Lesion-symptom Mapping (LSM), även kallad lesion-beteende Mapping, är ett viktigt verktyg för att studera den funktionella arkitekturen i den mänskliga hjärnan¹. I lesionsstudier, hjärnans funktion är slutsatsen och lokaliserad genom att studera patienter med förvärvade hjärnskador. Det första fallet studier länka neurologiska symtom till specifika hjärn platser som utförs i 1800-talet redan gett grundläggande insikter i den anatomiska korrelat av språk och flera andra kognitiva processer². Men den neuroanatomiska korrelat av många aspekter av kognition och andra hjärnfunktioner förblev svårfångade. Under de senaste decennierna, förbättrade strukturella hjärnavbildningsmetoder och tekniska framsteg har möjliggjort storskaliga in vivo LSM studier med hög rumslig upplösning (dvs., på nivån för enskilda voxels eller specifika kortikala/subkortikala regioner av intresse)^{1 ,2}. Med dessa metodologiska framsteg har LSM blivit en alltmer populär metod inom kognitiv neurovetenskap och fortsätter att erbjuda nya insikter i kognitions neuroanatomi och neurologiska symtom³. Ett avgörande steg i någon LSM-studie är den exakta segmenteringen av lesioner och registrering till en hjärnmall. Men en omfattande handledning för förbehandling av hjärnavbildning data för LSM saknas.

Förutsatt att här är en komplett handledning för en standardiserad lesion segmentering och registreringsmetod. Denna metod ger forskarna en pipeline för standardiserad hjärn bildbehandling och en översikt över potentiella fallgropar som måste undvikas. Den presenterade bildbehandling pipeline utvecklades genom internationella samarbeten⁴ och är en del av ramen för den nyligen grundade meta VCI Map Consortium, vars syfte är att utföra multicenter lesion-symptom kartläggning studier i vaskulär kognitiv svikt ⁵. Den här metoden har utformats för att bearbeta både CT-och MRI-skanningar från flera leverantörer och heterogena skannings protokoll för att möjliggöra kombinerad bearbetning av avbildningsdata uppsättningar från olika källor. Den nödvändiga RegLSM programvara och all annan programvara som behövs för detta protokoll är fritt tillgänglig förutom MATLAB, som kräver en licens. Denna handledning fokuserar på segmentering och registrering av hjärn infarkter, men denna bildbehandling pipeline kan också användas för andra lesioner, såsom vit materia hyperintensities⁶.

Innan en LSM-studie inleds krävs en grundläggande förståelse för de allmänna begreppen och fallgroparna. Flera detaljerade riktlinjer och en Hitchhiker guide finns^1,3,6. Emellertid, dessa recensioner ger inte en detaljerad praktisk handledning för de praktiska steg som deltar i att samla in och konvertera hjärnskanningar till ett korrekt format, segmentera hjärnan infarct, och registrera skanningar till en hjärna mall. Denna uppsats ger en sådan tutorial. Allmänna begrepp av LSM ges i inledningen med hänvisar till för mer ytterligare läsning på betvinga.

Allmänt syfte med lesion-symptom kartläggnings studier

Från perspektivet av kognitiv neuropsykologi, hjärnskada kan användas som en modell villkor för att bättre förstå neuronala underbyggnad av vissa kognitiva processer och för att få en mer komplett bild av den kognitiva arkitekturen i hjärnan¹ . Detta är ett klassiskt förhållningssätt i neuropsykologi som först tillämpades i post-mortem studier i 1800-talet av pionjärer som Broca och Wernicke². I en tid präglad av funktionell hjärnavbildning har lesion-metoden varit ett viktigt verktyg inom neurovetenskap eftersom det ger bevis på att lesioner i en specifik hjärnregion stör uppgifts prestandan, medan funktionella avbildnings studier visar hjärnregioner som är aktiveras under aktivitetens prestanda. Dessa metoder ger kompletterande information¹.

Ur klinisk neurologi kan LSM-studier klargöra sambandet mellan lesionsplatsen och kognitiv funktion hos patienter med akuta symtomatiska infarkter, hyperintensiteter med vit materia, lacunes eller andra lesionstyper (t. ex. tumörer ). Nyligen genomförda studier har visat att sådana lesioner i strategiska hjärnregioner är mer relevanta för att förklara kognitiva prestanda än global lesion börda^2,5,7,8. Detta tillvägagångssätt har potential att förbättra förståelsen för patofysiologin av komplexa sjukdomar (i detta exempel, vaskulär kognitiv svikt) och kan ge möjligheter att utveckla nya diagnostiska och prognostiska verktyg eller stödja behandling strategier².

LSM har också applikationer bortom kognitions området. I själva verket, någon variabel kan relateras till lesion plats, inklusive kliniska symtom, biomarkörer, och funktionella resultat. Till exempel, en nyligen studie fastställt-infarct platser som var prediktiva för funktionella resultat efter ischemisk stroke¹⁰.

Voxel-baserat kontra område av intressera-baserat lesion-symptom kartläggning

Att utföra lesion-symptom kartläggning, lesioner måste segmenteras och registreras till en hjärnmall. Under registreringsförfarandet, varje patientens hjärna är rumsligt inriktade (dvs normaliserade eller registrerade till en gemensam mall) för att korrigera för skillnader i hjärnans storlek, form, och orientering så att varje Voxel i lesion kartan representerar samma anatomiska struktur för alla patienter⁷. I standard utrymme kan flera typer av analyser utföras, som kortfattat sammanfattas här.

En rå lesion-subtraktion analys kan utföras för att visa skillnaden i lesion fördelning hos patienter med underskott jämfört med patienter utan underskott. Den resulterande subtraktion kartan visar regioner som oftare skadas hos patienter med underskott och skonas hos patienter utan underskott¹. Även om en lesion-subtraktion analys kan ge några insikter i korrelat av en viss funktion, det ger inga statistiska bevis och används nu mest när urvalet storleken är för låg för att ge tillräckligt statistisk effekt för Voxel-baserade lesion-symptom Mappning.

I Voxel-baserade lesion-symptom kartläggning, en association mellan närvaron av en lesion och kognitiva prestanda bestäms på nivån för varje enskild Voxel i hjärnan (figur 1). Den största fördelen med denna metod är den höga rumsliga upplösningen. Traditionellt har dessa analyser utförts i en massa-univariat metod, som motiverar korrigering för flera tester och introducerar en rumslig bias orsakad av Inter-Voxel korrelationer som inte beaktas^{1,10 , 11}. nyligen utvecklade metoder som tar Inter-Voxel korrelationer beaktas (vanligtvis kallas multivariat lesion-symptom kartläggnings metoder, såsom Bayesian analys¹³, stöd Vector regression^{4, 14}, eller andra maskininlärningsalgoritmer¹⁵) visar lovande resultat och verkar för att förbättra känsligheten och specificiteten av resultaten från Voxel-Wise lsm analyser jämfört med traditionella metoder. Ytterligare förbättring och validering av multivariat metoder för Voxel-Wise LSM är en pågående process. Den bästa metoden val för specifika lesion-symptom kartläggning beror på många faktorer, inklusive fördelningen av lesioner, utfall variabel, och underliggande statistiska antaganden av metoderna.

I den intresse region (ROI)-baserade lesion-symptom mappning, en association mellan lesion bördan inom en viss hjärnregion och kognitiva prestanda bestäms (se figur 1 i BIESBROEK et al.² för en illustration). Den största fördelen med denna metod är att den anser den kumulativa lesion bördan inom en anatomisk struktur, som i vissa fall kan vara mer informativ än en lesion i en enda Voxel. Å andra sidan har ROI-baserade analyser begränsad effekt för att upptäcka mönster som endast finns i en delmängd av voxels i regionen¹⁶. Traditionellt, ROI-baserade lesion-symptom mappning utförs med hjälp av Logistic eller linjär regression. Nyligen, multivariat metoder som handlar bättre med Kolinjäritet har införts (t. ex. Bayesian nätverksanalys¹⁷, stöd Vector regression^4,18, eller andra maskininlärningsalgoritmer¹⁹), som kan förbättra specificiteten av fynd från lesion-symtom kartläggning studier.

Val av patient

I LSM-studier väljs patienter vanligen utifrån en specifik lesionstyp (t. ex. hjärn infarkter eller hyperintensiteter med vit materia) och tidsintervallet mellan diagnos och neuropsykologisk bedömning (t. ex. akut kontra kronisk stroke). Den optimala studiedesignen beror på forskningsfrågan. Till exempel, när man studerar den funktionella arkitekturen i den mänskliga hjärnan, akut stroke patienter är idealiskt ingår eftersom funktionell omorganisation har ännu inte inträffat i detta skede, medan kronisk stroke patienter bör inkluderas när man studerar långsiktiga effekter av stroke på kognition. En detaljerad beskrivning av överväganden och fallgropar i valet av patient finns på andra ställen⁷.

Hjärnavbildning förbehandling för lesion-symptom mappning

Noggrann lesion segmentering och registrering till en gemensam hjärnmall är avgörande steg i lesion-symptom kartläggning. Manuell segmentering av lesioner är fortfarande den gyllene standarden för många lesion typer, inklusive infarcts⁷. Förutsatt är en detaljerad handledning om kriterier för manuell-infarct segmentering på datortomografi, diffusion vägd Imaging (DWI), och Fluid-försvagade inversion återhämtning (FLAIR) MRI sekvenser i både akuta och kroniska stadier. De segmenterade infarkterna (dvs. 3D-binära lesion kartor) måste registreras innan någon över-ämne analyser utförs. Detta protokoll använder registreringsmetoden RegLSM, som utvecklades i en multicenterinställning⁴. RegLSM tillämpar linjära och icke-linjära registreringsalgoritmer baserade på Elastix²⁰ för både CT och MRI, med ytterligare ett CT-bearbetningsteg speciellt utformat för att förbättra registrerings kvaliteten för datortomografi²¹. Dessutom tillåter RegLSM att använda olika målhjärnmallar och ett (frivilligt) mellanliggande registrerings steg till en Åldersspecifik CT/MRI-mall²². Möjligheten att behandla både CT och MRI-skanningar och dess customizability om mellanliggande och mål hjärnan mallar gör RegLSM en mycket lämplig bildbehandling verktyg för LSM. Hela processen med att förbereda och segmentera CT/MRI-skanningar, registrering till en hjärnmall och manuella korrigeringar (vid behov) beskrivs i nästa avsnitt.

Figur 1: Schematisk illustration av begreppet Voxel-baserad lesion-symptom mappning. Den övre delen visar hjärnan bild Pre-processing steg som består av segmentera lesionen (en akut-infarct i detta fall) följt av registrering till en hjärna mall (den MNI-152 mall i detta fall). Nedan visas en del av den registrerade binära lesionkartan för samma patient som ett 3D-rutnät, där varje kub representerar en Voxel. Tillsammans med lesion kartor över 99 andra patienter, en lesion overlay karta genereras. För varje Voxel utförs ett statistiskt test för att fastställa sambandet mellan lesionsstatus och kognitiva prestanda. Chi-kvadraten testet visas här är bara ett exempel, kan alla statistiska test användas. Typiskt, hundratusentals voxels testas i hela hjärnan, följt av en korrigering för flera jämförelser. Vänligen klicka här för att se en större version av denna siffra.