Metabolic brain connectivity after acute unilateral vestibulopathy: Longitudinal analysis and single subject classification in the rat

Grosch, Maximilian (2021): Metabolic brain connectivity after acute unilateral vestibulopathy: Longitudinal analysis and single subject classification in the rat. Dissertation, LMU München: Medizinische Fakultät

Abstract

Ziel Die Analyse der metabolischen Konnektivität des Gehirns basiert auf [18F]-Fluordesoxyglucose (FDG) Positronen-Emissions-Tomographie (PET). Die Ziele dieser Arbeit waren einerseits die Anwendung von Konnektivitätsanalysen auf einen präklinischen PET-Datensatz zur akuten unilateralen Vestibulopathie (AUV) und andererseits die Untersuchung der bildgestützten Klassifikation auf Basis von Konnektivitätsinformationen. Material und Methodik Der untersuchte präklinische AUV-Datensatz bestand aus 85 [18F]-FDG PET Bildern von Ratten, wobei je 17 Bilder an fünf Messtagen aufgenommen wurden. Ein Messtag war vor AUV und vier Messungen wurden an den Tagen 1, 3, 7 und 15 nach AUV durchgeführt. Parallel zur Bildgebung wurden klinische Verhaltensparameter der Tiere akquiriert. Die Bilder wurden nach der Rekonstruktion registriert, normalisiert und mittels eines Hirnatlas in 57 Hirnregionen segmentiert. Anschließend wurden die mittleren normalisierten Aktivitätswerte jeder Hirnregion und jedes Tieres extrahiert und für nachfolgende Analysen gespeichert. Durch die paarweise Korrelation der Aktivitätswerte aller Hirnregionen nach Pearson wurde für jeden Messtag das gruppenbasierte Hirnkonnektivitätsmuster bestimmt. Zur Analyse wurden diese Konnektivitätsmuster quantifiziert und zur Erstellung graphtheoretischer Strukturen verwendet. Zur Klassifikation wurden die einzelnen Messtage als individuelle Klassen betrachtet und alle enthaltenen Verbindungen mit linearen Funktionen genähert. Diese linearen Funktionen repräsentierten das Konnektivitätsmuster einer Gruppe und erlaubten den Vergleich mit den im PET bestimmten Aktivitätswerten des Einzeltieres. Mittels Abgleich der Kongruenz erfolgte die Klassifikation in die Klasse mit der höchsten Übereinstimmung. Diskussion Vestibuläre Kompensation nach AUV aktiviert zerebrale Anpassungsprozesse, welche zur Neustrukturierung funktioneller Netzwerke führen. Die longitudinale Quantifizierung der Konnektivitätsmuster ergab kurzfristige Änderungen nach AUV, die in ihrem Verlauf den klinischen Verhaltensparametern folgten. Außerdem zeigte die graphtheoretische Analyse einen Anstieg an Verbindungen während der vestibulären Kompensation insbesondere in zum vestibulären System gehörigen Hirnregionen. Die Analyse der Hirnkonnektivität erwies sich als geeignet, um Hirnplastizität in longitudinalen Experimenten sinnvoll abzubilden. Weiterhin wurde ein neuartiger Klassifikationsansatz auf Basis des mittels Pearsons Korrelation bestimmten Konnektivitätsmusters untersucht. Hierbei konnten höhere Klassifikationsgenauigkeiten als mit Methoden des maschinellen Lernens erreicht werden. Da neurodegenerative Erkrankungen immer häufiger als komplexe Netzwerkerkrankungen beschrieben werden, könnte diese Klassifikationstechnik möglicherweise die diagnostische Entscheidungsfindung in klinisch relevanten Krankheiten wie der Alzheimer Demenz unterstützen. Schlussfolgerung Die Analyse der metabolischen Hirnkonnektivität eignet sich zur Untersuchung neurologischer Fragestellungen und ergänzt die im PET gängigen Analysen im Bereich der Hirnbildgebung. Die hier beschriebenen präklinischen Ergebnisse müssen auf vergleichbaren klinischen Datensätzen bestätigt werden.

Abstract

Aim Metabolic brain connectivity analysis is based on [18F]-fluorodeoxyglucose (FDG) positron emission tomography (PET). The objectives of this thesis were to apply these methods to a preclinical dataset of acute unilateral vestibulopathy (AUV) and to investigate the suitability of brain connectivity information for classification purposes. Material and methods The preclinical AUV dataset under investigation comprised 85 [18F]-FDG PET images from rats, specifically 17 images on five distinct measurement days. One measurement day was before AUV and four follow-up measurements were performed on days 1, 3, 7, and 15 after AUV. Additionally, clinical scoring parameters were recorded in parallel to PET imaging. After image reconstruction, images were registered, normalized, and segmented into 57 brain regions using an atlas-based method. Mean normalized activity values were extracted for every brain region in every subject and stored for further processing. Brain connectivity patterns were determined for every measurement day in a population-based approach by pairwise correlation of the activity values from all brain regions with Pearson’s correlation. These connectivity patterns were quantified and used to create graph theoretical structures for analysis. For classification purposes, each measurement day represented a class. The group-based and class-individual connectome was transferred to a single-subject level by fitting a linear function to each connection. This enabled the evaluation of the single subject connectome by comparing the image-derived activity values to the fitted functions. Classification was performed by testing the congruence between the single-subject connectome with the class connectomes and to assign the subject to the most matching class. Discussion Vestibular compensation after AUV activates various adaptive cerebral processes that result in functional network rearrangement. The longitudinal quantification of the connectivity patterns demonstrated short-term changes after AUV that follow the course of the clinical scoring parameters. Furthermore, during vestibular compensation graph theoretical analysis revealed an increase in connectivity especially in brain regions associated with the vestibular system. Brain connectivity methods prove the suitability to reasonably depict short-term changes of the metabolic connectome in longitudinal experimental setups. Moreover, classification based on Pearson’s correlation-derived connective information has not been investigated so far. The described approach using linear fitting was evaluated and reached higher classification accuracies compared to machine learning methods on the same dataset. As clinically relevant neurodegenerative disorders are increasingly considered as network disorders, this classification technique could potentially support diagnostic decisions in clinically relevant diseases such as Alzheimer’s disease. Conclusion Metabolic brain connectivity is suitable to investigate neurological questions and complements the toolkit of established cerebral image analysis in PET. The reported preclinical analysis results need to be validated on comparable clinical datasets.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Themengebiete: 600 Technik, Medizin, angewandte Wissenschaften ; 600 Technik, Medizin, angewandte Wissenschaften > 610 Medizin und Gesundheit
• Fakultäten: Medizinische Fakultät
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 28. Oktober 2021
• 1. Bericht­erstatter:in: Ziegler, Sibylle