Mapeo de las conexiones cerebrales para mejores planes quirúrgicos

Neural Path es una técnica que permite conocer cómo está estructurado el cerebro de una persona, principalmente, cómo es que sus neuronas están conectadas.

En las cirugías de cerebro, por ejemplo de resección de tumor, los neurocirujanos deben introducir herramientas y extraer una parte del cerebro de la persona. Para lograr una cirugía exitosa es imprescindible trazar un plan de cómo se realizará la extracción.

Un mal planeamiento quirúrgico conduce al cirujano a dañar las conexiones entre las neuronas de la persona, pudiendo perjudicar capacidades tales como atención, funciones ejecutivas, lenguaje, memoria, emoción, visión, y capacidades motoras.

Por otro lado, un planeamiento quirúrgico adecuado, que le permita al cirujano conocer cómo está conectado el cerebro de su paciente, permitirá evitar el daño de tejido sano y las capacidades asociadas al mismo.

La complejidad de la conectividad cerebral humana

Imágenes con ponderación de difusión

Las imágenes con ponderación de difusión son un tipo de secuencia de resonancia magnética que se utiliza para medir la difusión del agua en el parénquima cerebral. Se realizan múltiples mediciones de la difusión, en distintas direcciones, con el objetivo de estimar perfiles tridimensionales de la difusión en cada región cerebral. Cada medición de la difusión en una dirección requiere la adquisición de un volumen cerebral. Cada uno de los volúmenes cerebrales se compone de múltiples slices (cortes o rebanadas) cerebrales.

Consecuentemente, luego de la adquisición de imágenes con ponderación de difusión, el equipo resonador arrojará mediante la conexión entre la antena receptora, codificadores, y el ordenador de la workstation, una serie de archivos de imágenes en dos dimensiones. Estos archivos suelen denominarse DICOM, y representan las slices (ver Figura 1), donde cada píxel tiene un valor numérico que representa la intensidad de señal capturada para la región correspondiente del sistema físico adquirido (por ejemplo, el cerebro). Estos valores de intensidad de señal suelen representarse en una imagen mediante una escala de grises, que codifica la máxima intensidad de señal en blanco, y la mínima en negro.

Los archivos DICOM, además de los valores de intensidad de señal, contienen información de los parámetros de adquisición, almacenada en lo que se suele denominar headers (encabezados). El postprocesamiento de las imágenes con ponderación de difusión requiere conocer los parámetros de adquisición de cada volumen cerebral, principalmente dos de ellos: las direcciones de difusión y las ponderaciones de difusión, generalmente denominados betavectores y betavalores, respectivamente. Esto se debe a que la difusión del agua en el cerebro es dependiente de la dirección, y la ponderación de difusión (qué tanto peso tiene la difusión en la captura de la señal). Por ejemplo, a mayor tiempo entre la aplicación de campos de gradiente, más se le permite difundir a las moléculas de agua, y por lo tanto la ponderación de difusión es mayor. De esta manera, la ponderación de difusión define la relación entre la señal capturada y los parámetros de aplicación de los campos de gradiente.

Los valores de intensidad de señal deben ser convertidos a formato matricial para empezar el postprocesamiento, para permitir realizar procedimientos de álgebra matricial. Disponiendo de los valores de intensidad de señal en formato matricial, los betavectores, y los betavalores, pueden estimarse modelos de difusión. El modelo de imágenes por tensores de difusión (DTI, por sus siglas en inglés) permite realizar inferencias sobre la conectividad estructural, ya que informa sobre las propiedades microestructurales de la sustancia blanca (Basser, Mattiello, & LeBihan, 1994). La anisotropía fraccional es una medida de la direccionalidad de la difusión, frecuentemente asociada a la integridad microestructural (Horsfield & Jones, 2002). A partir de esta medida, pueden reconstruirse y diseccionarse los distintos tractos de sustancia blanca, mediante un procedimiento conocido como tractografía (Basser, Pajevic, Pierpaoli, Duda, & Aldroubi, 2000).

Adquisición de imágenes con ponderación de difusión con un equipo resonador, ejemplo: Philips Achieva 1.5 T.

En un equipo resonador Philips Achieva 1.5 T., los principales parámetros de adquisición pueden ser configurados de la siguiente forma para conseguir un buen trade-off entre resolución espacial, proporción señal-ruido, y tiempo de adquisición: treinta y dos imágenes con ponderación de difusión y una imagen sin ponderación de difusión (T2) deben ser obtenidas mediante adquisición eco-planar, con los siguientes parámetros: beta-valor = 1000 s/mm2, TR/TE = 9900/80 ms., matriz de adquisición y reconstrucción = 112 x 110, campo de visión = 22.4 x 22 cm., grosor de slice = 2 mm., número de slices = 60.

De ser posible realizar modificaciones, debido a disponer de software abierto de programación de secuencias, es óptimo adquirir al menos cuatro imágenes sin ponderación de difusión (T2) intercaladas a lo largo de la adquisición, para permitir la corrección de la pérdida de señal del resonador por el aumento de la temperatura de sus materiales a lo largo de la adquisición. Además, si las características de la población clínica de interés lo permiten, mejoraría la calidad de la reconstrucción tractográfica adquirir un mayor número de imágenes con ponderación de difusión.

Reconstrucción tractográfica a partir de secuencias de imágenes con ponderación de difusión

La confiabilidad de una secuencia de imágenes con ponderación de difusión para realizar tractografía requiere, principalmente, de adquirir suficientes direcciones de difusión para estimar perfiles de difusión representativos de las estructuras cerebrales subyacentes.  Es frecuente que en los centros clínicos se optimicen los parámetros de adquisición en función de la calidad de la imagen y el tiempo de adquisición. Dado que la principal aplicación de las imágenes con ponderación de difusión es en accidentes cerebro-vasculares, la cantidad de direcciones no es un parámetro relevante, mientras que si lo es la ‘calidad’ visual de la imagen, para que pueda ser observada con facilidad por un médico clínico para realizar un diagnóstico. Por lo tanto, las secuencias preprogramadas del equipo resonador suelen incluir múltiples adquisiciones (promedios) de la señal en una misma dirección, para aumentar la proporción señal-ruido (‘claridad’ de la imagen), y como consecuencia se utilizan sólo 3 o 6 direcciones. Sin embargo, una reconstrucción tractográfica confiable requiere de la aplicación de, al menos, 30 direcciones no coplanares y no colineales, con gradientes de difusión de dos valores diferentes (betavalores), y una potencia de campo magnético con valor mínimo de 1.5 Teslas (Basser & Jones, 2002; Jones & Leemans, 2011; Soares, Marques, Alves, & Sousa, 2013).

La forma cúbica de los vóxeles es también una propiedad esencial para realizar un cálculo preciso de las medidas de difusión. Otro factor importante es mantener el tamaño de arista del vóxel igual o menor a 2.5 mm. para evitar que las medidas de difusión de las estructuras de sustancia blanca se ‘mezclen’ con las de otros tipos de tejido (por ejemplo, líquido cefalorraquídeo), provocando el artefacto denominado “efecto de volumen parcial”.

La modificación de las secuencias de imágenes con ponderación de difusión en equipos de resonancia con software cerrado también requiere tener en cuenta que la consola ‘ajustará’ otros parámetros (tiempo de eco, tiempo de repetición, ancho de banda, entre otros) para mantener la calidad de la imagen por sobre la confiabilidad del dato tractográfico.

Aplicaciones en neurocirugía: Neural Path

La tractografía ha demostrado variadas aplicaciones en contextos clínicos y sanitarios; por ejemplo, en evaluaciones neuropsicológicas tractográficas (Johansen-Berg & Behrens, 2006), y seguimiento de tratamientos (Chenevert, 2000). Una de estas aplicaciones se ha impulsado especialmente en los principales centros clínicos del mundo: la evaluación pre- y post-quirúrgica. En especial en los casos de tumores cerebrales, la utilidad reside en optimizar la extensión de la resección (por lo tanto, la tasa de supervivencia) así como la calidad de vida, con el objetivo es avanzar hacia una neuro-oncología funcional.

La reconstrucción de los tractos de sustancia blanca como método para mapear espacialmente la sustancia blanca del cerebro (ver Figura 2), puede guiar la planificación quirúrgica en diferentes contextos, no sólo directamente, cuando están involucrados importantes tractos de sustancia blanca en las proximidades de la cavidad de resección de una lesión superficial; sino también indirectamente, cuando se dirige a una lesión o estructura funcional profundamente localizada a través de la probable sustancia blanca elocuente. Sin embargo, los problemas de validez y confiabilidad pueden dificultar la implementación de la tractografía. Por ello es que se requieren técnicas de postprocesamiento de los datos que garanticen la calidad de los resultados, corrigiendo los artefactos de las adquisiciones de datos de difusión, y aplicando parámetros de reconstrucción que aseguren la confiabilidad del mapa de conectividad.

Figura 2. Mapa de la conectividad cerebral, con los principales tractos de sustancia blanca visualizados.

Figura 3. Esquema representativo de la aplicación de Neural Path a la planificación quirúrgica, comenzando por la adquisición de imágenes por resonancia magnética.

Postprocesamiento de datos de difusión

Para aplicaciones de planificación quirúrgica mediante tractografía, es posible realizar procesos intermedios que aumentan la fiabilidad de las imágenes con respecto al cerebro real. Estos procesos conforman pipelines (líneas de procesado) de post-procesamiento de datos de difusión.

El primer proceso es la corrección por anillos de Gibbs. Este artefacto es ocasionado por la dificultad de encontrar frecuencias lo suficientemente altas para describir los cambios agudos de intensidad de señal. Debido a que cada secuencia de IPD posee su rango de frecuencias relacionadas con la transformación de Fourier que convertirá las señales de precesión de los átomos en una imagen, el efecto de este artefacto varía entre secuencias. La corrección implica aplicar una función de transformación que mantiene la información de los bordes entre distintos tipos de sustancias, a la vez que corrige los ecos artificiales de señal provocados por las frecuencias de reconstrucción incorrectas (Perrone et al., 2015).

Debido a que en las IPD se mide la señal atenuada por difusión en múltiples direcciones, la necesaria duración de estas secuencias implica movimientos del paciente/participante, lo que producirá un desajuste de las estructuras cerebrales entre las múltiples matrices volumétricas cuando sean concatenadas. La corrección de este artefacto es alinear mediante un registro rígido las matrices volumétricas a una imagen de referencia (T2 adquirida). En esta etapa, la beta-matriz debe ser rotada de acuerdo a los parámetros de rotación obtenidos en el registro (Leemans & Jones, 2009).

Los cambios de gradiente magnético necesarios para adquirir IPD inducen corrientes eléctricas (llamadas corrientes de Foucault) en los materiales conductivos del equipo resonador, que a su vez generan campos magnéticos adicionales. A su vez, estos últimos afectan consecuentemente los movimientos de precesión de los átomos de hidrógeno, lo que consecuentemente afecta las medidas de conectividad de los tractos. Mediante un registro afín a la primera imagen T2 puede corregirse este artefacto (Leemans, Jeurissen, Sijbers, & Jones, 2009).

Recientemente se ha desarrollado un método de adquisición denominado echo-planar imaging (EPI) que busca aprovechar la duración de la emisión de la señal atenuada por difusión producida por el pulso de radiofrecuencia de inversión mediante la adquisición veloz de la señal proveniente de un elevado número de vóxeles de un mismo corte. La señal capturada para cada región cerebral variará según su ubicación en la matriz de adquisición y su composición química. En caso de que la velocidad de lectura del “tren EPI” (vóxeles en el sentido de codificación de lectura) sea demasiado exigente para el escáner, ocurrirán artefactos en el sentido de codificación de fase (generalmente anterior-posterior en secuencias de IPD). Entonces, esta fuente de variabilidad entre secuencias depende tanto de parámetros de adquisición (FOV, matriz de adquisición, tiempo de eco) como del posicionamiento y la composición química del tejido de interés. La corrección de este artefacto es un registro no rígido a una imagen de referencia no adquirida mediante EPI (generalmente una imagen T1), que permita ajustes específicos para cada región cerebral, aunque con un término de penalización para evitar deformaciones excesivas (Irfanoglu, Walker, Sarlls, Marenco, & Pierpaoli, 2013).

Referencias

Irfanoglu, M. O., Walker, L., Sarlls, J., Marenco, S., & Pierpaoli, C. (2013). Effects of image distortions originating from susceptibility variations and concomitant fields on diffusion MRI tractography results. NeuroImage, 61(1), 275–288. https://doi.org/10.1016/j.neuroimage.2012.02.054.

Leemans, A., & Jones, D. K. (2009). The B -Matrix Must Be Rotated When Correcting for Subject Motion in DTI Data. Magnetic Resonance in Medicine, 1349, 1336–1349. https://doi.org/10.1002/mrm.21890

Leemans, A., Jeurissen, B., Sijbers, J., & Jones, D. K. (2009). ExploreDTI: A Graphical Toolbox for Processing, Analyzing, and Visualizing Diffusion MR Data. In 17th Annual Meeting of Intl Soc Mag Reson Med (p. 3537). Hawaii, USA.

Perrone, D., Aelterman, J., Pi, A., Jeurissen, B., Philips, W., & Leemans, A. (2015). The effect of Gibbs ringing artifacts on measures derived from diffusion MRI. NeuroImage, 120, 441–455. https://doi.org/10.1016/j.neuroimage.2015.06.068

Johansen-Berg, H., & Behrens, T. E. J. (2006). Just pretty pictures? What diffusion tractography can add in clinical neuroscience. Current Opinion in Neurology, 19(4), 379–385. https://doi.org/10.1097/01.wco.0000236618.82086.01

Chenevert, T. L. (2000). Diffusion Magnetic Resonance Imaging: an Early Surrogate Marker of Therapeutic Efficacy in Brain Tumors. Journal of the National Cancer Institute, 92(24), 2029–2036. https://doi.org/10.1093/jnci/92.24.2029

Basser, P. J., Mattiello, J., & Le Bihan, D. (1994). MR diffusion tensor spectroscopy and imaging. Biophysical Journal, 66(1), 259–267. https://doi.org/10.1016/S0006-3495(94)80775-1

Horsfield, M. A., & Jones, D. K. (2002). Applications of diffusion-weighted and diffusion tensor MRI to white matter diseases – a review. NMR in Biomedicine, 15(7–8), 570–577. https://doi.org/10.1002/nbm.787

Basser, P. J., Pajevic, S., Pierpaoli, C., Duda, J., & Aldroubi, A. (2000). In Vivo Fiber Tractography Using DT-MRI Data. Magnetic Resonance in Medicine, 44, 625–632. https://doi.org/10.1002/1522-2594(200010)44

Basser, P. J., Mattiello, J., & Le Bihan, D. (1994). MR diffusion tensor spectroscopy and imaging. Biophysical Journal, 66(1), 259–267. https://doi.org/10.1016/S0006-3495(94)80775-1

Basser, P. J., Pajevic, S., Pierpaoli, C., Duda, J., & Aldroubi, A. (2000). In Vivo Fiber Tractography Using DT-MRI Data. Magnetic Resonance in Medicine, 44, 625–632. https://doi.org/10.1002/1522-2594(200010)44

Basser, P. J., & Jones, D. K. (2002). Diffusion-tensor MRI : theory , experimental design and data analysis – a technical review. NMR in Biomedicine, 15, 456–467. https://doi.org/10.1002nbm.783

Horsfield, M. A., & Jones, D. K. (2002). Applications of diffusion-weighted and diffusion tensor MRI to white matter diseases – a review. NMR in Biomedicine, 15(7–8), 570–577. https://doi.org/10.1002/nbm.787

Jones, D. K., & Leemans, A. (2011). Diffusion tensor imaging. Methods in Molecular Biology (Clifton, N.J.), 711(2), 127–44. https://doi.org/10.1007/978-1-61737-992-5_6

Soares, J. M., Marques, P., Alves, V., & Sousa, N. (2013). A hitchhiker’s guide to diffusion tensor imaging. Frontiers in Neuroscience, 7(3), 31. https://doi.org/10.3389/fnins.2013.00031

Comments

comments

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.