Introdução

Doença cerebral de pequenos vasos (DVS) é a causa mais comum de comprometimento cognitivo vascular e demência. As lesões de matéria branca (WML) são o marcador central da SVD na imagem cerebral, juntamente com os infartos lacunares, microblemas e atrofia cerebral. Todos esses achados têm demonstrado influenciar o resultado clínico e cognitivo (Jokinen et al., 2011, 2012; Muller et al., 2011; Poels et al., 2012). O estudo Leukoaraiosis e Deficiência (LADIS), entre outros estudos, demonstrou que a WML está relacionada ao declínio cognitivo, habilidades funcionais prejudicadas, depressão e distúrbios de marcha e equilíbrio (LADIS Study Group, 2011).

Ressonância magnética (RM) tem sido o método padrão na avaliação da WML. Apesar das recentes melhorias significativas nas técnicas de análise quantitativa de imagens, um dos maiores obstáculos na RM ainda é sua resolução espacial finita, o que leva a efeitos de volume parciais. Juntamente com o ruído e a falta de homogeneidade, coloca dificuldades às técnicas de segmentação cerebral. Muitas vezes, uma análise cuidadosa das fronteiras entre tecidos saudáveis e patológicos é necessária para delinear a extensão e gravidade das lesões, aplicando um “limiar de decisão” implícito para a segmentação das lesões. Além disso, as hiperintensidades na RM parecem representar apenas o estágio final do processo da doença. Lesão tecidual mais disseminada pode estar associada à WML, não visível na RM de rotina (Schmidt et al., 2011). Não há um padrão para avaliar esses estágios iniciais de dano tecidual, uma vez que seus valores de intensidade não são suficientemente distintos daqueles dos tecidos normais.

Os métodos mais modernos de segmentação dependem de informações prévias, como atlas cerebral médio (Smith et al., 2004; Ashburner e Friston, 2005; Goebel et al., 2006) ou rotulagem manual (Wismüller et al., 2004; Lee et al., 2009; Cruz-Barbosa e Vellido, 2011). Recentemente, foi proposto um novo método orientado por dados para a segmentação dos tecidos, baseado numa estratégia de clustering (DC) discriminativa, numa abordagem de aprendizagem automática auto-supervisionada (Gonçalves et al., 2014). Este método reduz ao mínimo o uso de informação prévia, e utiliza dados de RM multiespectral. Ao contrário de outros métodos, visando apenas tecidos saudáveis (Pham e Prince, 1998; Van Leemput et al., 1999; Zhang et al., 2001; Manjón et al., 2010) ou tipos específicos de lesões (Van Leemput et al., 2001; Zijdenbos et al., 2002; Styner et al., 2008; Cruz-Barbosa e Vellido, 2011), a DC permite o estudo de uma ampla gama de tipos de tecidos normais e anormais. Outra grande vantagem do método proposto é sua capacidade de estimar probabilidades teciduais para cada voxel, necessária para uma caracterização adequada da evolução da WML. Os voxels podem ser categorizados como contendo pequenas (ainda muito fracas para serem claramente visíveis), intermediárias ou altas proporções de WML. Aqueles contendo uma pequena proporção de lesão geralmente estão fora do “limiar de decisão” da segmentação convencional, e apontam para WML em estágio inicial.

O foco no presente estudo é observar como os diferentes estágios das lesões estão relacionados ao desempenho cognitivo em uma amostra de indivíduos idosos com WML leve a moderada. Os dados utilizados consistiram em medidas de RM coletadas em um período de seguimento de 3 anos e avaliações neuropsicológicas anuais dentro desse período. Em particular, estávamos interessados em determinar se mesmo os pequenos volumes parciais de WML em estágios iniciais, em tecido cerebral de aparência normal, são capazes de prever independentemente o declínio cognitivo futuro, incremental à carga de WML avaliada convencionalmente.

Métodos

Subjetos e Design

Os sujeitos foram um subgrupo de participantes (n = 78) de três centros (Amsterdam n = 21, Graz n = 18, Helsinki n = 39) do estudo LADIS, um estudo multicêntrico europeu investigando o impacto da WML relacionada à idade em transição da independência funcional para a deficiência. O protocolo LADIS e as características da amostra foram relatados em detalhes em outros lugares (Pantoni et al., 2005). Em resumo, 639 indivíduos foram inscritos em 11 centros, de acordo com os seguintes critérios de inclusão: (a) idade 65-84 anos, (b) WML leve a grave de acordo com a escala revista de Fazekas (Pantoni et al., 2005), (c) nenhuma ou mínima deficiência na escala de Atividades Instrumentais da Vida Diária (≤ 1 de 8 itens comprometidos) (Lawton e Brody, 1969), e (d) presença de um informante regularmente contatável. Os critérios de exclusão foram: (a) doença grave susceptível de desistir do seguimento (insuficiência cardíaca, hepática ou renal, neoplásica ou outra doença sistémica relevante), (b) doença neurológica grave não relacionada ou distúrbio psiquiátrico, (c) leucoencefalopatias de origem não vascular (desmielinização imunológica, metabólica, tóxica, infecciosa), e (d) incapacidade ou recusa de se submeter à ressonância magnética.

A avaliação base incluiu a RM do cérebro e avaliações médicas, funcionais e neuropsicológicas completas. As avaliações clínicas foram repetidas em intervalos de 12 meses em três avaliações subseqüentes de acompanhamento.

Para permitir uma comparação válida entre sujeitos/centros, as seqüências de RM obtidas em cada centro tinham que ser as mesmas, e cada paciente tinha que ter três seqüências disponíveis, sem artefatos maiores. Os 78 sujeitos incluídos neste estudo não diferiram da coorte completa da LADIS em idade, sexo, escore do Mini-Mental State Examination (MMSE) basal, ou volume da WML, mas tiveram educação significativamente superior (9,3 vs. 11,7 anos; t = -4,6, p < 0,001).

O estudo foi aprovado pelos Comitês de Ética de cada centro participante do estudo LADIS (LADIS Study Group, 2011). Todos os sujeitos receberam e assinaram um consentimento informado por escrito. Os colaboradores do estudo LADIS estão listados no Anexo II.

Aquisição de RM e Avaliação de Volume Padrão

Todos os exames de RM axial utilizados foram adquiridos com 1.5T, seguindo o mesmo protocolo em cada centro, incluindo imagens de transferência de magnetização (TE = 10-14 ms, TR = 740-780 ms), imagens de eco rápido de spin ponderado em T2 (TE = 100-120 ms, TR = 4000-6000 ms), e imagens de recuperação de inversão atenuada por fluido (FLAIR) (TE = 100-140 ms, TR = 6000-10000 ms, TI = 2000-2400 ms). Todas as seqüências tiveram um tamanho de voxel de 1 × 1 × 5-7,5 mm3, FOV = 250 e uma interslice gap de 0,5 mm.

A extensão das hiperintensidades em regiões de matéria branca, incluindo a região infratentorial, foi avaliada em imagens FLAIR axiais com uma análise volumétrica semi-automatizada (VFLAIR) usando uma estação de trabalho Sparc 5 (SUN) (van Straaten et al., 2006). As lesões foram marcadas e as bordas foram definidas em cada fatia usando um limiar local (software desenvolvido em casa Show_Images, versão 3.6.1). Não foi feita distinção entre hiperintensidades subcorticais e periventriculares. Áreas de hiperintensidade em imagens ponderadas em T2 em torno de infartos e lacunas foram desconsideradas. O número de lacunas foi registrado na matéria branca e na matéria cinzenta profunda usando uma combinação de FLAIR, magnetização preparada com imagens de gradiente de aquisição rápida-echo e T2 para distinguir lacunas de espaços perivasculares e microblemas (Gouw et al., 2008). Além disso, a atrofia cerebral foi classificada de acordo com uma escala de classificação baseada em modelos em imagens FLAIR separadamente em regiões corticais e subcorticais (Jokinen et al.., 2012).

Pré-processamento de imagens

Para garantir que a informação multiespectral contida em cada voxel se originasse exatamente da mesma localização em cada sujeito, o registro intra-paciente foi aplicado para todas as sequências disponíveis, usando a caixa de ferramentas SPM5 (Friston, 2003), e aplicando uma transformação afim com a imagem de menor resolução, tipicamente FLAIR, como o modelo. Além disso, os voxels de tecido extra-meningeal foram mascarados, usando um método automático padrão (BET2) (Smith et al., 2004).

Discriminative Clustering Tissue Segmentation

A evolução recente nas técnicas de aprendizagem de máquinas tem mostrado resultados competitivos na segmentação de tecidos, muitas vezes superando as precisões alcançadas pelos métodos clássicos baseados em regiões ou limiares (Styner et al., 2008). Em particular, quando comparados à delineação manual, eles são mais robustos e menos subjetivos. O método de segmentação tecidual utilizado neste estudo foi uma técnica de aprendizagem de máquina, baseada em uma metodologia auto-supervisionada por dados, enraizada em uma estratégia de CD (Gonçalves et al., 2014). Similar aos algoritmos de clustering não supervisionados, como os vizinhos k-nearest, os grupos DC introduzem dados de acordo com suas informações multidimensionais de distribuição em nível de cinza. No estudo atual, essas distribuições foram tridimensionais, que correspondem ao número total de seqüências utilizadas. O maior trunfo da CD é a sua capacidade de utilizar um pequeno conjunto de informações rotuladas para suportar a atribuição de agrupamento. Esta característica leva a uma clara melhoria dos resultados da segmentação, além das técnicas tradicionais de agrupamento (Gonçalves et al., 2014).

O objetivo geral da CD pode então ser resumido como dividir o espaço de dados em regiões agrupadas com distribuições bastante uniformes ao longo, e informações consistentes de etiqueta para todos os voxels pertencentes a cada agrupamento. Uma explicação mais detalhada é dada no Apêndice I, com a descrição matemática completa apresentada em Gonçalves et al. (2014).

Estimativa de Volume Parcial

DC dá a probabilidade de associação de cada voxel a todas as classes de tecidos, permitindo a estimativa de informação de volume parcial. Como pretendemos focar nosso estudo nos voxels lesionados, analisamos apenas aqueles em que a proporção de tecido lesionado presente é relevante.

Neste estudo, foram identificadas três diferentes categorias de lesão, levando a uma quantidade correspondente de estimativa de volume: o volume de voxels que têm uma probabilidade ALTA (VDC100), INTERMEDIATA (VDC66), ou PEQUENA (VDC33) de ser lesão. VDC100 e VDC66 são os volumes onde o tecido principal dos voxels tem uma probabilidade de ser lesão de >66% e < 66%, respectivamente. Como ambos os volumes VDC100 e VDC66 contêm a maioria do tecido lesivo, VFLAIR1 pode ser aproximado pela soma: VFLAIR≈VDCHARD2 ≥ VDC100 + VDC66. Assim, usando DC, a melhor estimativa possível do volume da lesão visível é obtida pelo VDCHARD. A última categoria, VDC33, corresponde ao volume de voxels onde a lesão é o segundo tipo de tecido mais provável, com probabilidades de ≥ 33%. Note-se que este volume não é considerado como lesão nos métodos de segmentação normal, como o que estima o VFLAIR, já que a lesão nunca é o principal tipo tecidual da mesma.

A capacidade do presente método de segmentação para detectar lesões em estágio inicial foi verificada em um subgrupo de pacientes (n = 19) com dados de RM de acompanhamento, c.f. Materiais Suplementares: Anexo I). Ali mostramos que pequenos volumes parciais de WML indicam possíveis localizações futuras de lesões totalmente desenvolvidas.

Avaliação neuropsicológica

A bateria de testes cognitivos do estudo LADIS incluiu o MMSE (Folstein et al., 1975), a Subescala de Avaliação da Demência Vascular (VADAS) (Ferris, 2003), o teste Stroop (MacLeod, 1991), e o teste de Trail making (Reitan, 1958). Para os fins atuais, utilizamos os escores totais MMSE e VADAS como medidas globais da função cognitiva. Além disso, três medidas compostas psicometricamente robustas foram constituídas para a avaliação de domínios cognitivos específicos, utilizando os escores médios padrão dos sub-testes individuais, conforme descrito anteriormente (Moleiro et al., 2013): (1) velocidade e controle motor = z escores (Trail making A + maze + cancelamento de dígitos)/3; (2) funções executivas = z escores de /4; e (3) memória = z escores (recall imediato de palavras + recall retardado + reconhecimento de palavras + span de dígitos)/4,

A proporção de valores ausentes nas variáveis do teste neuropsicológico variou entre 0 e 6,4% na linha de base, e entre 24,4 e 32,1% na última avaliação de acompanhamento. Essa perda de dados foi devida à morte dos sujeitos (n = 2), abandono das avaliações neuropsicológicas de acompanhamento (visita do ano passado, n = 17), ou incapacidade de completar toda a bateria de testes (n = 6).

Análise estatística

Os preditores de desempenho cognitivo longitudinal foram analisados utilizando modelos lineares mistos (estimação de máxima verosimilhança restrita), que são capazes de lidar com valores ausentes e estruturas de covariância complexas. O ano de avaliação (linha de base, 1º, 2º e 3º) foi utilizado como variável intrínseca e foi adotada a estrutura de covariância não estruturada. Os resultados dos testes cognitivos foram definidos como variáveis dependentes. Os volumes de lesão parcial (VDC33, VDC66 e VDC100) foram testados como preditores, um a um. Em todos os modelos, idade, sexo e anos de escolaridade foram usados como covariantes. Os modelos foram repetidos adicionando-se VFLAIR como outra covariada, para descobrir o valor preditivo das medidas de volume parcial incremental ao do volume da WML convencionalmente avaliado. Da mesma forma, o centro de estudo foi adicionado como um potencial confundidor, mas como não teve efeito essencial sobre os resultados, foi deixado de fora das análises finais. Devido a distribuições distorcidas possivelmente comprometendo a hipótese de linearidade dos modelos de mistura, a transformação logarítmica foi aplicada a todas as três medidas de volume parcial e VFLAIR. Os resultados foram analisados com o módulo misto IBM SPSS Statistics 22. A significância estatística foi definida em p < 0,05 para todas as análises.

Resultados

Características dos sujeitos

As características dos sujeitos na linha de base são dadas na Tabela 1. De acordo com a escala revista de Fazekas, 28 (35,9%) sujeitos tiveram WML leve, 26 (33,3%) moderada e 24 (30,8%) grave.

Volumes WML parciais e outros achados da RM

Tabela 1 mostra os volumes obtidos pelo método de segmentação convencional, os volumes de lesão parcial estimados pela CD, e o coeficiente de similaridade de dados comparando ambos os métodos de segmentação. A Figura 1 apresenta uma comparação entre a imagem FLAIR original (1A), o volume de hiperintensidade convencionalmente estimado, VFLAIR (1B), e os resultados obtidos para os volumes parciais WML VDC100 (1C), VDC66 (1D), e VDC33 (1E). Os quadros 1F-1J mostram as imagens correspondentes na área ampliada denotada pelo retângulo branco do quadro 1A. A evolução ao redor dos focos de lesão, desde o totalmente soprado no centro até o estágio intermediário e pequena proporção de lesão nas bordas, pode ser vista nos quadros 1H-J. Observe que os voxels classificados como VDC33 não estão incluídos em VFLAIR, mas são indicativos de possíveis localizações de lesões futuras. A Figura 2 mostra achados semelhantes em um nível semiovalente mais alto, centrum. O procedimento de segmentação DC utilizou três sequências diferentes (FLAIR, T2, T1). Aqui, apenas FLAIR é mostrado para fins ilustrativos.

Para todo o conjunto de dados utilizado, as três medidas parciais de volume WML se correlacionam significativamente entre si: VDC33*VDC66 r = 0,87; VDC33*VDC100 r = 0,47; VDC66*VDC100 r = 0,47 (p < 0,001). Também se correlacionaram significativamente com VFLAIR: VDC33 r = 0,26 (p = 0,024), VDC66 r = 0,26 (p = 0,023), e VDC100 r = 0,87 (p < 0,001), respectivamente. Entretanto, as medidas não foram significativamente associadas à presença de infartos lacunares (não/muitos) ou escore global de atrofia cerebral (cortical e subcortical) (p > 0,05).

Figure 3 identifica as segmentações compartilhadas e díspares entre a segmentação convencional (VFLAIR), e DC (VDCHARD) para o assunto da Figura 1. Há uma clara sobreposição entre as duas segmentações, como mostrado pelo grande número de pixels verdes. Para o assunto mostrado nessa figura, há uma pequena diferença entre VFLAIR e VDCHARD.

Estimando a classificação completa do tecido de um sujeito, usando DC em um PC com Intel® Core™ i5-4590 CPU@ 3,30 GHz com 16 GB de RAM, levou cerca de 25 min. A estimativa das etiquetas, no referido computador, demorou cerca de 70 min. Uma melhoria desta última estimativa deve racionalizar significativamente o procedimento.

Volumes WML parciais como preditores de desempenho cognitivo

As relações entre volumes WML parciais e desempenho cognitivo longitudinal estão resumidas na Tabela 2. Modelos lineares mistos ajustados para idade, sexo e escolaridade mostraram associações negativas significativas entre o VDC33 e a pontuação composta para funções executivas. Em primeiro lugar, o VDC33 foi associado a um efeito principal significativo no nível geral do desempenho executivo (pontuação média em todas as quatro avaliações temporais). Em segundo lugar, a interação entre o VDC33 e o tempo (ano da avaliação) indicou um valor preditivo significativo do VDC33 sobre a mudança no desempenho executivo ao longo dos 3 anos de acompanhamento. Especificamente, uma maior carga de VDC33 relacionada com um desempenho inferior na linha de base e um declínio mais acentuado nas funções executivas em cada ano de avaliação subsequente. Após ajustes adicionais para o VFLAIR, esses resultados permaneceram inalterados. Além disso, houve uma fraca associação da linha de base entre a pontuação total do VDC33 e VADAS, mas esse resultado não foi mais significativo após o controle para VFLAIR.VDC33 não teve efeitos ou interações significativas com o tempo em MMSE, VADAS, velocidade de processamento ou funções de memória.

VDC66 foi relacionada a efeitos principais significativos indicando um nível geral de desempenho mais fraco em VADAS e funções executivas. A interação entre o VDC66 e o tempo foi significativa apenas para a velocidade de processamento. A inspeção dos resultados em pontos de tempo individuais mostrou uma associação de base significativa (VADAS, funções executivas), bem como mudança longitudinal no primeiro (VADAS, funções executivas), segundo (MMSE, funções executivas), e terceiro (funções executivas) ano de seguimento. O controle para VFLAIR teve efeito mínimo sobre esses resultados (Tabela 2).

Finalmente, o VDC100 foi associado com efeitos principais significativos em todos os escores neuropsicológicos. As interações de tempo do VDC100* indicaram uma relação significativa com a mudança durante o acompanhamento em quatro das cinco medidas cognitivas. Nesta fase, as lesões foram sistematicamente associadas ao desempenho cognitivo já na linha de base. Além disso, foi evidente um declínio mais acentuado do desempenho desde a primeira até a última avaliação de acompanhamento com alguma variação nas diferentes medidas cognitivas. A maioria desses resultados permaneceu mesmo após controle adicional para VFLAIR apesar de sua alta correlação com VDC100 (Tabela 2).

Embora VDC33 e VDC66, VFLAIR permaneceu um preditor significativo do desempenho geral durante o período de acompanhamento em VADAS e funções executivas. Entretanto, VFLAIR não teve valor preditivo independente incremental ao de VDC100 em nenhuma das medidas cognitivas.

Discussão

Este estudo examinou o impacto cognitivo longitudinal da WML parcial, desde as alterações mais fracas na matéria branca com aspecto normal até as lesões totalmente desenvolvidas. A investigação utilizou um novo método de segmentação do tecido de RM multiespectral auto-supervisionado baseado na DC (Gonçalves et al., 2014) e avaliações neuropsicológicas repetidas anualmente no seguimento de 3 anos. Diferentes tipos de tecidos foram identificados utilizando todas as sequências de RM disponíveis simultaneamente. A WML foi então categorizada de acordo com volumes parciais como lesão pequena, intermediária e completa.

Segmentação tecidual manual convencional, onde a decisão é baseada em um limiar de nível de cinza implícito, o método proposto dá acesso a informações “sob o limiar” em relação às lesões. Isto permite uma melhor avaliação da progressão da lesão (informação qualitativa), bem como da volumetria sub-voxel (informação quantitativa). Existem outros métodos que fornecem informações sobre as proporções teciduais (Van Leemput et al., 2003; Manjón et al., 2010). No entanto, eles usam certos antecedentes que os tornam inadequados para a detecção de WML, como a suposição de que um voxel não pode conter mais de dois tipos de tecido.

A principal descoberta do presente estudo foi que mesmo o menor volume parcial de WML, VDC33, estava significativamente associado a um desempenho executivo mais fraco já na linha de base e previu um declínio futuro nas funções executivas ao longo dos 3 anos de acompanhamento. Este efeito foi independente de fatores demográficos e, notavelmente, também do volume de hiperintensidade convencionalmente avaliado nas imagens FLAIR. Em um subgrupo de sujeitos, mostramos adicionalmente que o VDC33 provavelmente representa as primeiras alterações na matéria branca com aspecto normal, já que sua detecção, na linha de base, indicou futuras localizações das lesões totalmente desenvolvidas após o acompanhamento (Anexo I).

As lesões em estágio intermediário, VDC66, foram independentemente associadas a um declínio cognitivo mais extenso, incluindo alterações na velocidade de processamento e funções executivas, bem como funções cognitivas globais. Além disso, as lesões em estágio completo, VDC100, estavam relacionadas a efeitos ainda mais pronunciados espalhando-se por todos os domínios cognitivos avaliados, tanto na linha de base quanto no acompanhamento. Não é surpreendente que o VDC100 seja um forte preditor do declínio cognitivo. Como o VDC100 estava altamente correlacionado com o VFLAIR, que anteriormente mostrou uma forte associação com a mudança cognitiva (Jokinen et al., 2011; Kooistra et al., 2014), ele deve ter um poder preditivo bastante semelhante.

O novo e mais importante resultado da presente pesquisa é que o volume de lesões detectadas abaixo do limiar de decisão já permite a predição de escores cognitivos particulares. Os primeiros sinais de declínio cognitivo foram encontrados especificamente nas funções executivas, que são assumidas como essencialmente baseadas na integridade das conexões pré-frontal-subcortical da matéria branca (O’sullivan et al., 2001), funções executivas incluem processos de controle cognitivo, tais como flexibilidade mental, inibição e planejamento relacionados ao complexo comportamento direcionado por metas. Essas funções são cruciais para as habilidades funcionais de um indivíduo na vida diária (Tomaszewski Farias et al., 2009).

Os resultados apresentados neste artigo suportam a hipótese de que as hiperintensidades da WML representam apenas “uma ponta do iceberg”, enquanto de fato os danos da matéria branca na SVD evoluem como um processo gradual afetando áreas mais amplas do cérebro (Schmidt et al., 2011; Maillard et al., 2013). Estudos de difusão por imagem mostraram que alterações microestruturais sutis, mesmo no tecido cerebral de aspecto normal, estão relacionadas ao comprometimento cognitivo e predizem mau resultado cognitivo e clínico no seguimento (Schmidt et al., 2010; Jokinen et al., 2013). A integridade microestrutural é particularmente reduzida na proximidade da WML, como mostra a anisotropia fracionária (Maillard et al., 2011). Este fenômeno chamado “WMH penumbra” pode estar relacionado com os volumes parciais da WML observados no início do estágio inicial do nosso estudo. No entanto, os primeiros estágios de lesão também podem ocorrer a alguma distância da WML totalmente desenvolvida, como ilustrado em detalhes no Apêndice I. Para nosso conhecimento, a relação dessas mudanças focais subliminares com o resultado cognitivo não foi mostrada antes.

A presente amostra consiste de um grupo misto de sujeitos mais velhos, igualmente estratificados para todos os graus de severidade da WML, de leve a grave. Os participantes foram recrutados em diferentes contextos, com base em razões de encaminhamento variadas, representando a diversidade de pacientes com WML encontrados na prática clínica (Grupo de Estudo LADIS, 2011). Essa heterogeneidade dos sujeitos pode, entretanto, obscurecer os efeitos mais sutis entre os achados de imagem e o declínio cognitivo. Tipicamente para estudos longitudinais sobre envelhecimento e doença cerebrovascular, alguns dados foram perdidos devido à desistência dos sujeitos do acompanhamento ou incapacidade de completar todas as avaliações.

Como limitação, o protocolo de imagens LADIS não foi inicialmente projetado para o presente método de segmentação quantitativa, portanto, apenas uma parte dos dados de imagem originais pôde ser utilizada. Além disso, ruído de imagem, resolução e artefatos de movimento são todos fatores que podem influenciar o resultado de um estudo multicêntrico como o aqui apresentado. Isto é especialmente verdadeiro quando se trata de efeitos de volume parcial. Apesar dessas limitações, e após a correção de alguns dos fatores de confusão acima mencionados, pudemos detectar indicações sutis de progressão da lesão, baseadas em voxels com pequena probabilidade de ser lesão.

Para melhorar a confiabilidade dos resultados mostrados neste manuscrito, uma coorte maior poderia ter sido considerada. Devido à preocupação com a consistência entre os centros, e mudanças nas configurações de imagens em diferentes momentos, uma política mais rigorosa deve ser usada em relação às seqüências de RM empregadas.

Os pontos fortes deste estudo incluem um novo método de análise de imagens, robusto, auto-supervisionado e orientado por dados, que permite a identificação de tipos de tecidos, e a quantificação de mudanças patológicas no cérebro, em um estágio muito precoce, onde a avaliação convencional por RM não seria útil. O estudo também se beneficia de avaliações neuropsicológicas detalhadas, realizadas em intervalos anuais em seguimento de 3 anos.

Em conclusão, as alterações precoces na matéria branca com aspecto normal já dão uma pista de deterioração progressiva e mau resultado cognitivo. Nesta fase, as funções executivas são principalmente afetadas, mas o efeito prejudicial sobre a cognição torna-se mais global quando as mudanças se desenvolvem gradualmente em WML completa, eventualmente detectáveis também na segmentação do tecido da RM convencional. Esses resultados afirmam o método proposto de segmentação tecidual de RM multiespectral como uma ferramenta promissora com valor aditivo no reconhecimento do risco de SVD e declínio cognitivo progressivo clinicamente significativo.

Contribuições dos autores

Todos os autores fizeram revisões críticas do manuscrito para conteúdo intelectual importante. Além disso, o trabalho mais central de cada autor para o estudo foi o seguinte: HJ; Investigador responsável e autor correspondente, desenho e conceituação do estudo, aquisição de dados neuropsicológicos e clínicos, análise estatística e interpretação, redação e finalização do manuscrito. NG; Investigador responsável, desenho e conceptualização do estudo, desenvolvimento do método de segmentação da RM, análise dos dados da RM, elaboração e finalização do manuscrito. RV; Desenvolvimento do método de segmentação MRI, análise dos dados MRI, desenho e conceptualização do estudo. JL; Expertise em análise e interpretação estatística. FF; Desenho do estudo LADIS, responsável pelos métodos de ressonância magnética. RS; Desenho do estudo LADIS, responsável pelos métodos de ressonância magnética. FB; Desenho do estudo LADIS, responsável pelos métodos de MRI. SM; Construção da bateria de testes neuropsicológicos, aquisição de dados neuropsicológicos e clínicos. AV; Aquisição de dados neuropsicológicos e clínicos. DI; Coordenador do estudo, membro do comité director do LADIS; Desenho do estudo LADIS. LP; Coordenação e concepção do estudo LADIS. TE; Membro do comité directivo da LADIS, desenho do estudo LADIS, conceptualização e desenho do estudo. HJ e NG contribuíram igualmente para este trabalho.

Conflict of Interest Statement

Os autores declaram que a pesquisa foi conduzida na ausência de quaisquer relações comerciais ou financeiras que pudessem ser interpretadas como um potencial conflito de interesses.

Acknowledgments

O Leukoaraiosis and Disability Study foi apoiado pela União Européia (bolsa QLRT-2000-00446). O trabalho da HJ foi apoiado por subsídios do Instituto de Pesquisa Clínica e do Fundo de Pesquisa Médica do Hospital Central da Universidade de Helsinki, e da Fundação Ella e Georg Ehrnrooth. O NG foi financiado pelo número de bolsa SFRH/BD/36178/2007 da Fundação para a Ciência e Tecnologia.

Material Suplementar

O Material Suplementar para este artigo pode ser encontrado online em: https://www.frontiersin.org/article/10.3389/fnins.2015.004554396>

A abreviações

DC, agrupamento discriminatório; FLAIR, recuperação por inversão de fluidos atenuada; LADIS, Leucoaraiosis e Estudo da Deficiência; MMSE, Mini-Mental State Examination; MRI, ressonância magnética; SVD, doença de pequenos vasos; VADAS, Avaliação da Demência Vascular Subescala Cognitiva; VDC33, volume de voxels contendo pequena proporção de lesão; VDC66, volume de voxels contendo proporção intermediária de lesão; VDC100, volume de voxels contendo proporção completa de lesão; VDCHARD = VDC100 + VDC66; VFLAIR, volume WML medido com análise semi-automatizada convencional em imagens FLAIR; WML, lesão de matéria branca.

Footnotes