Lesion-symptom mapping (LSM), også kaldet læsion-adfærd Mapping, er et vigtigt redskab til at studere den funktionelle arkitektur af den menneskelige hjerne¹. I læsions studier udledes hjernens funktion og lokaliseres ved at studere patienter med erhvervede hjernelæsioner. De første casestudier, der forbinder neurologiske symptomer til specifikke hjerne steder udført i det nittende århundrede, gav allerede grundlæggende indsigt i de anatomiske korrelater af sprog og flere andre kognitive processer². Endnu, de neuroanatomiske korrelater af mange aspekter af kognition og andre hjernefunktioner forblev flygtig. I de seneste årtier har forbedrede strukturelle hjerne billedbehandlings metoder og tekniske fremskridt gjort det muligt for store in vivo LSM-studier med høj geografisk opløsning (dvs. på niveau med individuelle voxels eller specifikke kortikale/subkortikale områder af interesse)^{1 ,2}. Med disse metodologiske fremskridt, LSM er blevet en stadig mere populær metode i kognitiv neurovidenskab og fortsætter med at tilbyde ny indsigt i Neuro anatomi af kognition og neurologiske symptomer³. Et afgørende skridt i enhver LSM undersøgelse er den nøjagtige segmentering af læsioner og registrering til en hjerne skabelon. Men, en omfattende tutorial for forbehandling af hjernen imaging data til formålet med LSM mangler.

Forudsat her er en komplet tutorial for en standardiseret læsion segmentering og registrering metode. Denne metode giver forskerne en pipeline for standardiseret hjerne billedbehandling og et overblik over potentielle faldgruber, der skal undgås. Den præsenterede billedbehandling pipeline blev udviklet gennem internationale samarbejder⁴ og er en del af rammerne af den nyligt grundlagt meta VCI map konsortium, hvis formål er at udføre multicenter læsion-symptom mapping undersøgelser i vaskulær kognitiv svækkelse ⁵. Denne metode er designet til at behandle både CT-og MRI-scanninger fra flere leverandører og heterogene scannings protokoller for at tillade kombineret behandling af billedbehandlings datasæt fra forskellige kilder. Den krævede RegLSM-software og al anden software, der er nødvendig for denne protokol, er frit tilgængelig med undtagelse af MATLAB, som kræver en licens. Denne tutorial fokuserer på segmentering og registrering af hjernen infarkter, men denne billedbehandling rørledning kan også bruges til andre læsioner, såsom hvide stof hyperintensiteter⁶.

Forud for initiering af en LSM-undersøgelse er der behov for en grundlæggende forståelse af de generelle begreber og faldgruber. Flere detaljerede retningslinjer og en hitchhiker’s guide er tilgængelige^1,3,6. Men disse anmeldelser giver ikke en detaljeret hands-on tutorial for de praktiske skridt, der er involveret i indsamling og konvertering hjernescanninger til et ordentligt format, segmentere hjernen infarkt, og registrering af scanninger til en hjerne skabelon. Det foreliggende papir giver sådan en tutorial. Generelle begreber af LSM er fastsat i indledningen med referencer til yderligere læsning om emnet.

Generelle mål for læsion-symptom kortlægnings undersøgelser

Fra perspektivet af kognitiv Neuropsykologi, hjerneskade kan bruges som en model betingelse for bedre at forstå neuronal funda-urer af visse kognitive processer og for at få et mere komplet billede af den kognitive arkitektur af hjernen¹ . Dette er en klassisk tilgang i Neuro psykologi, der blev først anvendt i post mortem undersøgelser i det nittende århundrede af pionerer som Broca og Wernicke². I en tid med funktionel hjernescanning, er læsion tilgang forblevet et afgørende redskab i neurovidenskab, fordi det giver bevis for, at læsioner i en bestemt hjerneregion forstyrrer opgavens ydeevne, mens funktionelle Imaging undersøgelser viser hjernen regioner, der er aktiveret under opgavens ydeevne. Som sådan giver disse tilgange supplerende oplysninger¹.

Set i forhold til klinisk neurologi kan LSM-undersøgelser afklare forholdet mellem læsions placering og kognitiv funktion hos patienter med akutte symptomatiske infarkter, hyperintensiteter af hvidt stof, lacunes eller andre læsions typer (f. eks. tumorer ). Nylige undersøgelser har vist, at sådanne læsioner i strategiske hjerneregioner er mere relevante i at forklare kognitive præstationer end global læsion byrde^2,5,7,8. Denne tilgang har potentialet til at forbedre forståelsen af patofysiologien af komplekse lidelser (i dette eksempel, vaskulær kognitiv svækkelse) og kan give mulighed for at udvikle nye diagnostiske og prognostiske værktøjer eller støttebehandling strategier².

LSM har også applikationer ud over området kognition. Faktisk kan enhver variabel være relateret til læsions placering, herunder kliniske symptomer, biomarkører, og funktionelle udfald. For eksempel, en nylig undersøgelse fastsatte infarkt steder, der var prædiktiv for funktionelle resultat efter iskæmisk slagtilfælde¹⁰.

Voxel-baseret versus region af interessebaseret læsion-symptom kortlægning

For at udføre lesion-symptom kortlægning skal læsioner segmenteret og registreres i en hjerne skabelon. Under registreringsproceduren er hver patients hjerne geografisk justeret (dvs. normaliseret eller registreret til en fælles skabelon) for at korrigere for forskelle i hjernens størrelse, form og retning, således at hver voxel i læsions kortet repræsenterer den samme anatomiske struktur for alle patienter⁷. I standard rummet kan der udføres flere typer analyser, som kort opsummeres her.

En rå læsion-subtraktions analyse kan udføres for at vise forskellen i læsions fordeling hos patienter med underskud sammenlignet med patienter uden underskud. Det resulterende subtraktions kort viser områder, der oftere beskadiges hos patienter med underskud og Skånes hos patienter uden underskud¹. Selv om en læsion-subtraktion analyse kan give nogle indblik i korrelater af en bestemt funktion, det giver ingen statistisk bevis og er nu mest brugt, når prøven størrelse er for lav til at give nok statistisk effekt for voxel-baserede læsion-symptom Kortlægning.

I voxel-baserede læsion-symptom kortlægning, en forening mellem tilstedeværelsen af en læsion og kognitiv ydeevne bestemmes på niveau med hver enkelt voxel i hjernen (figur 1). Den største fordel ved denne metode er den høje rumlige opløsning. Traditionelt set er disse analyser blevet udført i en masse-univariat tilgang, som berettiger korrektion for flere test og indfører en rumlig bias forårsaget af Inter-voxel korrelationer, der ikke er taget i betragtning^{1,10 , 11}. nyligt udviklede tilgange, der tager Inter-voxel korrelationer i betragtning (normalt omtales som multivariat lesion-symptom mapping metoder, såsom Bayesian analyse¹³, støtte vektor regression^{4, 14}, eller andre maskinlæringsalgoritmer¹⁵) viser lovende resultater og synes at forbedre følsomheden og specificiteten af resultater fra voxel-Wise LSM analyser i forhold til traditionelle metoder. Yderligere forbedring og validering af multivariat metoder til voxel-Wise LSM er en løbende proces. Den bedste Metodevalg for specifikke læsion-symptom mapping afhænger af mange faktorer, herunder fordelingen af læsioner, resultat variabel, og underliggende statistiske antagelser af metoderne.

I den interesseregion (ROI)-baseret læsions-symptom kortlægning bestemmes en forening mellem læsions byrden inden for en specifik hjerneregion og kognitiv præstation (Se figur 1 i Biesbroek et al.² for en illustration). Den største fordel ved denne metode er, at den betragter den kumulative læsions byrde inden for en anatomisk struktur, som i nogle tilfælde kan være mere informativ end en læsion i en enkelt voxel. På den anden side har ROI-baserede analyser begrænset magt til at detektere mønstre, der kun er til stede i en delmængde af voxels i regionen¹⁶. Traditionelt, ROI-baserede læsion-symptom mapping udføres ved hjælp af logistisk eller lineær regression. For nylig er multivariat metoder, der beskæftiger sig bedre med kollinearitet blevet introduceret (f. eks Bayesian netværk analyse¹⁷, støtte vektor regression^4,18, eller andre maskinlæringsalgoritmer¹⁹), som kan forbedre specificiteten af resultaterne fra læsion-symptom mapping undersøgelser.

Udvælgelse af patienter

I LSM-undersøgelser udvælges patienterne sædvanligvis på grundlag af en specifik læsions type (f. eks. hjerne infarkter eller hyperintensiteter for hvide stof) og tidsintervallet mellem diagnose og Neuropsykologisk vurdering (f. eks. akut vs. kronisk slagtilfælde). Det optimale studiedesign afhænger af forskningsspørgsmålet. For eksempel, når man studerer den funktionelle arkitektur af den menneskelige hjerne, akut slagtilfælde patienter er ideelt inkluderet, fordi funktionel reorganisering endnu ikke har fundet sted i denne fase, hvorimod kronisk slagtilfælde patienter bør medtages, når man studerer langsigtede virkninger af slagtilfælde på kognition. En detaljeret beskrivelse af overvejelser og faldgruber i patientudvælgelsen findes andetsteds⁷.

Brain image forbehandling med henblik på læsion-symptom mapping

Præcis læsion segmentering og registrering til en fælles hjerne skabelon er afgørende skridt i læsion-symptom mapping. Manuel segmentering af læsioner er fortsat guldstandarden for mange læsions typer, herunder infarkter⁷. Forudsat er en detaljeret tutorial om kriterier for manuel infarkt segmentering på CT-scanninger, Diffusion vægtet Imaging (DWI), og Fluid-svækket inversion Recovery (FLAIR) MRI-sekvenser i både akutte og kroniske stadier. De segmenterede infarkter (dvs. de binære 3D-læsions kort) skal registreres, før der udføres analyser på tværs af emner. Denne protokol bruger registrerings metoden RegLSM, som blev udviklet i en multicenter indstilling⁴. RegLSM anvender lineære og ikke-lineære registrerings algoritmer baseret på Elastix²⁰ til både CT og MRI, med et ekstra CT-behandlingstrin specielt designet til at forbedre registrerings kvaliteten af CT-scanninger²¹. Endvidere, RegLSM giver mulighed for at bruge forskellige mål hjernen skabeloner og en (valgfri) mellemliggende registrering trin til en aldersspecifik CT/MRI skabelon²². Muligheden for at behandle både CT og MRI scanninger og dens customizability vedrørende mellemliggende og målrette hjernen skabeloner gør RegLSM en meget passende billedbehandling værktøj til LSM. Hele processen med at forberede og segmentere CT/MRI scanninger, registrering til en hjerne skabelon, og manuelle korrektioner (hvis det er nødvendigt) er beskrevet i næste afsnit.

Figur 1: skematisk illustration af konceptet med voxel-baseret læsion-symptom kortlægning. Den øvre del viser hjerne billedet forbehandling trin består af segmentering læsion (en akut infarkt i dette tilfælde) efterfulgt af registrering til en hjerne skabelon (MNI-152 skabelon i dette tilfælde). Nedenfor vises en del af det registrerede binære læsions kort over den samme patient som et 3D-gitter, hvor hver kube repræsenterer en voxel. Taget sammen med læsions kortene på 99 andre patienter genereres et læsions-overlay-kort. For hver voxel udføres en statistisk test for at bestemme tilknytningen mellem læsions status og kognitiv præstation. Den Chi-kvadrerede test, der er vist her, er blot et eksempel, enhver statistisk test kan anvendes. Typisk, hundredtusinder af voxels testes i hele hjernen, efterfulgt af en korrektion for flere sammenligninger. Venligst klik her for at se en større version af dette tal.