Diffusie-MRI-methoden om postoperatieve tekorten bij pediatrische epilepsiechirurgie te minimaliseren

Dit project combineert geavanceerde hersen-MRI met gedetailleerde neuropsychologische evaluatie, uitgevoerd bij kinderen en adolescenten die lijden aan geneesmiddelresistente focale epilepsie, om twee hoofddoelen aan te pakken, elk met de volgende onderzoekshypothesen:

DOEL 1. Om de nauwkeurigheid te bepalen van op tractografie gebaseerde analyse van voordelen en risico's op basis van deep learning in vergelijking met een standaard elektrische stimulatiemapping (ESM), de huidige klinische standaard voor het detecteren van welsprekende corticale regio's voorafgaand aan epilepsiechirurgie.

Hypothese 1.1 Bij gezonde controles zal classificatie op basis van DCNN welsprekende cortices lokaliseren, die aanzienlijk overlappen bij zowel DWI-acquisitie met één schaal als gegeneraliseerde Q-sampling-beeldvorming, wat suggereert dat de nauwkeurigheid van deze benadering mogelijk niet significant wordt beïnvloed door het acquisitieprotocol.

Hypothese 1.2 Op DCNN gebaseerde kanaalclassificatie zal een nauwkeurigheid van ten minste 93% bereiken voor prospectieve detectie van ESM-gedefinieerde eloquente cortices, inclusief patiënten met een hoge waarschijnlijkheid van functionele reorganisatie.

Hypothese 1.3 Behoud van DCNN-geclassificeerde eloquente wittestofroutes tijdens chirurgie zal het vermijden van postoperatieve tekorten net zo nauwkeurig voorspellen als het behoud van ESM-gedefinieerde eloquente cortex.

Hypothese 1.4 Behoud van chirurgische marges geoptimaliseerd door Kalman-filter op retrospectieve gegevens zal controle van aanvallen en vermijding van postoperatieve tekorten in een prospectief chirurgisch patiëntencohort bereiken.

Hiertoe zullen de onderzoekers de nauwkeurigheid testen van een recent ontwikkeld op deep learning gebaseerd baten-risicomodel, genaamd deep convolutional neural network (DCNN) tract-classificatie gecombineerd met Kalman-filteranalyse, voor niet-invasieve detectie van eloquente wittestofroutes en optimalisatie van de chirurgische marge (d.w.z. de afstand tussen het epileptogene gebied en het welbespraakte gebied), resulterend in aanvalsvrijheid en het vermijden van functionele tekorten. Het niet identificeren van welsprekende gebieden in het voorgestelde resectiegebied kan mogelijk levenslange gevolgen hebben, en overschatting of onjuiste lokalisatie van de omvang van de welsprekende gebieden kan leiden tot onvolledige resectie van de epileptogene zone. Zonder de baten-risicoverhouding te optimaliseren, is de minimaal aanvaardbare marge zeer variabel in verschillende instellingen, variërend van 0 tot 2 cm in centra voor epilepsiechirurgie. De onderzoekers zullen bestuderen of het voorgestelde baten-risicomodel epilepsiechirurgie van individuele patiënten kan standaardiseren (of aanpassen) door nauwkeurig de marges van de welsprekende witte stofbanen te behouden, wat uiteindelijk essentieel is om het voordeel van aanvalsvrijheid in evenwicht te brengen met de risico op functionele uitval. Deze voorgestelde nieuwe beeldvormingsbenadering zou de klinische praktijk voor pediatrische epilepsiechirurgie kunnen veranderen en is breed toepasbaar voor andere soorten neurochirurgische procedures, zoals tumorresectie.

DOEL 2. Bepalen van de nauwkeurigheid van op deep learning gebaseerde connectoomanalyse voor het voorspellen van neurocognitieve verbetering op lange termijn na epilepsiechirurgie.

Hypothese 2.1 Connectiviteitsefficiënties behouden in specifieke modulaire netwerken van preoperatief DCNN-gebaseerd connectoom, waarvan is vastgesteld dat ze geassocieerd zijn met postoperatieve functionele verbetering op retrospectieve gegevens, zullen functionele verbetering op lange termijn nauwkeurig voorspellen in een prospectief patiëntencohort.

Hypothese 2.2 Een langere duur van epilepsie zal significant geassocieerd zijn met meer verminderde efficiëntie in een volledig IQ-modulair netwerk van preoperatief DCNN-gebaseerd connectoom, wat suggereert dat eerdere chirurgie een betere IQ-verbetering op lange termijn zal opleveren.

Hypothese 2.3 Patiënten met ipsilaterale resecties, die tekenen van postoperatieve "crowding" vertonen (d.w.z. verbale IQ-verbetering ten koste van non-verbale functie), zullen verminderde efficiëntie vertonen in non-verbale en toegenomen efficiëntie in verbale IQ-netwerk van DCNN-gebaseerde connectoom in de contralaterale hemisfeer.

In dit doel zullen de onderzoekers testen of een geavanceerde DWMRI-benadering die DCNN en connectome integreert, helpt bij het beslissen over tijdige chirurgie door 1) preoperatieve beeldvormingsmarkers te bieden die ten grondslag liggen aan een hoge waarschijnlijkheid van postoperatieve neurocognitieve verbeteringen en 2) mechanistisch inzicht in structurele hersenreorganisatie geassocieerd met postoperatieve verbale IQ-verbetering . Een reeks preoperatieve beeldvormingsmarkers genaamd "lokale efficiëntie" die kwantificeert hoe efficiënt neurale verbindingen worden gedeeld door naburige regio's, zal worden geëvalueerd op het niveau van specifieke modulaire netwerken. We verwachten dat deze markers langetermijn- en specifieke neurocognitieve gevolgen (en mogelijke voorspellers hiervan) kunnen identificeren die verband houden met chirurgische interventie en hun neurale correlaten voor specifieke neurocognitieve functies. Bovendien zal neuronale remodellering geassocieerd met een functioneel verdringingseffect, bestudeerd met DWMRI-connectoom verbeterd door de DCNN-kanaalclassificatie, een nieuw mechanistisch inzicht verschaffen in compenserende processen voor de verbale IQ-functie bij kinderen en adolescenten die resectieve chirurgie ondergaan om geneesmiddelresistente focale stoornissen te behandelen. epilepsie.