लेसन-लक्षण मानचित्रण (LSM), भी घाव व्यवहार मानचित्रण कहा जाता है, मानव मस्तिष्क¹के कार्यात्मक वास्तुकला का अध्ययन करने के लिए एक महत्वपूर्ण उपकरण है। घाव अध्ययन में, मस्तिष्क समारोह का अनुमान है और प्राप्त मस्तिष्क घावों के साथ रोगियों का अध्ययन करके स्थानीयकृत है। पहला मामला विज्ञान संबंधी लक्षणों को उन्नीसवीं शताब्दी में निष्पादित विशिष्ट मस्तिष्क स्थानों से जोड़ता है , जिसमें भाषा के शारीरिक संबंधऔर कई अन्य संज्ञानात्मक प्रक्रियाओं²के बारे में मौलिक जानकारी दी गई है . फिर भी, अनुभूति और अन्य मस्तिष्क कार्यों के कई पहलुओं के neuroanatomic सहसंबंधित मायावी बने रहे. पिछले दशकों में, सुधार संरचनात्मक मस्तिष्क इमेजिंग तरीकों और तकनीकी अग्रिमउच्च स्थानिक संकल्प के साथ विवो LSM अध्ययन में बड़े पैमाने पर सक्षम है (यानी, व्यक्तिगत voxels या ब्याज की विशिष्ट cortical / ^,2. इन methodological अग्रिमों के साथ, LSM संज्ञानात्मक तंत्रिका विज्ञान में एक तेजी से लोकप्रिय विधि बन गया है और अनुभूति और तंत्रिका संबंधी लक्षण³के neuroanatomy में नई अंतर्दृष्टि की पेशकश जारी है. किसी भी LSM अध्ययन में एक महत्वपूर्ण कदम एक मस्तिष्क टेम्पलेट के लिए घावों और पंजीकरण का सही विभाजन है. हालांकि, एलएसएम के उद्देश्य के लिए मस्तिष्क इमेजिंग डेटा के पूर्व प्रसंस्करण के लिए एक व्यापक ट्यूटोरियल की कमी है।

यहाँ प्रदान की एक मानकीकृत घाव विभाजन और पंजीकरण विधि के लिए एक पूरा ट्यूटोरियल है। इस विधि मानकीकृत मस्तिष्क छवि प्रसंस्करण और संभावित नुकसान है कि बचा जाना चाहिए की एक सिंहावलोकन के लिए एक पाइप लाइन के साथ शोधकर्ताओं प्रदान करता है. प्रस्तुत छवि प्रसंस्करण पाइप लाइन अंतरराष्ट्रीय सहयोग⁴ के माध्यम से विकसित किया गया था और हाल ही में स्थापित मेटा VCI नक्शा संघ, जिसका उद्देश्य में multicenter घाव लक्षण मानचित्रण अध्ययन प्रदर्शन कर रहा है के ढांचे का हिस्सा है संवहनी संज्ञानात्मक हानि [lt;www.metavcimap.org^] इस विधि को विभिन्न स्रोतों से इमेजिंग डेटासेट के संयुक्त प्रसंस्करण की अनुमति देने के लिए कई विक्रेताओं और विषमांगी स्कैन प्रोटोकॉल से सीटी और एमआरआई स्कैन दोनों को संसाधित करने के लिए डिज़ाइन किया गया है। आवश्यक RegLSM सॉफ्टवेयर और अन्य सभी सॉफ्टवेयर इस प्रोटोकॉल के लिए आवश्यक MATLAB, जो एक लाइसेंस की आवश्यकता के अलावा स्वतंत्र रूप से उपलब्ध है. इस ट्यूटोरियल विभाजन और मस्तिष्क infarcts के पंजीकरण पर केंद्रित है, लेकिन इस छवि प्रसंस्करण पाइप लाइन भी सफेद पदार्थ hyperintensities⁶के रूप में अन्य घावों के लिए इस्तेमाल किया जा सकता है।

एक LSM अध्ययन शुरू करने से पहले, सामान्य अवधारणाओं और नुकसान की एक बुनियादी समझ की आवश्यकता है. कई विस्तृत दिशा निर्देशों और एक सहयात्री गाइड उपलब्ध हैं^1,3,6. हालांकि, इन समीक्षाओं को इकट्ठा करने और एक उचित प्रारूप करने के लिए मस्तिष्क स्कैन परिवर्तित करने में शामिल व्यावहारिक कदम के लिए एक विस्तृत हाथ पर ट्यूटोरियल प्रदान नहीं करते हैं, मस्तिष्क infarct खंड, और एक मस्तिष्क टेम्पलेट के लिए स्कैन दर्ज. वर्तमान कागज इस तरह के एक ट्यूटोरियल प्रदान करता है। LSM की सामान्य अवधारणाओं विषय पर आगे पढ़ने के लिए संदर्भ के साथ परिचय में प्रदान की जाती हैं.

घाव-लक्षण मानचित्रण अध्ययन का सामान्य उद्देश्य

संज्ञानात्मक neuropsychology के नजरिए से, मस्तिष्क की चोट बेहतर कुछ संज्ञानात्मक प्रक्रियाओं के न्यूरॉन underpinnings को समझने के लिए और मस्तिष्क के संज्ञानात्मक वास्तुकला का एक और अधिक पूरी तस्वीर प्राप्त करने के लिए एक मॉडल हालत के रूप में इस्तेमाल किया जा सकता¹ . यह न्यूरोसाइकोलॉजी में एक क्लासिक दृष्टिकोण है जिसे पहली बार उन्नीसवीं शताब्दी में ब्रोका और वर्निक²जैसे पायनियरों द्वारा पोस्टमार्टम अध्ययनों में लागू किया गया था. कार्यात्मक मस्तिष्क इमेजिंग के युग में, घाव दृष्टिकोण तंत्रिका विज्ञान में एक महत्वपूर्ण उपकरण बना हुआ है क्योंकि यह सबूत प्रदान करता है कि एक विशिष्ट मस्तिष्क क्षेत्र में घाव कार्य प्रदर्शन को बाधित करते हैं, जबकि कार्यात्मक इमेजिंग अध्ययन मस्तिष्क क्षेत्रों का प्रदर्शन करते हैं जो हैं कार्य प्रदर्शन के दौरान सक्रिय. इस प्रकार, ये दृष्टिकोण पूरक जानकारी¹प्रदान करते हैं।

नैदानिक तंत्रिका विज्ञान के नजरिए से, LSM अध्ययन तीव्र लक्षण infarcts, सफेद पदार्थ hyperintensities, lacunes, या अन्य घाव प्रकार (जैसे, ट्यूमर के साथ रोगियों में घाव स्थान और संज्ञानात्मक कामकाज के बीच संबंध स्पष्ट कर सकते हैं ). हाल के अध्ययनों से पता चला है कि सामरिक मस्तिष्क क्षेत्रों में ऐसे घाव वैश्विक घाव भार²,^5,7,8की तुलना में संज्ञानात्मक निष्पादन को समझाने में अधिक प्रासंगिक हैं . इस दृष्टिकोण जटिल विकारों के pathophysiology की समझ में सुधार करने की क्षमता है (इस उदाहरण में, संवहनी संज्ञानात्मक हानि) और नए नैदानिक और पूर्वानुमान उपकरण या समर्थन उपचार के विकास के लिए अवसर प्रदान कर सकते हैं रणनीतियों²|

LSM भी अनुभूति के क्षेत्र से परे आवेदन किया है. वास्तव में, किसी भी चर घाव स्थान से संबंधित हो सकता है, नैदानिक लक्षण सहित, biomarkers, और कार्यात्मक परिणाम. उदाहरण के लिए, हाल ही में किए गए एक अध्ययन में यह निर्धारित किया गया है कि इस्कीमिक स्ट्रोक¹⁰के बाद कार्यात्मक परिणाम की भविष्यवाणी की गई थी।

रुचि आधारित घाव-लक्षण मानचित्रण के Voxel आधारित बनाम क्षेत्र

घाव-लक्षण मानचित्रण करने के लिए, घावों को विभाजित करने और मस्तिष्क टेम्पलेट में पंजीकृत करने की आवश्यकता होती है। पंजीकरण प्रक्रिया के दौरान, प्रत्येक रोगी के मस्तिष्क स्थानिक रूप से गठबंधन किया है (यानी, सामान्यीकृत या एक आम टेम्पलेट के लिए पंजीकृत) मस्तिष्क के आकार, आकार, और अभिविन्यास में मतभेद के लिए सही करने के लिए इतना है कि घाव के नक्शे में प्रत्येक voxel एक ही शारीरिक प्रतिनिधित्व करता है सभी रोगियों के लिए संरचना⁷. मानक स्थान में, कई प्रकार के विश्लेषण किए जा सकते हैं, जिन्हें संक्षेप में यहाँ सारांशित किया जाता है।

घाटे के बिना रोगियों की तुलना में घाटे के साथ रोगियों में घाव वितरण में अंतर को दिखाने के लिए एक कच्चे घाव-सबट्रक्शन विश्लेषण किया जा सकता है। परिणामी घटाव मानचित्र उन क्षेत्रों को दर्शाता है जो अक्सर घाटे वाले रोगियों में क्षतिग्रस्त हो जाते हैं और बिना घाटे^वालेरोगियों में बच जाते हैं . हालांकि एक घाव घटाव विश्लेषण एक विशिष्ट समारोह के सहसंबंध ों में कुछ अंतर्दृष्टि प्रदान कर सकते हैं, यह कोई सांख्यिकीय सबूत प्रदान करता है और अब ज्यादातर प्रयोग किया जाता है जब नमूना आकार voxel आधारित घाव-लक्षण के लिए पर्याप्त सांख्यिकीय शक्ति प्रदान करने के लिए बहुत कम है मैपिंग.

voxel-आधारित घाव-लक्षण मानचित्रण में, घाव और संज्ञानात्मक प्रदर्शन की उपस्थिति के बीच एक संघ मस्तिष्क में प्रत्येक व्यक्ति voxel के स्तर पर निर्धारित किया जाता है (चित्र 1) . इस विधि का मुख्य लाभ उच्च स्थानिक संकल्प है। परंपरागत रूप से, इन विश्लेषणों को एक बड़े पैमाने पर-एकचर दृष्टिकोण में किया गया है, जो कई परीक्षण के लिए सुधार का वारंट करता है और अंतर-स्वर सहसंबंधों के कारण एक स्थानिक पूर्वाग्रह का परिचय देता है जिसे^1,10खाते में नहीं लिया जाता है ^{, 11.}हाल ही में विकसित दृष्टिकोण जो अंतर-स्वरसह सहसंबंधों को ध्यान में रखते हैं (आमतौर पर बहुचर घाव-लक्षण मानचित्रण विधियों के रूप में जाना जाता है, जैसे बेइसियन विश्लेषण¹³, समर्थन वेक्टर प्रतिगमन^{4, 14}, या अन्य मशीन लर्निंग एल्गोरिदम¹⁵) आशाजनक परिणाम दिखाते हैं और पारंपरिक तरीकों की तुलना में voxel-वार LSM विश्लेषण से निष्कर्षों की संवेदनशीलता और विशिष्टता में सुधार करने के लिए दिखाई देते हैं। वोसेल-वार एलएसएम के लिए बहुचर विधियों में और सुधार और सत्यापन एक सतत प्रक्रिया है। विशिष्ट घाव-लक्षण मानचित्रण के लिए सबसे अच्छा तरीका विकल्प कई कारकों पर निर्भर करता है, जिसमें घावों का वितरण, परिणाम चर, और विधियों की अंतर्निहित सांख्यिकीय मान्यताओं शामिल हैं।

ब्याज के क्षेत्र में (आरओआई) आधारित घाव-लक्षण मानचित्रण, एक विशिष्ट मस्तिष्क क्षेत्र और संज्ञानात्मक प्रदर्शन के भीतर घाव बोझ के बीच एक संघ निर्धारित किया जाता है (एक उदाहरण के^लिए Biesbroek एट अल में चित्रा 1 देखें). इस विधि का मुख्य लाभ यह है कि यह एक शारीरिक संरचना के भीतर संचयी घाव बोझ पर विचार करता है, जो कुछ मामलों में एक ही voxel में घाव की तुलना में अधिक जानकारीपूर्ण हो सकता है। दूसरी ओर, ROI-आधारित विश्लेषण पैटर्न है कि केवल^{क्षेत्र 16}में voxels के एक सबसेट में मौजूद हैं का पता लगाने के लिए सीमित शक्ति है. परंपरागत रूप से, ROI-आधारित घाव-लक्षण मैपिंग रसद या रैखिक प्रतिगमन का उपयोग करके किया जाता है। हाल ही में, बहुचर तरीके जो collinearity के साथ बेहतर सौदा शुरू किया गया है (जैसे, Bayesian नेटवर्क विश्लेषण¹⁷, समर्थन वेक्टर प्रतिगमन^4,18, या अन्य मशीन लर्निंग एल्गोरिदम¹⁹), जो हो सकता है घाव-लक्षण मानचित्रण अध्ययन से निष्कर्षों की विशिष्टता में सुधार।

रोगी चयन

LSM अध्ययन में, रोगियों को आम तौर पर एक विशिष्ट घाव प्रकार (उदा., मस्तिष्क infarcts या सफेद पदार्थ hyperintensities) और निदान और neuropsychological मूल्यांकन (उदा., तीव्र बनाम क्रोनिक स्ट्रोक) के बीच समय अंतराल के आधार पर चुना जाता है। इष्टतम अध्ययन डिजाइन अनुसंधान प्रश्न पर निर्भर करता है. उदाहरण के लिए, मानव मस्तिष्क के कार्यात्मक वास्तुकला का अध्ययन करते समय, तीव्र स्ट्रोक रोगियों को आदर्श रूप से शामिल किया जाता है क्योंकि कार्यात्मक पुनर्गठन अभी तक इस चरण में नहीं हुआ है, जबकि पुरानी स्ट्रोक रोगियों को अध्ययन करते समय शामिल किया जाना चाहिए अनुभूति पर स्ट्रोक के दीर्घकालिक प्रभाव. रोगी चयन में विचार और कमियों का विस्तृत विवरण कहीं और⁷प्रदान किया गया है .

घाव-लक्षण मानचित्रण के उद्देश्य के लिए मस्तिष्क छवि पूर्व संसाधन

एक आम मस्तिष्क टेम्पलेट के लिए सटीक घाव विभाजन और पंजीकरण घाव-लक्षण मानचित्रण में महत्वपूर्ण कदम हैं। घावों के मैनुअल विभाजन infarcts⁷सहित कई घाव प्रकार के लिए सोने के मानक बनी हुई है। प्रदान की सीटी स्कैन, प्रसार भारित इमेजिंग (DWI) पर मैनुअल infarct विभाजन के लिए मानदंड पर एक विस्तृत ट्यूटोरियल है, और तरल पदार्थ क्षीण व्युत्क्रम वसूली (FLAIR) एमआरआई दोनों तीव्र और पुरानी चरणों में। खंडित infarcts (यानी, 3 डी द्विआधारी घाव नक्शे) किसी भी पार विषय विश्लेषण किया जाता है से पहले पंजीकृत करने की आवश्यकता है। इस प्रोटोकॉल पंजीकरण विधि RegLSM, जो एक multicenter सेटिंग⁴में विकसित किया गया था का उपयोग करता है. RegLSM विशेष रूप से सीटी स्कैन²¹के पंजीकरण की गुणवत्ता को बढ़ाने के लिए डिज़ाइन किया गया एक अतिरिक्त सीटी प्रसंस्करण कदम के साथ, सीटी और एमआरआई दोनों के लिए elastix²⁰ पर आधारित रैखिक और गैर रेखीय पंजीकरण एल्गोरिदम लागू होता है। इसके अलावा, RegLSM विभिन्न लक्ष्य मस्तिष्क टेम्पलेट्स और एक (वैकल्पिक) मध्यवर्ती पंजीकरण कदमएक आयु-विशिष्ट सीटी / दोनों सीटी और एमआरआई स्कैन और मध्यवर्ती और लक्ष्य मस्तिष्क टेम्पलेट्स के बारे में अपने customizability प्रसंस्करण की संभावना RegLSM LSM के लिए एक अत्यधिक उपयुक्त छवि प्रसंस्करण उपकरण बनाता है. सीटी/एमआरआई स्कैन तैयार करने और विभाजित करने की पूरी प्रक्रिया, मस्तिष्क टेम्पलेट के लिए पंजीकरण, और मैनुअल सुधार (यदि आवश्यक हो) अगले अनुभाग में वर्णित हैं।

चित्र 1: voxel आधारित घाव-लक्षण मानचित्रण की अवधारणा का योजनाबद्ध चित्रण| ऊपरी भाग घाव (इस मामले में एक तीव्र infarct) एक मस्तिष्क टेम्पलेट (इस मामले में MNI-152 टेम्पलेट) के लिए पंजीकरण के बाद से मिलकर मस्तिष्क छवि पूर्व प्रसंस्करण कदम से पता चलता है. नीचे, एक ही रोगी के पंजीकृत द्विआधारी घाव नक्शे का एक हिस्सा एक 3 डी ग्रिड के रूप में दिखाया गया है, जहां प्रत्येक घन एक voxel का प्रतिनिधित्व करता है। 99 अन्य रोगियों के घाव नक्शे के साथ एक साथ लिया, एक घाव ओवरले नक्शा उत्पन्न होता है। प्रत्येक voxel के लिए, एक सांख्यिकीय परीक्षण घाव स्थिति और संज्ञानात्मक प्रदर्शन के बीच संबंध निर्धारित करने के लिए किया जाता है. यहाँ दिखाया गया ची-वर्ग परीक्षण सिर्फ एक उदाहरण है, किसी भी सांख्यिकीय परीक्षण का इस्तेमाल किया जा सकता है। आमतौर पर, voxels के हजारों की सैकड़ों मस्तिष्क भर में परीक्षण कर रहे हैं, कई तुलना के लिए एक सुधार के बाद. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.