Volumen intracraneal según imágenes de tomografía axial computarizada, como biomarcador de envejecimiento cerebral
Resumen
Objetivo: Describir las diferencias entre la volumetría encefálica absoluta y estandarizada por el volumen intracraneal, así como la elaboración de las tablas de percentiles que caracterizan esta volumetría.
Métodos: Se desarrolló un estudio descriptivo, transversal de una serie de casos en 320 sujetos, con funciones neurocognitivas y examen neuropsiquiátrico normales, en edades comprendidas entre 30 y 79 años, a los que se les realizó tomografía computarizada de cráneo simple monocorte. Se aplicó un modelo lineal general multivariado, se ponderó el volumen intracraneal para descartar la influencia en los resultados del tamaño de la cabeza de los sujetos. El procesamiento digital de las imágenes se realizó a través del empleo de un método de segmentación de imagen basado en el análisis de texturas homogéneas e interpolación.
Resultados: El grupo de edad predominante fue el de 50 - 59 años (14,1 %).Los mayores volúmenes intracraneales absolutos estuvieron presentes en los hombres, una vez realizada la corrección residual de Nordenskjöld, fueron mayores en las mujeres. Se obtuvo una alta correlación entre el volumen encefálico total y el volumen intracraneal.
Conclusiones: La ponderación de los parámetros volumétricos en función del volumen intracraneal confirma que las diferencias atribuibles al sexo no son dependientes del volumen del cráneo.
Palabras clave
Referencias
Mesa Pujals AA, Hernández Cortés KS, Montoya Pedrón A, Bolaños Vaillant S, Álvarez Guerra ED. Análisis de texturas homogéneas para la estimación volumétrica de la materia cerebral por tomografía computarizada. RCIM. 2022 [acceso: 09/09/2023]; 14(1): [aprox. 14 p.]. Disponible en: http://scielo.sld.cu/pdf/rcim/v14n1/1684-1859-rcim-14-01-e512.pdf
Valdés Sosa PA, Galán García L, Bosch Bayard J, Bringas Vega ML, Aubert Vázquez E, Rodríguez Gil I, et al. The Cuban Human Brain Mapping Project, a young and middle age population-based EEG, MRI, and cognition dataset. Sci data. 2021; 8(1):45. DOI: 10.1038/s41597-021-00829-7
Hernández- Cortés Katherine S, Mesa- Pujals Adrián A, García- Gómez Odalis, Montoya Pedrón A. Brain morphometry in adult: volumetric visualization as a tool in image processing. Rev Mex Neurocienc. 2021; 22(3):101-11. DOI: 10.24875/rmn.20000074
Spalletta G, Piras F, Gili T. Brain Morphometry, Neuromethods. En: Hiroshi M. Morphometry in Normal Aging. New Jersey: Human Press; 2018. p. 165-70. DOI: 10.1007/978-1-4939-7647-8
Bonilla Santos J, Zea Romero EY, Cala Martínez DY, González Hernández A. Marcadores cognitivos, Biológicos, Anatómicos y Conductuales del Deterioro Cognitivo Leve y la Enfermedad de Alzheimer. Una revisión sistemática. Rev Ecuat Neurol. 2021; 30(2):57-67. DOI: 10.46997/revecuatneurol30200057
Harris SE, Cox S R, Bell S, Marioni RE, Prins BP, Pattie A, et al. Neurology-related protein biomarkers are associated with cognitive ability and brain volume in older age. Nature Communications. 2020; 11:800. DOI: 10.1038/s41467-019-14161-7
Ballarini T, van Lent D M, Brunner J, Schröder A, Wolfsgruber S, Altenstein S, et al. Mediterranean diet, Alzheimer disease biomarkers, and brain atrophy in old age. Neurology. 2021; 96(24):e2920-e2932. DOI: 10.1212/WNL.0000000000012067
Rouviere H, Delmas A. Anatomía Humana Descriptiva, Topográfica y Funcional. 11.ª ed. Francia: Masson; 2005.
Mohanty A, Mahapatra S, Bhanja U. Traffic congestion detection in a city using clustering techniques in VANETs. Indones. J Electr Eng Comput Sci. 2019; 13(2):884-91. DOI: 10.11591/ijeecs.v13.i3.pp884-891 10
Heurtier A. Texture feature extraction methods: A survey. IEEE Access. 2019; 7:8975-9000. DOI: 10.1109/ACCESS.2018.2890743
Baecker L, Dafflon J, Da Costa PF, García‐Días R, Vieira S, Scarpazza C, et al. Brain age prediction: A comparison between machine learning models using region‐and voxel‐based morphometric data. Hum Brain Mapp. 2021; 42(8):2332-46. DOI: 10.1002/hbm.25368
Soltanian Zadeh H, Windham JP. A multiresolution approach for contour extraction from brain images. J Med Phys.1997; 24(12):1844-53. DOI: 10.1118/1.598099
Kollem S, Reddy KR, Rao DS. A review of image denoising and segmentation methods based on medical images. Int J Mach Learn Comput. 2019; 9(3):288-95. DOI: 10.18178/ijmlc.2019.9.3.800.
Smith SM, Zhang Y, Jenkinson M, Chen J, Matthews PM, Federico A, et al. Accurate, robust, and automated longitudinal and cross-sectional brain change analysis. Neuroimage.2002; 17(1):479-89. DOI:10.1006/nimg.2002.1040
Nordenskjöld R, Malmberg F, Larsson EM, Simmons A, Ahlström H, Johansson L, et al. Intracranial volume normalization methods: considerations when investigating gender differences in regional brain volume. Psychiatry Research: Neuroimaging. 2015; 231(3):227-35. DOI: 10.1016/j.pscychresns.2014.11.011
Totty N, Molyneux J, Fuentes C. The Importance of Discussing Assumptions when Teaching Bootstrapping. arXiv [preprint]. 2021. DOI:10.48550/arXiv.2112.07737
Van Loenhoud AC, Groot C, Vogel JW, Van Der Flier WM, Ossenkoppele RR. Is intracraneal volume a suitable proxy for brain reserve? Alzheimer´s research & therapy. 2018; 10(1):1-12. DOI:10.1186/s13195-018-0408-5
Caspi Y, Brouwer RM, Schnack HG, van de Nieuwenhuijzen ME, Cahn W, Kahn RS, et al. Changes in the intracranial volume from early adulthood to the sixth decade of life: A longitudinal study. NeuroImage. 2020; 220:116842. DOI: 10.1186/s13195-018-0408-5
MacLullich AMJ, Ferguson KJ, Deary IJ, Seckl JR, Starr JM, Wardlaw JM. Intracranial capacity and brain volumes are associated with cognition in healthy elderly men. Neurology. 2002; 59(2):169-74. DOI: 10.1212/wnl.59.2.169
Klasson N, Olsson E, Eckerstrom C, Malmgren H, Wallin A. Estimated intracraneal volume from Free Surfer is biased by total brain volume. European Radiology Experimental. 2018; 2(1):1-6. DOI: 10.1186/s41747-018-0055-4
Bigler ED, Tate DF. Brain volume, intracranial volume, and dementia. Investigative radiology. 2001; 36(9):539-46. DOI: 10.1097/00004424-200109000-00006
Farokhian F, Yang C, Beheshti I, Matsuda H, Wu S. Age-related gray and white matter changes in normal adult brains. Aging and disease. 2017; 8(6):899. DOI: 10.1097/00004424-200109000-00006
Klein M, Walters RK, Demontis D, Stein JL, Hibar DP, Adams HH, et al. Genetic markers of ADHD-related variations in intracranial volume. American Journal of Psychiatry. 2019; 176(3):228-38. DOI: 10.1176/appi.ajp.2018.18020149
Enlaces refback
- No hay ningún enlace refback.
URL de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es