Bien que plusieurs mesures aient été proposées pour mesurer l’atrophie cérébrale, l’épaisseur corticale, le volume cortical et la densité de la matière grise sont les mesures les plus populaires en raison de leurs interprétations très intuitives.

Les cartes de densité de la matière grise sont dérivées de l’IRM anatomique après que les images normalisées ont été segmentées en trois types de tissus différents, à savoir la matière grise, la substance blanche et le liquide céphalo-rachidien. Les cartes de densité de matière grise sont ensuite générées en calculant la concentration ou la quantité de matière grise dans chaque voxel du cerveau. Par conséquent, une densité de matière grise plus élevée est associée à une plus grande concentration de neurones et de synapses, tandis qu’une densité plus faible indique une perte ou une atrophie neuronale potentielle. Alors que les cartes de densité de matière grise peuvent être considérées comme la concentration relative de matière grise par rapport à d’autres types de tissus, et leur modulation avec les volumes de voxels relatifs, tels que mesurés par les déterminants jacobiens du champ de déformation, peut être considérée comme la quantité absolue de matière grise.

Après la segmentation de l’image cérébrale, deux modèles informatiques pour la représentation de surface de la substance blanche et des surfaces piales sont construits. Ici, la surface de la substance blanche est définie comme la frontière entre la matière grise et la substance blanche, tandis que la surface piale est la limite externe du cortex, séparant la matière grise du liquide céphalo-rachidien. Ainsi, les cartes d’épaisseur corticale sont calculées comme la distance la plus courte entre la surface de la substance blanche et les représentations de la surface piale à chaque sommet. De même, les cartes de volume cortical sont calculées comme les volumes locaux entre la surface de la substance blanche et la surface piale.

Étant donné que les dimensions de la matrice de corrélation croisée à grande échelle entre l’épaisseur et le tau sont généralement plus grandes que son rang, son exploration pour révéler des modèles spatiaux devient impraticable.

Par conséquent, les techniques de réduction de dimensionnalité basées sur les décompositions matricielles, comme SVD, sont de mise. En pratique, la matrice complète de corrélation croisée est approximée par les premières composantes, classées en fonction de leur pourcentage correspondant de la covariabilité expliquée. Grâce aux propriétés algébriques des techniques SVD, on peut facilement obtenir des images propres spatiales pour chaque modalité d’imagerie, qui peuvent être interprétées comme des instantanés ou des vues simplifiées des modèles de corrélation croisée les plus pertinents. De plus, les scores individuels associés à de telles images propres peuvent être soumis à une inférence statistique en supposant une relation linéaire et des interactions dans le cadre d’un modèle linéaire général.