Computationale Neuroanatomie und Mikrostrukturbildgebung mit der Magnetresonanztomographie

Unter computationaler Neuroanatomie versteht man die Verwendung morphologischer Maße, die mithilfe der herkömmlichen klinischen MRT-Aufnahmetechniken (z. B. T1-gewichtete Bildgebung) bestimmt werden und beispielsweise genutzt werden, um die räumliche und zeitliche Dynamik der menschlichen Gehirnstruktur sowohl in gesunden als auch Patientengruppen zu quantifizieren [5]. Obwohl diese morphologischen Maße für die Diagnose von Krankheiten wie der Alzheimer-Krankheit hohe Relevanz haben [6], sind sie nicht immer eindeutig zuordenbar und reproduzierbar, da Veränderungen im Bildkontrast aufgrund von mikroskopischen Veränderungen [7] fälschlicherweise als Volumenänderungen identifiziert werden können oder durch verschiedene mikrostrukturelle Prozesse verursacht werden können.

Die qMRT misst spezifische MRT-Parameter des Hirngewebes, wie beispielsweise longitudinale (T1) und transversale (T2, T2*) Relaxationszeit, Protonendichte (PD), Magnetisierungstransfer (MT) oder Diffusion. qMRT quantifiziert jeden Kontrast generierenden Parameter getrennt im Gegensatz zur herkömmlichen T1- oder T2-gewichteten oder MT-Ratio (MTR)-Bildgebung, deren Kontrast eine Mischung aus mehreren MR-Parametern darstellt [8, 9]. qMRT kann daher einfacher mit mikrostrukturellen Merkmalen des Gewebes in Verbindung gebracht werden. Ein weiterer wichtiger Vorteil der qMRT-Daten gegenüber der herkömmlichen, klinischen MRT ist ihre verbesserte Reproduzierbarkeit (siehe z. B. Abb. 2; 10]). Das ist von Vorteil für Längsschnittstudien und multizentrische Studien.

Die höhere Reproduzierbarkeit und mikrostrukturelle Sensitivität von qMRT wurde eingesetzt, um die automatische Gewebeklassifizierung (oder Segmentierung) und morphometrische Analyse von subkortikalen Gehirnregionen zu verbessern, die auf der Basis herkömmlicher T1-gewichteter Bilder schwer abgrenzbar sind (Abb. 3; [8, 11]).

Darüber hinaus wird qMRT auch als Biomarker für mikrostrukturelle Gewebebestandteile [1], wie beispielsweise Makromoleküle oder Eisen, eingesetzt. T1, T2, T2*, PD und MT hängen unter anderem vom makromolekularen Gehalt ab und werden daher als Biomarker für Myelinisierung verwendet [12‐15]. Die Diffusionsbildgebung [16, 17] ist sensitiv gegenüber mikroskopischen Barrieren [18], die die freie Diffusion des Wassers behindern. Sie wurde daher beispielsweise zur Schätzung der Packungsdichte [19], Myelinisierung von Axonen [20], Anordnung von Gliazellen [21] und der Abgrenzung von Faserbahnen [22, 23] eingesetzt. T2* [24] und die mittlere Diffusionskonstante [25] sind zudem sensitiv auf Veränderungen im Eisengehalt.

In der Klinik werden diese Maße als Biomarker verwendet, um Rückschlüsse auf Gewebeeigenschaften zu ziehen, z. B.: Eine erhöhte Myelinkonzentration reduziert die T1- [12], T2- [14] und T2*-Relaxationszeiten und erhöht MT [12], oder erhöhte Eisenkonzentrationen führen zu einer Verkürzung von T2-, T2*- [24] und T1- [26] Relaxationszeiten. Demyelinisierung und axonale Degeneration führen auch zu einer Reduktion des fraktionellen Anisotropie(FA)-Diffusionsmaßes [27, 28]. Es ist wichtig hervorzuheben, dass dies Korrelationen sind, d. h. sie ordnen nicht notwendigerweise eine Gewebemikrostruktur einem MRT-Parameter zu. Von einzelnen quantitativen MRT-Maßen allein lassen sich daher keine eindeutigen Rückschlüsse auf die mikrostrukturellen Gewebebestandteile ziehen. Zum Beispiel können Verkalkungen und Blutungen ähnliche Veränderungen in den T2*-gewichteten MRT-Karten [29] hervorrufen, oder eine erhöhte Eisenkonzentration und eine Zunahme der Myelinisierung können ähnliche Veränderungen in T1-Karten verursachen.

Das Ziel der hMRT ist die direkte Schätzung von reproduzierbaren mikrostrukturellen Maßen des Hirngewebes aus dem MRT-Signal, die histologischen Markern ähneln (z. B. Myelindichte), dabei allerdings eine niedrigere räumliche Auflösung aufweisen (Ex-vivo-Histologie ~1 μm gegenüber In-vivo-hMRT ~300 μm–1 mm). Um dieses anspruchsvolle Ziel zu erreichen, muss hMRT zum einen die übliche Auflösungsgrenze von MRT-Daten, die im Millimeterbereich liegt, überschreiten, um funktionelle relevante Gewebestrukturen wie die Laminierung des Isokortex (~300 μm) oder kleinere Faserstrukturen in der weißen Substanz (~500 μm [30]) aufzulösen. Die folgenden neu entstandenen technischen Errungenschaften könnten helfen, qualitativ hochwertige ultrahoch-aufgelöste hMRT-Daten zu akquirieren: höhere Feldstärken [31], erhöhte Gradientenstärke [32], verbesserte Hochfrequenz(HF)-Spulen, optische prospektive Bewegungskorrektur [33], Akquisitionsstrategien, die die Messzeit verringern [34, 35], sowie retrospektive Korrekturmethoden für Bewegungen, instrumentelle und physiologische Artefakte [36, 37]. Andere Mittel zur weiteren Erhöhung der effektiven Auflösung sind adaptive Glättungsmethoden [38] und Super-Resolution-Methoden [39, 40].

Zum anderen muss hMRT mikroskopische Eigenschaften des Gewebes aus dem MRT-Signal schätzen. Um dieses inverse Problem zu lösen, vereint hMRT drei unterschiedliche Ebenen der MRT-Bildgebung (Abb. 1):

Das Ziel der hMRT ist, eine detaillierte mikrostrukturelle Beschreibung des Gehirns zu liefern [4].

Multiple Regression und multivariate statistische Verfahren sind besonders gut geeignet, um zu erfassen, wie qMRT-Karten von unterschiedlichen mikrostrukturellen Maßen abhängen. Callaghan et al. [41] zeigten, dass die Wechselbeziehung zwischen T1, T2* und MT durch ein lineares Modell gut beschrieben werden kann. Die durch diese lineare Abhängigkeit gegebene Zusatzinformation kann verwendet werden, um synthetische MRI-Parameterkarten zu berechnen, beispielsweise zur Korrektur von Bewegungsartefakten oder für die Reduktion der Messzeit [11]. Stüber et al. [3] untersuchten ein multivariates lineares Modell zwischen den MRI-Parametern T1 und T2* und ex vivo histologischen Markern für die Eisen- und Myelinkonzentration. Dadurch konnten Myelin- und Eisengehalt direkt aus den T1- und T2*-MRI-Parameterkarten abgeschätzt werden. Dieses einfache hMRT-Modell zeigte eine hohe Ähnlichkeit mit protonen-induzierten Röntgenemission(PIXE)-Maßen (Abb. 4). In Abb. 4 ist die Studie von Stüber et al. dargestellt, in der qMRT-Karten verwendet wurden (Abb. 4b, T1 und T2*-Karte), um hMRT-Eisen- und Myelindichte Karten in spezifischen anatomischen Teilbereichen zu berechnen. Zudem zeigt Abb. 4, dass diese hMRT-Karten im qualitativen Vergleich mit der Ex-vivo-Histologie (PIXE-Elementkarten) eine hohe Ähnlichkeit aufweisen. Der nächste Schritt wird sein, die Modelle von Callaghan et al. [41] und Stüber et al. [3] zu vereinheitlichen, um eine bessere quantitative Schätzung der Gehirnmikrostruktur (d. h. Myelin- und Eisenkonzentration) zu erhalten.

Neben den multivariaten linearen Modellen können auch komplexere biophysikalische Modelle herangezogen werden, um funktionell relevante Gewebeeigenschaften abzuschätzen. In diesen Modellen wird das MRT-Signal aus verschiedenen Kompartimenten auf der Subvoxelebene beschrieben, z. B. zur Modellierung von MT-Effekten (2-Pool-Modelle) [1, 42, 43] oder zur Abschätzung von axonalen Eigenschaften wie axonale Dichte oder Durchmesser aus diffusionsgewichteten MRT-Daten [19, 44‐48]. Diese Maße sind von besonderer funktioneller Bedeutung, weil sie mit der Nervenleitfähigkeitsgeschwindigkeit korrelieren.

Die Suszeptibilitätsbildgebung [49, 50] wird als ein direktes Maß für Nicht-Häm-Eisen angesehen, das eine wichtige Rolle bei der Aufrechterhaltung der Hirnfunktion und des Myelinisierungsmusters spielt und auch für neurodegenerative Prozesse indikativ ist [51]. Die zusätzliche Information in diesem Kontrast ermöglicht es, Verkalkungen und Blutungen zu unterscheiden – eine Möglichkeit, die mit T2* allein nicht erreicht werden kann [29]. Suszeptibilitätskarten werden aus der Phase des MRI-Signals errechnet. Die Phase ist ein intrinsischer Teil der Bildgebungsdaten, der in der Praxis aber oft ignoriert wird. Im Prinzip können quantitative Suszeptibilitätskarten aus denselben Daten ermittelt werden, die für qMRT-Maße wie T1 oder T2* akquiriert werden.

Die meisten heutigen biophysikalischen Modelle sind auf einen oder wenige ähnliche MRT-Kontrastmechanismen fokussiert. Wie in der Ex-vivo-Histologie bereits üblich, wird es auch in der In-vivo-Histologie notwendig sein, multiple Kontraste zu kombinieren, um eine vollkommenere Charakterisierung der Gewebemikrostruktur zu erreichen, als es mittels biophysikalischer Modelle, die auf wenigen Kontrasten basieren, möglich ist [52, 53]. Beispielsweise kann es möglich sein die Relaxation, MT-Sättigung und Diffusionseigenschaften gleichzeitig in einem vereinheitlichten Modell zu schätzen (Abb. 1c). Geometrische Informationen, die durch Faserverbindungen charakterisiert werden, können die Spezifizität solcher Modelle weiter verbessern [15, 54].

Ein jüngeres Beispiel eines Modells, das verschiedene MRT-Mechanismen vereint, ist das Modell der axonalen G‑Ratio in der weißen Substanz. Die axonale G‑Ratio ist ein Maß für die relative Dicke der Myelinhülle des Axons (Abb. 1c, Abb. 5), und es steht in Beziehung zur Nervenleitgeschwindigkeit [16]. Weiterhin wird die G‑Ratio durch plastische Prozesse durch Training [55] und durch demyelinisierende Krankheiten wie multiple Sklerose beeinflusst [56]. Das 2‑Kompartiment-Modell von Stikov et al. [57] zur Schätzung der G‑Ratio kombiniert MT- und Diffusionsbildgebungs(DWI)-Daten. Es wurde gezeigt, dass es mit der mikroskopischen G‑Ratio aus der Ex-vivo-Histologie korreliert [58]. Erste in vivo G‑Ratio-Messungen auf der Populationsebene deuten darauf hin, dass die G‑Ratio signifikant unterschiedlich ist für verschiedene Faserbündel ([59]; Abb. 5). Die Abb. 5a zeigt, dass die hMRT-G-Ratio in einer Populationsstudie von 37 gesunden Probanden (Mohammadi et al. [59]) stärker zwischen den als innerhalb der verschiedenen Faserbahnen variiert (Cingulum [Cing], Tractus corticospinalis [TC], Fornix [Forn], Fasciculus occipitofrontalis inferior [FOI], Radiatio optica [RO] und Fasciculus longitudinalis superior [FLS]). Die Abb. 5b zeigt zudem, dass die Variation der hMRT-G-Ratio über das Corpus callosum der Varianz der G‑Ratio, die mittels Ex-vivo-Histologie ermittelt wurde, ähnelt (oben dargestellt ist die Variation des Faserdurchmessers entlang des Corpus callosum im Menschen, gemäß Aboitiz et al. [60], die roten Punkte in der unteren Abbildung zeigen die G‑Ratio im Macaquen, gemäß [58]).

Die Gewebemikrostruktur in vivo, nichtinvasiv und reliabel zu schätzen eröffnet zahlreiche Möglichkeiten für die neurowissenschaftliche Forschung und klinische Anwendung. Mittels qMRT und hMRT ist es möglich, Mikrostrukturänderungen zu verfolgen und auch subtile Unterschiede zwischen Individuen zu identifizieren. Mehrere Studien haben altersbedingte weiträumig verteilte Veränderungen unter anderem in T1, T2*, MT [7, 61, 62] und sogar in der G‑Ratio gezeigt [63]. Diese qMRT-Parameterunterschiede stehen im Einklang mit histologisch bekannten Demyelinisierungseffekten im Alter und dem Anstieg in der Eisenkonzentration (Abb. 6; [61]).

Die Abb. 6 zeigt altersbedingte Unterschiede in der Myelin- und Eisenkonzentration, die aus der Korrelation zwischen qMRT-Biomarker (T1, MT und T2*) und Alter geschätzt wurden. Der Einsatz der reproduzierbaren qMRT-Technik erlaubte es zudem, dass in dieser Studie Daten von zwei unterschiedlichen MR-Systemen zusammengefasst werden konnten, um die Stichprobe zu vergrößern und damit eine höhere statistische Aussagekraft zu erreichen. Diese Art von Gruppenstudien erfordert neuartige räumliche Normalisierungs- und Verarbeitungsprozeduren [62, 64, 65], die auf die quantitative Natur der qMRT-Daten zugeschnitten sind, d. h. besonderen Wert darauf legen, dass die quantitativen Karten bei der Transformation vom Koordinatensystem des nativen individuellen Probandenraums in das des Gruppenraums möglichst nicht ihre ursprünglichen Werte ändern.

Mikrostrukturänderungen gemessen mittels qMRT oder hMRT sind insbesondere für klinische Studien interessant [66].

T1- und MT-Karten wurden auch als Marker für die kortikale Myelinisierung verwendet [3, 13, 67, 68]. Die T1-Myelinkarten zeigten nicht nur einen ähnlichen kortikalen Verlauf wie aus der Myelinfärbung mittels Ex-vivo-Histologie bekannt [67], sondern zeigten auch einen Struktur-Funktions-Zusammenhang zwischen der Myelinisierung und der funktionellen Aktivierung in der primären visuellen [67] und der auditorischen Hirnrinde [68]. Simultane Abgrenzung von mikroanatomischen und funktionalen Bereichen ist ein erster Schritt, um Struktur-Funktions-Zusammenhänge besser zu verstehen.

Ähnliche Parzellierungen von kortikalen Arealen wurden mittels Diffusionsbildgebung [69] und nichtquantitativen Maßen wie T1-gewichteten Bildern oder den T1- über T2-gewichteten Bildern [70‐72] erreicht. Diese Ergebnisse lassen hoffen, dass in Zukunft In-vivo-Parzellierungen individueller Gehirne mittels nichtinvasiver MRT-Maße möglich sein werden [72].

Die T1- und MT-Maße bieten zudem die Möglichkeit, systematisch Struktur-Funktions-Vergleiche durchzuführen. Helbling et al. [73] zeigte beispielsweise kürzlich, dass qMRT als Myelin-empfindlicher Marker verwendet werden könnte, um funktionelle Aktivierung, die mittels Magnetenzephalographie (MEG) gemessen wurde, vorherzusagen. Diese Studie ist ein weiteres Beispiel dafür, wie In-vivo-Histologie in der Zukunft verwendet werden kann, um die Struktur-Funktions-Zusammenhänge auf der mikrostrukturellen Ebene zu verstehen.