.52 

---------------------------------------------------- 

Insula (R) 0.11 1.03 

Unidentified 

Parahippocampal Gyrus 

16.83 

(R) 

1.09 

0.03 0.35 

Posterior Lobe (L) 

Lingual Gyrus (L) 

0.20 0.51 

3.00 28.57 

Posterior Lobe (R) 

Lingual Gyrus (C) 

0.69 1.81 

0.14 60.42 

Anterior Lobe (L) 

Lingual Gyrus (R) 

0.13 0.76 

5.66 52.59 

Anterior Lobe (R) 

Middle Occipital Gyrus 

0.19 

(L) 

1.10 

2.77 22.73 

Frontal-Temporal Space 

Middle 

(R) 

Occipital Gyrus 

0.04 

(R) 

19.15 

7.79 63.33 

Limbic Lobe (L) 

Middle Temporal Gyrus 

0.80 

(L) 

2.05 

0.55 2.25 

Limbic Lobe (C) 

Middle Temporal Gyrus 

0.08 

(R) 

5.82 

5.57 22.79 

Limbic Lobe (R) 

Superior Temporal Gyrus 

0.58 

(R) 

1.40 

6.67 25.95 

Sub-lobar (R) 

Superior Occipital Gyrus 

0.08 

(L) 

0.18 

0.11 11.11 

Occipital Lobe (L) 

Superior Occipital Gyrus 

10.54 

(R) 

25.30 

0.38 36.79 

Occipital Lobe (C) 

Precentral Gyrus (R) 

0.68 84.85 

0.03 0.17 

Occipital Lobe (R) 

Inferior Frontal Gyrus 

25.12 

(R) 

58.82 

0.91 4.01 

Temporal Lobe (L) 

Cuneus (L) 

0.61 0.85 

4.89 34.94 

Temporal Lobe (R) 

Cuneus (C) 

14.28 19.85 

0.42 93.41 

Parietal Lobe (L) 

Cuneus (R) 

5.85 9.35 

8.30 57.41 

Parietal Lobe (C) 

Angular Gyrus (R) 

0.49 73.19 

1.40 70.86 

Parietal Lobe (R) 

Supramarginal Gyrus (R) 

21.60 34.20 

1.25 28.59 

Frontal Lobe (C) 

Cingulate Gyrus (L) 

0.00 0.45 

0.01 0.09 

Frontal Lobe (R) 

Cingulate Gyrus (C) 

1.21 0.75 

0.02 2.31 

---------------------------------------------------- 

Cingulate Gyrus (R) 0.10 0.59 

Unidentified 

Inferior Parietal Lobule 

8.88 

(L) 

0.59 

0.96 6.65 

Posterior Cingulate 

Inferior 

(L) 

Parietal Lobule 

0.77 

(R) 

17.03 

4.86 33.67 


Precuneus 

(C) 

(L) 

0.06 25.00 

5.43 30.04 


Precuneus 

(R) 

(C) 

0.44 8.79 

0.65 77.78 

Sub-Gyral (L) 

Precuneus (R) 

0.50 0.84 

11.65 61.67 

Sub-Gyral (R) 

Superior Parietal Lobule 

2.12 

(L) 

3.52 

0.56 13.72 

Superior Parietal Lobule (R) 3.22 79.11 

Paracentral Lobule (C) 0.00 1.03 

[…] 


S.M. - 1948 


S.M. - 1948 


S.M. - 1948 


Max. coordinates 38 14 54 

---------------------------------------------------- 

Unidentified 2.11 0.02 

Right Cerebrum 97.89 2.95 

---------------------------------------------------- 


Limbic Lobe (R) 2.56 0.87 

Frontal Lobe (R) 95.33 8.41 

---------------------------------------------------- 


Sub-Gyral (R) 1.90 0.45 

Precentral Gyrus (R) 1.49 1.06 

Inferior Frontal Gyrus (R) 6.75 4.18 

Cingulate Gyrus (R) 3.04 2.49 

Middle Frontal Gyrus (R) 52.35 20.84 

Superior Frontal Gyrus (R) 26.96 13.26 

Medial Frontal Gyrus (R) 5.26 3.66 

---------------------------------------------------- 


Gray Matter (R) 35.95 3.11 

White Matter (R) 57.30 3.13 

---------------------------------------------------- 


Brodmann area 6 (R) 13.49 13.44 







---------------------------------------------------- 


M.A. 1923 


M.A. 1923 


M.A. 1923 


M.A. 1923 


Max. coordinates 4 -78 6 

---------------------------------------------------- 


Inter-Hemispheric 6.61 4.53 

Left Cerebrum 25.14 0.67 

Right Cerebrum 67.74 1.78 

Right Cerebellum 0.16 0.03 

Left Cerebellum 


0.28 0.06 

---------------------------------------------------- 

Max. coordinates 48 6 30 

Unidentified ---------------------------------------------------- 

25.02 0.20 

Posterior Lobe Right (R) Cerebrum 0.16 100.00 0.05 0.89 

Anterior Lobe ---------------------------------------------------- 

(L) 0.20 0.15 

Limbic Lobe (L) Frontal Lobe (R) 3.09 100.00 0.98 2.61 

Limbic Lobe (C) ---------------------------------------------------- 

0.28 2.55 

Sub-Gyral (R) 6.07 0.42 

Limbic Lobe (R) 4.59 1.37 

Precentral Gyrus (R) 11.09 2.34 

Occipital Lobe (L) 11.72 3.48 

Inferior Frontal Gyrus (R) 59.51 10.92 

Occipital Lobe Middle (C) Frontal Gyrus (R) 3.40 52.12 23.34 2.75 

Occipital Lobe ---------------------------------------------------- 

(R) 47.31 13.69 

Temporal Lobe Unidentified (R) 0.16 0.03 7.12 0.02 

Parietal Lobe Gray (L) Matter (R) 0.24 33.37 0.05 0.86 

Parietal Lobe White (C) Matter (R) 0.55 10.14 59.51 0.96 

Parietal Lobe ---------------------------------------------------- 

(R) 3.29 0.64 

---------------------------------------------------- 






Brodmann 

(L) 

area 9 (R) 

3.09 

15.52 

8.41 

9.25 

Posterior Cingulate Brodmann (C) area 44 (R) 0.28 14.58 8.40 29.15 

Posterior Cingulate Brodmann (R) area 45 (R) 4.59 11.45 3.27 8.97 

Fusiform Gyrus ---------------------------------------------------- 

(R) 4.28 6.14 

Inferior Occipital Gyrus (R) 3.60 12.55 

Lingual Gyrus (L) 7.32 8.61 

Lingual Gyrus (C) 0.95 50.00 

Lingual Gyrus (R) 21.97 25.23 


G.A. - 1925 

Confronto 2009-2010 


Conclusioni 

• Siamo partiti con l'inserimento dell'analisi statistica delle 

immagini PET cerebrali attraverso il software SPM come 

supporto alla diagnosi nel 2008. 

• Ad oggi sono stati analizzati quasi 200 pazienti, con 

sospetta malattia di Alzheimer o con diagnosi incerta 

• Abbiamo visto come il supporto di un software statistico 

sia molto importante, soprattutto nei casi dove la 

riduzione metabolica sia agli esordi e quindi difficilmente 

quantificabile a vista; 

• Con tale metodica inoltre riusciamo ad inserire una 

valutazione operatore-indipendente 

• Ad oggi l'analisi SPM delle PET cerebrali è entrata in 

routine ed utilizzata dal medico nucleare come supporto 

alla diagnosi visiva. 


Futuro 

PET 

VBM 



Spazio di Tailarach - coordinate 

• L’origine è collocata sulla commissura 

anteriore (AC) 

• I tre assi di coordinate sono definiti da: 

– Piano assiale parallelo alla linea passante per AC-PC 

– Piano saggittale parallelo alla linea AC-PC 

– Piano coronale perpendicolare alle due precedenti 


Tailairach vs MNI template 

function outpoints = mni2tal(inpoints) 

% Converts coordinates from MNI brain to best guess 

% for equivalent Talairach coordinates 

% FORMAT outpoints = mni2tal(inpoints) 

% Where inpoints is N by 3 or 3 by N matrix of coordinates 

% (N being the number of points) 

% outpoints is the coordinate matrix with Talairach points 

% Matthew Brett 10/8/99 

dimdim = find(size(inpoints) == 3); 

if isempty(dimdim) 

error('input must be a N by 3 or 3 by N matrix') 

end 

if dimdim == 2 

inpoints = inpoints'; 

end 

% Transformation matrices, different zooms above/below AC 

upT = spm_matrix([0 0 0 0.05 0 0 0.99 0.97 0.92]); 

downT = spm_matrix([0 0 0 0.05 0 0 0.99 0.97 0.84]); Assunzioni: 

•AC è nella corretta posizione in MNI 

tmp = inpoints(3,:)

Applicazione SPM (Statistical Parametric Mapping) ad immagini ...

Create successful ePaper yourself

Delete template?

Save as template?