Magnetresonanztomographie-Manifestationen der zerebralen Kleingefäßerkrankung: Automatisierte Quantifizierung und klinische Anwendung
Die zerebrale Kleingefäßerkrankung (CSVD) ist eine Störung der zerebralen Mikrogefäße, die zu bildgebenden Auffälligkeiten im Gehirn führt. Die neuroimaging-Befunde der CSVD, gemäß den Standards for Reporting Vascular Changes on Neuroimaging (STRIVE), umfassen kürzlich aufgetretene kleine subkortikale Infarkte (RSSI), Lakunen, White Matter Hyperintensities (WMH), perivaskuläre Räume (PVS), zerebrale Mikroblutungen (CMB) und Hirnatrophie. Diese Merkmale stehen mit klinischen Konsequenzen wie kognitiver Beeinträchtigung, Schlaganfall und Demenz in Verbindung. Durch Fortschritte in der Neuroimaging-Technik gewinnen automatisierte Quantifizierungsmethoden für diese Merkmale in Forschung und Klinik zunehmend an Bedeutung. Dieser Artikel gibt einen umfassenden Überblick über den Fortschritt in der automatisierten Quantifizierung von CSVD-Bildgebungsmerkmalen, ihre klinische Relevanz und ihr Potenzial als Endpunkte in klinischen Studien.
Einführung
CSVD ist eine Hauptursache für vaskuläre oder gemischte Demenz und verantwortlich für mindestens 20 % aller Schlaganfälle weltweit. Die neuroimaging-Befunde der CSVD, wie RSSI, WMH, Lakunen, PVS, CMB und Hirnatrophie, sind in konventionellen strukturellen Magnetresonanztomographie (MRT)-Aufnahmen sichtbar. Diese Merkmale haben gemeinsame und distinkte klinische Folgen. Automatisierte Quantifizierungsmethoden wurden entwickelt, um die Effizienz und Reproduzierbarkeit der CSVD-Bildanalyse zu verbessern. Dieser Artikel diskutiert aktuelle Fortschritte in der automatisierten Quantifizierung von CSVD-Bildgebungsmerkmalen, ihre klinische Bedeutung und ihre mögliche Verwendung als Endpunkte in klinischen Studien.
Automatisierte Quantifizierung von MRT-Merkmalen der CSVD
Kürzlich aufgetretene kleine subkortikale Infarkte (RSSI)
RSSI, auch als lakunärer Schlaganfall bekannt, bezieht sich auf frische Infarkte im Versorgungsgebiet einer perforierenden Arterie und verursachen etwa 25 % der ischämischen Schlaganfälle. RSSI können in der MRT-Diffusionsgewichtung (DWI) als hyperintense Läsionen mit einem Durchmesser von bis zu 20 mm identifiziert werden. Traditionell erfolgte die Quantifizierung von RSSI durch visuelle Inspektion oder manuelle Markierung. Tiefe neuronale Netze, insbesondere Convolutional Neural Networks (CNN), zeigen jedoch vielversprechende Ergebnisse. Zhang et al. erreichten mit einem CNN-basierten Ansatz zur Segmentierung akuter ischämischer Läsionen einen Dice-Ähnlichkeitskoeffizienten (DSC) von 79,13 % und eine Läsionspräzision von 92,67 %.
White Matter Hyperintensities (WMH)
WMH sind hyperintense Läsionen in FLAIR- und T2-gewichteten MRT-Aufnahmen. Die Fazekas-Skala ist die am häufigsten verwendete visuelle Bewertungsmethode für WMH. Automatisierte Quantifizierungsmethoden lassen sich in unüberwachte (z. B. Clustering basierend auf Signalintensität) und überwachte Verfahren (z. B. tiefe neuronale Netze) unterteilen. Deep-Learning-Methoden, wie CNNs, erreichen einen DSC von bis zu 0,80. Die Leistung hängt jedoch von der Läsionslast ab, wobei höhere DSCs bei Patienten mit stärkerer WMH-Ausprägung beobachtet werden.
Lakunen
Lakunen sind runde oder ovale, flüssigkeitsgefüllte subkortikale Kavitäten mit einem Durchmesser von 3–15 mm. Sie erscheinen hypointens in T1-gewichteten und FLAIR-Aufnahmen sowie hyperintens in T2-gewichteten Sequenzen. Tiefe neuronale Netze wurden erfolgreich für die Lakunenerkennung eingesetzt. Ghafoorian et al. erreichten mit einem CNN unter Einbeziehung von FLAIR- und T1-gewichteten Bildern eine Sensitivität von 97,4 % bei 0,13 falsch positiven Befunden pro Schnitt.
Zerebrale Mikroblutungen (CMB)
CMB stellen kleine signalarme Areale in T2-gewichteten Gradientenechosequenzen (GRE) oder susceptibility-weighted Imaging (SWI)-Aufnahmen dar. SWI ist zuverlässiger als T2GRE. Deep-Learning-Methoden, wie 3D-CNNs, erreichen eine Sensitivität von 93,16 % bei einer Präzision von 44,31 %. Hochauflösende 7T-SWI-Aufnahmen verbessern die Detektionsgenauigkeit, sind jedoch klinisch weniger verfügbar.
Perivaskuläre Räume (PVS)
PVS (Virchow-Robin-Räume) sind flüssigkeitsgefüllte Räume entlang zerebraler penetrierender Gefäße. Vergrößerte PVS (EPVS) korrelieren mit Alter und anderen CSVD-Merkmalen. Tiefe neuronale Netze erreichen einen DSC von 0,73 für die EPVS-Segmentierung, wobei semi-automatische Methoden oder visuelle Ratings als Referenz dienen.
Hirnatrophie
Die Hirnatrophie kann global, lobär oder regional quantifiziert werden. Automatisierte Segmentierungsmethoden umfassen Gewebs- (z. B. graue/weiße Substanz) und anatomische Struktursegmentierung (z. B. Hippocampus). Deep-Learning-Methoden erreichen DSCs zwischen 0,85 und 0,90 für verschiedene Strukturen und werden zunehmend klinisch eingesetzt.
Klinische Relevanz der CSVD-MRT-Merkmale
RSSI
Symptomatische RSSI können zu Lakunen oder persistierenden WMH evolvieren. Abhängig von der Lokalisation führen sie zu motorischen Defiziten oder kognitiven Einschränkungen. Die Mortalität und Schlaganfallrezidivrate ist initial niedrig.
WMH
WMH korrelieren mit kognitivem Abbau, Demenz und Schlaganfallrezidiven. Strategische Läsionslagen und irreguläre Formen verstärken den klinischen Einfluss.
CMB
CMB sind Prädiktoren für kognitiven Abbau und Demenz. Eine hohe CMB-Anzahl erhöht das Risiko für intrakranielle Blutungen, insbesondere bei Schlaganfallpatienten.
Lakunen
Lakunen (symptomatisch oder stumm) erhöhen das Risiko für Schlaganfall, Demenz und post-Schlaganfall-Depressionen, insbesondere bei thalamischer oder basalganglionärer Lokalisation.
PVS
EPVS im Centrum semiovale oder Basalganglien helfen bei der Differenzierung zwischen Alzheimer-Demenz und subkortikaler vaskulärer kognitiver Beeinträchtigung.
Hirnatrophie
Regionale Atrophie (z. B. Hippocampus) dient als Biomarker für Alzheimer-Demenz. Atrophie korreliert mit anderen CSVD-Merkmalen wie WMH, CMB und Lakunen.
Eignung als Endpunkte in klinischen Studien
CSVD-Merkmale werden zunehmend als Endpunkte in klinischen Studien genutzt, um die Progression der CSVD oder Therapieeffekte zu evaluieren. WMH sind am häufigsten etabliert, gefolgt von Hirnatrophie, CMB und Lakunen. EPVS wurden aufgrund inkonsistenter Befunde noch nicht als Endpunkte verwendet. RSSI finden primär in Schlaganfallpräventionsstudien Anwendung.
Einfluss fortgeschrittener Neuroimaging-Quantifizierung auf CSVD
Automatisierte Quantifizierungsmethoden ermöglichen detaillierte topographische und morphologische Analysen. Beispielsweise zeigen Lakunen und WMH eine gemeinsame Pathophysiologie. Komplexe Metriken (z. B. Läsionsform bei Lakunen) verbessern die Sensitivität für klinische Assoziationen.
Schlussfolgerungen
Automatisierte Quantifizierungsmethoden, insbesondere Deep-Learning-Ansätze, haben die Robustheit und Effizienz der CSVD-Bildanalyse deutlich gesteigert. Sie liefern volumetrische und lokalisationsbasierte Daten, die für Prognose und Therapieentwicklung essenziell sind. Dennoch besteht eine Lücke zwischen methodischer Entwicklung und klinischer Anwendung. Validierte, benutzerfreundliche Tools zur simultanen Quantifizierung multipler CSVD-Merkmale sind erforderlich, um den klinischen Einsatz zu erleichtern.
doi.org/10.1097/CM9.0000000000001299