Facilitating brain network modelling for pathological patient populations

Abstract

Introduction: Neuroimaging, especially noninvasive magnetic resonance imaging (MRI), has become the benchmark for differential diagnosis of acute ischemic stroke, has repeatedly provided valuable insights into stroke pathology and produced various biomarkers of patient recovery. Additionally, advanced analyses methods, like brain network modelling (BNM), provided complementary information to empirical neuroimaging data, creating an opportunity in the search for wholistic biomarkers. The presence of stroke artefacts, however, can introduce significant challenges for the processing and analysis of neuroimaging data. Therefore, the goals of this doctoral project were the development, validation, and technical and conceptual description of the lesion aware automated processing pipeline (LeAPP) framework, providing robust processing of pathological stroke patient MRI data, and to enable future research into stroke using advanced approaches such as BNM. Methods: The present dissertation included 51 subjects (36 patients, mean age 65.7 years, 25 female) from a previously acquired longitudinal clinical data set from Universitätsklinikum Hamburg Eppendorf, covering up to four timepoints from acute to chronical stage. Built upon existing processing frameworks, this study combines processing of multimodal MRI data with several lesion mitigation measures into a single automated pipeline. To assess processing performance and validate LeAPP, an artificial lesion embedding (ALE) approach was developed, integrating real lesion signal from the present cohort into healthy control brains to create artificial stroke patients. Performance was then evaluated using volume and connectome-based agreement metrics between the processing results of the ground truth and ALE patient data using the novel frame-work LeAPP as well as the established Human Connectome Project (HCP) pipeline respectively. Results: The novel framework showed superior performance in reconstructing the ground truth compared to existing frameworks such as HCP minimal processing pipeline and fmriprep. Significantly lower discrepancies were found for example in the shape of regions-of-interest (ROIs) with mean dice scores of 0.81 for LeAPP and 0.75 for HCP pipelines (p < 0.0001*) and in distances between ROI centers of 0.87 for LeAPP and 1.7 for HCP (p < 0.0001*). LeAPP further automatically generates BNM ready output data, including structural and functional connectomes, and is available as a stand-alone containerized software package. Conclusions: This project developed, described, and validated a directly applicable framework to robustly process pathological multimodal MRI data, generating structural and functional derivatives such as parcellations and connectomes. The created derivative data facilitates advanced subsequent research into stroke. Superior performance to previous frameworks, in limiting biases due stroke lesions, was shown, and should be considered in future studies.

Einführung: Die Neurobildgebung, insbesondere die Magnetresonanztomographie (MRT), bildet die Standardmethode in der Diagnose des ischämischen Schlaganfalls und hat wertvolle Erkenntnisse über dessen Pathologie und verschiedene Biomarker für die Patientenerholung hervorgebracht. Darüber hinaus hat sich gezeigt, dass fortschrittliche MRT-basierte Analysemethoden, wie Brain Network Modelling (BNM), komplementäre Informationen zu empirischen Daten liefern können, was eine vielversprechende Kombination für die Suche nach ganzheitlichen Biomarkern darstellt. Schlaganfall- Artefakte können die Verarbeitung und Analyse von MRT-Daten jedoch vor erhebliche Herausforderungen stellen. Die Ziele dieser Promotion waren daher die Entwicklung, Validierung und technische und konzeptionelle Beschreibung des neuen LeAPPFrameworks (lesion aware automated processing pipeline), zur robusten Verarbeitung von Patienten MRT-Daten, sowie innovative Schlaganfallforschung zu ermöglichen, zum Beispiel via BNM. Methoden: Die vorliegende Dissertation beruht auf 51 Probanden (36 Patienten, 65,7 Jahre, 25 Frauen) aus einem vorhandenen longitudinalen klinischen Datensatz des Universitätsklinikums Hamburg Eppendorf, der bis zu vier Zeitpunkte vom akuten zum chronischen Stadium abdeckt. Aufbauend auf etablierten Prozessierungsverfahren, kombiniert die Studie die Verarbeitung von MRT-Daten mit Maßnahmen zur Verringerung des Läsionseinflusses in einer umfassenden automatisierten Pipeline. Zur Bewertung der Prozessierung und zur Validierung von LeAPP wurde ein Ansatz zur künstlichen Einbettung von Läsionen (KEL) entwickelt, in dem echte Schlaganfallläsionen in gesunde Gehirne integriert wurden, um künstliche Patient:innen zu schaffen. Die Präzision wurde dann anhand der Volumen- und Konnektom-basierten Übereinstimmung zwischen der prozessierten Grundwahrheit und KEL-Gehirnen sowohl für LeAPP als auch für die Human Connectome Project (HCP)-Pipeline berechnet. Ergebnisse: Die neuartige Pipeline LeAPP rekonstruiert die Grundwahrheit im Vergleich zu bestehenden Ansätzen substanziell besser. Signifikant geringere Fehler traten beispielsweise bei der Rekonstruktion der Kontur von Gehirnregionen (ROI), mit mittleren Dice-Scores von 0,81 für LeAPP und 0,75 für HCP (p < 0,0001*), und bei Abständen zwischen ROI-Zentren von 0,87 für LeAPP und 1,7 für HCP (p < 0,0001*) auf. LeAPP generiert automatisch BNM-fähige Daten, einschließlich struktureller und funktioneller Konnektome, und ist als containerisiertes Softwarepaket verfügbar. Schlussfolgerungen: Im Rahmen der Projektes wurde ein direkt anwendbares Verfahren entwickelt, beschrieben und validiert, um MRT-Daten mit Schlaganfall Läsionen robust zu prozessieren. Die generierten Daten ermöglichen nachfolgende innovative Schlaganfallforschung. Eine verbesserte Datenqualität im Vergleich zu vorherigen Verfahren wurde nachgewiesen und sollte in zukünftigen Studien zur Therapie und Prädiktion der Erholung bei Schlaganfallpatient:innen genutzt werden.