Co-Analyse von Hirnstruktur und-funktion mittels fMRT und Diffusionsgewichtete Imaging

Das übergeordnete Ziel des folgenden Experiments besteht darin, Gehirnstruktur und -funktion simultan mittels Magnetresonanztomographie zu analysieren. Dies wird durch Hochfeld-MRT erreicht, um die Struktur der weißen Substanz des Gehirns mit der Diffusions-Spektrum-Bildgebung oder DSI abzubilden und die Gehirnfunktion mit der BOLD-fMRT zu messen. Die DSI-Daten werden anschließend verarbeitet, um an jedem Punkt des Gehirns mehrachsige Diffusionsabschätzungen zu erzeugen.

Zusätzlich werden die FMRT-Daten analysiert, um Interessenregionen zur Erzeugung oder Auswahl virtueller weißer Fasern zu erhalten. Anschließend werden die Interessenregionen mit den DSI-Daten ausgerichtet, sodass funktionelle und strukturelle Daten im selben Bildraum vorliegen. Schließlich wird eine Traktographie an den Diffusionsdaten durchgeführt, um die weißen Faserverbindungen zwischen funktionell relevanten Regionen zu rekonstruieren. Die erhaltenen Ergebnisse zeigen das Ausmaß der anatomischen Vernetzung zwischen Hirnarealen, von denen angenommen wird, dass sie funktionell miteinander verbunden sind.

Auf der Grundlage von fMRT-Aufgabendaten. Neuere übereinstimmende Befunde deuten darauf hin, dass komplexe kognitive Operationen von Netzwerken vieler Gehirnregionen durchgeführt werden, die im Verbund arbeiten, anstatt von einem einzelnen, einheitlichen Areal. Um diese rechnerischen Systeme vollständig zu charakterisieren, ist es notwendig, das Verhältnis zwischen ihren funktionellen und strukturellen Eigenschaften durch Kombination der funktionellen MRT zu verstehen.

Mithilfe der diffusionsgewichteten MRT kann man die Netzwerkkonnektivität untersuchen und verstehen, wie diese zu komplexem menschlichem Verhalten führt. Der Hauptvorteil dieser Diffusions-MRT-Pipeline gegenüber Standardverfahren wie der Diffusionstensor-Bildgebung besteht darin, dass die Kombination aus diffusionsgewichteter Bildgebung mit hoher Winkelauflösung und modellfreier Rekonstruktion es uns ermöglicht, komplexe Faserkonfigurationen im Gehirn besser aufzulösen. Die Anwendungsmöglichkeiten dieser Technik erstrecken sich auf die Charakterisierung neuropsychologischer Erkrankungen.

Zum Beispiel die angeborene Prosopagnosie, bei der Betroffene eine Beeinträchtigung der Gesichtserkennung aufweisen. Mithilfe konventioneller Diffusions-MRT wurde gezeigt, dass die weißen Faserbahnen in der Nähe von Gehirnarealen, die an der Gesichtsverarbeitung beteiligt sind, im Vergleich zu gesunden Kontrollpersonen geschädigt sind. Durch die Kombination von struktureller und funktioneller MRT lassen sich strukturelle Defizite in den Fasern identifizieren, die spezifisch Knoten im Netzwerk der Gesichtsverarbeitung verbinden.

Diese Methode kann auch im klinischen Kontext, beispielsweise bei der neurochirurgischen Planung, angewendet werden. Chirurgen nutzen die funktionelle Abbildung, um graue Substanzgewebe zu identifizieren, das mit wichtigen kognitiven Funktionen assoziiert ist, um so jegliche zufällige Schädigungen während des Eingriffs zu minimieren. Mithilfe zusätzlicher struktureller Informationen, wie der diffusionsgewichteten Bildgebung, können sie zudem Schädigungen kritischer weißer Substanzstrukturen, die diese funktionellen Bereiche verbinden, minimieren.

Im Allgemeinen haben Personen, die neu in dieser Methode sind, Schwierigkeiten damit, dass kein einzelnes Softwarepaket alle notwendigen Schritte des Verfahrens durchführen kann. Daher müssen Anwender zwischen mehreren Programmen wechseln, wobei sie ein einheitliches Bildformat sowie eine konsistente Ausrichtung und Positionierung beibehalten müssen. Unser Protokoll enthält detaillierte Anweisungen, um Anwender durch dieses Verfahren zu führen.

Analysen dieses Typs, die Struktur und Funktion in Kombination berücksichtigen, sind eine logische Weiterentwicklung funktioneller Bildgebungsexperimente, die aktivierte Hirnareale identifiziert haben. Bei den untersuchten Aufgaben konnten die meisten bisherigen Ansätze keine Informationen über die strukturelle Konnektivität liefern, und genau dies fügen wir in unserem hier beschriebenen Ansatz hinzu. In diesem Protokoll wird ein Siemens-Dreifach-Tesla-Scanner verwendet, um eine Diffusions-Spektrum-Bildgebung (DSI) mit 257 Richtungen mittels einer 32-Kanal-Phased-Array-Kopfspule aufzunehmen. Die hohe Feldstärke und die 32-Kanal-Spule sind erforderlich, um das für diese hochwinklige Auflösung notwendige Signal zu erzielen.

Die am häufigsten verwendete Methode der diffusionsgewichteten Bildgebung ist die Diffusions-Tensor-Bildgebung oder DTI, bei der typischerweise eine fünf- bis zehnminütige Aufnahme durchgeführt wird, die gewöhnlich 64 oder weniger Richtungen erfasst. Eine Einschränkung der DTI ist ihre Schwierigkeit, sich kreuzende und berührende Fasern aufzulösen, die besser mit einer Kombination aus hochauflösender Datenaufnahme und Rekonstruktionsmethoden wie DSI detektiert werden können. Ich weise darauf hin, dass das DSI-Protokoll etwa 45 bis 50 Minuten Bildgebung erfordert und dass eine Bewegungskorrektur bei DSI-Daten nicht angewendet werden kann. Daher ist es ratsam, Bewegungen durch den Einsatz von Beißstangen, Schaumstoffpolstern oder anderen Stabilisierungstechniken zu minimieren und hochtrainierte Probanden zu verwenden. Für aufgabenbasierte fMRT sind zusätzliche Geräte erforderlich, beispielsweise ein MR-kompatibles Display und ein Knopfreaktionssystem.

Bevor Sie scannen, holen Sie eine informierte Einwilligung ein und prüfen Sie auf MR-Kontraindikationen. Informieren Sie den Teilnehmer anschließend über die Art der durchzuführenden Scans und betonen Sie die Notwendigkeit, während des DSI-Scans stillzuliegen. Sobald der Teilnehmer bereit ist, stabilisieren Sie bequem dessen Kopf, schieben das Bett in den Scanner, führen initialen Scout-Scans und die Kalibrierung durch.

Dann richten Sie die Schichten für die DSI-Aufnahme an den vorderen und hinteren Commissuren aus und stellen Sie sicher, dass die Schichten für die DSI-Aufnahme das gesamte Gehirn erfassen. Führen Sie die DSI-Aufnahme durch, während die Versuchsperson im Scanner entspannt oder einen Film im Darbietungssystem ansieht. Nach der DSI-Aufnahme erfassen Sie eine T1-gewichtete anatomische Aufnahme zur späteren Verwendung bei der Koregistrierung der DSI-Daten mit anderen anatomischen oder funktionellen Daten in derselben oder einer separaten Sitzung.

Erheben Sie außerdem aufgabenbasierte FMRI-Daten zur funktionellen Abbildung von Verhaltensaufgaben. Weisen Sie die Probanden an, den Bildschirm auf aufgabenrelevante Reize zu überwachen und wie erforderlich zu reagieren. Falls die FMRI an einem separaten Tag durchgeführt wird, erstellen Sie eine weitere T1-gewichtete anatomische Aufnahme.

Dieser Verarbeitungsansatz nutzt eine oberflächenbasierte Analyse von FMRI-Daten, um ROIs für die Traktographie zu generieren, und ermöglicht eine verbesserte Visualisierung der Übereinstimmungen zwischen Traktographie-Endpunkten und funktionellen ROIs. Um mit der Verarbeitung zu beginnen, übermitteln Sie zunächst das erfasste T1-gewichtete Bild dem automatisierten Algorithmus von FreeSurfer, der eine anatomische Segmentierung von grauer und weißer Substanz sowie eine Rekonstruktion der kortikalen Oberfläche durchführt. Die Ausgabe beinhaltet außerdem eine verarbeitete Version des anatomischen Volumens, aus dem die Oberflächen erstellt wurden, die als Oberflächen-Volumen bezeichnet wird.

Als Nächstes werden die fMRT-Daten in einer acne vorverarbeitet. Anschließend importieren Sie die FreeSurfer-Ergebnisse in die summa a acne-Software und projizieren die vorverarbeiteten funktionellen Daten auf die resultierenden Oberflächen. Analysieren Sie die fMRT-Daten, um statistische Karten zu erstellen, aus denen funktionell definierte ROI für die T-Traktographie abgeleitet werden können.

Erweitern Sie anschließend diese oberflächenbasierten funktionellen ROIs durch Dilatation in die weiße Substanz hinein, um während der Traktographie den Kontakt mit den Streamlines zu maximieren. Transformieren Sie schließlich die dilatierten ROIs von Oberflächen- in Volumenkoordinaten und geben Sie sie als NIfTI-Dateien aus, um die Diffusionsdaten zu verarbeiten. Identifizieren Sie zuerst, welche DICOM-Bilder im Datensatz andere B-null- oder Basislinienbilder sind, und konvertieren Sie diese in das NIfTI-Format.

Öffnen Sie als Nächstes im DSI Studio die DSI-DICOM-Bilddaten und kombinieren Sie diese, um eine Quelldatei zu erstellen, und geben Sie eine Gradiententabelle an. Wenden Sie anschließend die standardmäßige Rekonstruktionsmaske auf das Basislinienbild an und stellen Sie sicher, dass sie sämtliche graue Substanz erfasst, ohne leeren Raum, Schädel oder nicht zum Gehirn gehörendes Gewebe einzubeziehen. Passen Sie die Maske gegebenenfalls an.

Wählen Sie hier ein Hochauflösungs-Rekonstruktionsmodell unter Verwendung von A-D-S-I-G-Q-I oder GQI-Varianz aus. Die GQI-Option wird verwendet. Erstellen Sie anschließend eine Faserinformationsdatei, um die Hauptdiffusionsrichtungen in jeder Wühlmaus darzustellen.

Als Nächstes müssen funktionelle ROIs in den DSI-Raum transformiert werden. Verwenden Sie apni, um das DSIB-Null-Bild mit dem anatomischen Oberflächen-Volumen im Nifty-Format auszurichten. Invertieren Sie die resultierende 12-Punkt-ALINE-Transformationsmatrix mithilfe des a acne-Programms cat mat.

Wenden Sie dann die invertierte Matrix auf funktionale ROI an, um sie in den DSI-Raum zu transformieren. Die Faserverfolgung mit einer Ganzhirn-Seed-Region ist eine schnelle und effektive Methode, um die Gesamtqualität der Daten zu beurteilen. Außerdem bietet sie die Möglichkeit, Werte für globale Parameter wie die Verfolgungsschwelle zu bestimmen, um zunächst eine Ganzhirn-Seed-Region zu erstellen.

Danach einen initialen Schwellenwert für die Verfolgung festlegen, um Voxel mit niedrigem Signal auszublenden, sowie den Winkelschwellenwert. Außerdem die Schrittweite der Verfolgung in Millimetern und die gewünschte Anzahl an Fasern oder Startpunkten festlegen. Führen Sie nun eine Traktographie des gesamten Gehirns durch, um die Gesamtqualität der ODF-Rekonstruktion zu überprüfen.

Als Nächstes ermitteln Sie iterativ einen optimalen Verfolgungsschwellenwert, indem Sie die gesamte Gehirnverfolgung durchführen und den Verfolgungsschwellenwert anpassen. Finden Sie einen Schwellenwert, der den Anteil der Fasern, die die graue Substanz erreichen, maximiert, indem Sie die Überlappung der Traktographie des gesamten Gehirns und einer Maske der grauen Substanz in „track“ visualisieren; störende Fasern werden minimiert, wenn 90 bis 100 % der Fasern die graue Substanz erreichen. Überprüfen Sie außerdem, ob der Verfolgungsschwellenwert Voxel und Leerraum ausschließt. Überprüfen Sie beispielsweise die Längsspalte, ohne Voxel zu entfernen, die eindeutig in der weißen Substanz liegen. Verfolgen Sie als Kontrolle einen Satz von Kontrollfasern aus einer anatomischen ROI am okzipitalen Pol mit einer großen Anzahl von Startpunkten, beispielsweise 500.000.

Überprüfen Sie, ob dieses Verfahren nun, da die optimalen Traktographie-Parameter ausgewählt wurden, in etwa die gleiche Anzahl an Fasern über verschiedene Datensätze hinweg erzeugt. Führen Sie anschließend eine ROI-begrenzte T-Traktographie durch, um Hypothesen bezüglich der Konnektivität zwischen funktional definierten Hirnregionen zu testen. Beginnen Sie damit, die Fib-Datei zu laden, und erstellen Sie eine gesamte Hirn-Seed-Region in DSI Studio. Laden Sie danach eine oder mehrere funktional definierte Region of Interest (ROI) im NIfTI-Format und legen Sie diese als ROIs in den DSI-Studio-Region-Settern fest.

Die ROIs erfordern, dass Streamlines sie durchlaufen; setzen Sie die Verfolgungs- und Winkelgrenze unter Verwendung zuvor optimierter Parameter und führen Sie die Verfolgung durch. Speichern Sie die Traktographie-Ergebnisse abschließend als TRK-Dateien. Führen Sie danach eine Analyse der Endpunktdichte durch, die strukturelle Konnektivitätsübereinstimmungen mit den präzisen räumlichen Positionen der aufgabenbezogenen funktionellen Aktivierung messen kann.

Laden Sie zunächst die Nifty-ROI- und TRK-Dateien in die Track-FZ-Software, führen Sie Boolesche Operationen zwischen den Regionen durch und speichern Sie das Ergebnis jeder Operation als neue TRK-Datei. Nutzen Sie die Funktionen des Diffusion-Toolkits, um TRK-Dateien räumlich aus dem DSI-Raum in den Oberflächenvolumen-Raum zu transformieren, um Faserdaten über einer hochauflösenden anatomischen Unterlage anzeigen zu können. Laden Sie die transformierte TRK-Datei und das Oberflächenvolumen in TrackVis, um die Ergebnisse als ein Maß der Konnektivität zu überprüfen. Berechnen Sie die Gesamtanzahl der Faserendpunkte in einer ROI, normiert auf das ROI-Volumen.

Hier sehen wir eine Darstellung optimaler und suboptimaler Ergebnisse unter Verwendung der Traktographie des gesamten Gehirns. Alle drei Bilder basieren auf dem gleichen DWI-Datensatz mit 257 Richtungen von einem einzelnen Teilnehmer. Optimale Ergebnisse werden hier gezeigt.

Im Gegensatz dazu zeigen die hier dargestellten Ergebnisse die Auswirkungen übermäßig grober Traktographieparameter. Hier sehen wir die Qualitätsminderung, die sich aus der Verwendung eines einzelnen Tensormodells zur Rekonstruktion der DWI-Daten ergibt. In dieser Abbildung sehen wir ein Beispiel für aktivierte Regionen während einer Gesichtswahrnehmungsaufgabe, bei der Bilder von Gesichtern und alltäglichen Gegenständen betrachtet wurden.

Während der fMRT-Untersuchung zeigten zwei ventrale temporale Regionen in der Mitte, der Gyrus fusiformis und der Gyrus occipitalis inferior, signifikant stärkere BOLD-Antworten auf Gesichter im Vergleich zu Objekten. Die hier dargestellte Szene zeigt die Verbindungen zwischen dem visuellen Kortex, sensorischen Regionen und einer Region der Aufmerksamkeitssteuerung im hinteren Parietalkortex. Dieses Panel zeigt die ungefähren Lokalisationen der Saatgutregionen V1, V2 und V3 in Rot, Grün bzw. Blau.

Die PPC-Samenregion, bezeichnet als IPS eins, und die Faserbahnen, die diese Regionen verbinden, sind entsprechend der okzipitalen ROI eingefärbt, von der sie ausgehen. Teil B zeigt die funktionell definierten Regionen im IPS in Braun, V eins in Rot, V zwei in Grün und V drei in Blau auf der kortikalen Oberfläche sowie die Faserendpunkte in jeder Region. Nach Beherrschung des Verfahrens kann die Datenerfassung für einen einzelnen Teilnehmer innerhalb von 30 bis 90 Minuten abgeschlossen werden.

Die automatisierte anatomische Oberflächenrekonstruktion dauert typischerweise 16 Stunden, während diffusionsgewichtete Daten in weniger als einer Stunde verarbeitet werden können. Die Zeit zur Verarbeitung und Analyse von FMRI-Daten variiert je nach Verhaltensaufgabe und den experimentellen Verfahren. Auch die zeitlichen Anforderungen für die Traktographie reichen von Minuten bis hin zu Stunden, abhängig von den Verfolgungsparametern und den Beschränkungen des interessierenden Bereichs.

Bei der Durchführung dieses Verfahrens ist es wichtig zu beachten, dass die Ergebnisse der Traktographie sowohl anfällig für falsch-positive als auch für falsch-negative Befunde sein können. Bewerten Sie Ihre Fasertracking-Ergebnisse immer im Kontext vorheriger neuroanatomischer Befunde oder verwenden Sie zusätzliche Methoden wie die Analyse der funktionellen Konnektivität nach diesem Verfahren. Weitere Methoden wie die Musterklassifizierung anhand der Faserpositionen, eine detaillierte räumliche Analyse der Endpunktverteilungen sowie die longitudinale Untersuchung der Integrität der weißen Substanz können durchgeführt werden, um den Zusammenhang mit der Hirnstruktur und -funktion weiter zu untersuchen.

Diese Technik hat es Forschern auf dem Gebiet der kognitiven Neurowissenschaft ermöglicht, Struktur-Funktions-Beziehungen bei gesunden Menschen und klinischen Populationen nichtinvasiv zu untersuchen. Die strukturelle Konnektivität zwischen Hirnregionen kann dazu dienen, Hypothesen über den Informationsfluss in neuronalen Netzwerken, die komplexe menschliche Verhaltensweisen steuern, einzugrenzen. Nach dem Anschauen dieses Videos sollten Sie die wichtigsten Schritte bei der Rekonstruktion von diffusionsgewichteten Bilddaten und der Durchführung der Fasertraktographie verstehen.

Sie sollten außerdem die Bedeutung von Qualitätskontrollen und iterativen Parametertests zur Optimierung Ihrer Fasertracking-Ergebnisse verstehen. Schließlich sollten Sie nach dem Anschauen dieses Videos ein besseres Verständnis dafür haben, wie anatomische Konnektivität mit funktionellen Eigenschaften von Hirnnetzwerken in Beziehung gesetzt werden kann.