病変症状マッピング(LSM)は、病変行動マッピングとも呼ばれ、ヒト^脳1の機能アーキテクチャを研究するための重要なツールである。病変研究では、後天性脳病変を有する患者を研究することによって脳機能が推測され、局在化する。19世紀に行われた特定の脳の位置に神経学的症状をリンクする最初のケーススタディは、すでに言語といくつかの他の認知プロセスの解剖学的相関に関する基本的な洞察を提供しました^2.しかし、認知および他の脳機能の多くの側面の神経解剖学的相関は、依然として解明されていない。過去数十年にわたり、構造脳イメージング法の改善と技術の進歩により、高い空間分解能を持つ生体内LSM研究(すなわち、個々のボクセルまたは特定の皮質/皮質下領域のレベル)で大規模な研究が可能^{になりました1 、2}.これらの方法論的進歩により、LSMは認知神経科学においてますます一般的な方法となり、認知および神経学的^症状3の神経解剖学に関する新しい洞察を提供し続けている。LSM研究の重要なステップは、病変の正確なセグメンテーションと脳テンプレートへの登録です。しかし、LSMを目的とした脳イメージングデータの前処理のための包括的なチュートリアルが欠けている。

ここでは、標準化された病変セグメンテーションおよび登録方法の完全なチュートリアルを提供します。この方法は、標準化された脳画像処理のためのパイプラインと避けなければならない潜在的な落とし穴の概要を研究者に提供します。提示された画像処理パイプラインは、国際的な^{コラボレーション4}を通じて開発され、最近設立されたMeta VCIマップコンソーシアムのフレームワークの一部であり、その目的は、マルチセンター病変症状マッピング研究を行っています。血管認知障害 ⁵.この方法は、複数のベンダーからのCTスキャンとMRIスキャンの両方を処理し、異種のソースからのイメージングデータセットを組み合わせた処理を可能にするように設計されています。必要な RegLSM ソフトウェアと、このプロトコルに必要なその他すべてのソフトウェアは、ライセンスが必要な MATLAB を除き、自由に利用できます。このチュートリアルでは、脳梗塞のセグメンテーションと登録に焦点を当てていますが、この画像処理パイプラインは、白色物質の^高血圧6などの他の病変にも使用できます。

LSM スタディを始める前に、一般的な概念と落とし穴の基本的な理解が必要です。いくつかの詳細なガイドラインとヒッチハイカーのガイドは、1、3、6を利用可能です。しかし、これらのレビューは、脳スキャンを収集し、適切な形式に変換し、脳梗塞をセグメント化し、脳テンプレートにスキャンを登録することに関連する実用的な手順のための詳細な実践的なチュートリアルを提供していません。本稿では、このようなチュートリアルを提供する。LSM の一般的な概念は、主題に関するさらなる読み取りのための参考文献を紹介する。

病変症状マッピング研究の一般的な目的

認知神経心理学の観点から、脳損傷は、特定の認知過程の神経基盤をよりよく理解し、脳の認知アーキテクチャのより完全な全体像を得るためのモデル条件として使用^{することができる1}.これは、ブロカやヴェルニッ^ケ2のような開拓者によって19世紀の死後研究で最初に適用された神経心理学の古典的なアプローチです。機能的脳イメージングの時代には、病変アプローチは、特定の脳領域の病変がタスクのパフォーマンスを破壊するという証拠を提供し、機能的イメージング研究は脳領域を示すので、神経科学において重要なツールであり続けています。タスクのパフォーマンス中にアクティブ化されます。したがって、これらのアプローチは補完的な情報¹を提供します。

臨床神経学の観点から、LSM研究は、急性症状梗塞、白色物質高血圧、ラクネ、または他の病変タイプ(例えば、腫瘍)を有する患者における病変位置と認知機能との関係を明らかにすることができる。).最近の研究は、戦略的脳領域におけるこのような病変が、世界的な病変^{負担2、5、7、8}よりも認知能力を説明する上でより関連していることを示している。このアプローチは、複雑な障害(この例では血管認知障害)の病態生理学の理解を向上させる可能性があり、新しい診断および予後ツールを開発したり、治療をサポートしたりする機会を提供する可能性があります。戦略².

LSMはまた、認知の分野を超えたアプリケーションを持っています。実際には、任意の変数は、臨床症状、バイオマーカー、および機能的な結果を含む病変位置に関連することができます。例えば、最近の研究では、虚血性^脳卒中10後の機能的結果を予測した梗塞場所を決定した。

ボクセルベースとインタレストベース病変症状マッピングの領域

病変症状マッピングを実行するには、病変をセグメント化し、脳テンプレートに登録する必要があります。登録手順の間、各患者の脳は空間的に整列され(つまり、正規化または共通のテンプレートに登録される)、病変マップ内の各ボクセルが同じ解剖学的に表するように、脳の大きさ、形状、方向の違いを修正します。すべての患者のための構造⁷.標準空間では、いくつかのタイプの解析を実行できます。

粗病変減算分析は、赤字のない患者と比較して、赤字患者における病変分布の差を示すために行うことができる。結果として得られた減算マップは、赤字の患者でより頻繁に損傷を受け、赤字なしの患者で免除される領域を示しています^1.病変減算分析は、特定の関数の相関関係に関するいくつかの洞察を提供することができますが、統計的証拠を提供しないし、サンプルサイズが低すぎる場合に主に使用され、ボクセルベースの病変症状に十分な統計的パワーを提供するマッピング。

ボクセルベースの病変症状マッピングにおいて、病変の存在と認知能力との関連は、脳内の個々のボクセルのレベルで決定される(図1)。この方法の主な利点は、高い空間分解能です。従来、これらの分析は、複数のテストの修正を保証し、考慮されていないボクセル間相関によって引き起こされる空間バイアスを導入する質量ユニバタリテアプローチで行われてきました^1,10,11.最近開発されたアプローチは、ボクセル間相関を考慮に入れる(通常、ベイジアン^分析13、支持ベクター回^{帰4などの多変量病変症状マッピング法と呼ばれる)14、}または他の機械学習^{アルゴリズム15)}は、有望な結果を示し、従来の方法と比較してボクセルワイズLSM分析からの所見の感度および特異性を改善するように見える。ボクセルワイズLSMの多変量法のさらなる改善と検証は、進行中のプロセスです。特定の病変症状マッピングの最良の方法選択は、病変の分布、結果変数、およびメソッドの基礎となる統計的仮定を含む多くの要因に依存します。

対象領域(ROI)ベースの病変症状マッピングでは、特定の脳領域内の病変負担と認知能力との関連が決定される(図1の^図2を参照)。この方法の主な利点は、解剖学的構造内の累積病変負担を考慮することです。一方、ROIベースの解析は、^領域16のボクセルのサブセットにのみ存在するパターンを検出するための限られた電力を有する。従来、ROIベースの病変症状マッピングは、ロジスティックまたは線形回帰を使用して実行されます。近年、共線性をより良く扱う多変量法(例えば、ベイズネットワーク^解析17、支持ベクトル回帰4、18、または他の機械学習^{アルゴリズム19)}が導入されている。病変症状マッピング研究からの所見の特異性を改善する。

患者の選択

LSM研究では、患者は通常、特定の病変タイプ(例えば、脳梗塞または白色物質高血圧)および診断と神経心理学的評価(例えば、急性脳卒中対慢性脳卒中)の間の時間間隔に基づいて選択される。最適な研究設計は、研究の質問に依存します。例えば、ヒト脳の機能的アーキテクチャを研究する場合、急性脳卒中患者は、この段階でまだ機能的再編成が行われていないため、慢性脳卒中患者は研究時に含まれるべきである。認知に対する脳卒中の長期的な影響。患者選択における考慮事項と落とし穴の詳細な説明は、他の場所で提供^{されています 7}.

病変症状マッピングを目的とした脳画像前処理

一般的な脳テンプレートへの正確な病変セグメンテーションと登録は、病変症状マッピングの重要なステップです。病変の手動セグメンテーションは、梗^塞7を含む多くの病変タイプのゴールドスタンダードのままである。CTスキャン、拡散加重イメージング(DWI)、および急性および慢性段階の両方における流体減衰反転回収(FLAIR)MRI配列の手動梗塞セグメンテーションの基準に関する詳細なチュートリアルです。セグメント化された梗塞(すなわち、3Dバイナリ病変マップ)は、被験者間分析を実行する前に登録する必要があります。このプロトコルは、マルチセンター設定⁴で開発された登録方法 RegLSM を使用します。RegLSMはCTおよびMRIの両方にelastix²⁰に基づく線形および非線形登録アルゴリズムを適用し、CT^{スキャン21}の登録品質を高めるために特別に設計された付加的なCT処理ステップと。さらに、RegLSMは、異なるターゲット脳テンプレートと(オプション)中間登録ステップを年齢固有のCT/MRI^{テンプレート22}に使用することを可能にする。CTスキャンとMRIスキャンの両方を処理する可能性と中間およびターゲット脳テンプレートに関するカスタマイズ性により、RegLSMはLSMに非常に適した画像処理ツールになります。CT/MRIスキャンの準備とセグメント化、脳テンプレートへの登録、および手動修正(必要な場合)のプロセス全体について、次のセクションで説明します。

図 1: ボクセルベースの病変症状マッピングの概念の概略図。上部は、病変(この場合は急性梗塞)をセグメント化し、その後に脳テンプレート(この場合はMNI-152テンプレート)に登録して構成される脳画像前処理ステップを示す。以下に、同じ患者の登録されたバイナリ病変マップの一部が3Dグリッドとして示され、各立方体はボクセルを表す。他の99人の患者の病変マップと一緒に、病変オーバーレイマップが生成される。各ボクセルについて、病変状態と認知能力との関連を決定するために統計的検定が行われる。ここに示すカイ二乗検定は一例に過ぎず、統計検定を使用することができます。通常、数十万のボクセルが脳全体でテストされ、その後、複数の比較のための補正が行われます。この図のより大きなバージョンを表示するには、ここをクリックしてください。