ABSTRACT In clinical neuroscience, the segmentation of the main white matter bundles is propaedeutic for many tasks such as pre-operative neurosurgical planning and monitoring of neuro-related diseases. Automating bundle segmentation with data-driven approaches and deep learning models has shown promising accuracy in the context of healthy individuals. The lack of large clinical datasets is preventing the translation of these results to patients. Inference on patients’ data with models trained on healthy population is not effective because of domain shift. This study aims to carry out an empirical analysis to investigate how transfer learning might be beneficial to overcome these limitations. For our analysis, we consider a public dataset with hundreds of individuals and a clinical dataset with several tens of glioma patients. We focus our preliminary investigation on the corticospinal tract. The results show that transfer learning might be effective in partially overcoming the domain shift.

Virtual delineation of white matter bundles in the human brain is of paramount importance for multiple applications, such as pre-surgical planning and connectomics. A substantial body of literature is related to methods that automatically segment bundles from diffusion Magnetic Resonance Imaging (dMRI) data indirectly, by exploiting either the idea of connectivity between regions or the geometry of fiber paths obtained with tractography techniques or, directly, through the information in volumetric data. Despite the remarkable improvement in automatic segmentation methods over the years, their segmentation quality is not yet satisfactory, especially when dealing with datasets with very diverse characteristics, such as different tracking methods, bundle sizes or data quality. In this work, we propose a novel, supervised streamline-based segmentation method, called Classifyber, which combines information from atlases, connectivity patterns, and the geometry of fiber paths into a simple linear model. With a wide range of experiments on multiple datasets that span from research to clinical domains, we show that Classifyber substantially improves the quality of segmentation as compared to other state-of-the-art methods and, more importantly, that it is robust across very diverse settings. We provide an implementation of the proposed method as open source code, as well as web service.

BACKGROUND AND OBJECTIVES: Precise mapping of functional networks in patients with brain tumor is essential for tailoring personalized treatment strategies. Resting-state functional MRI (rs-fMRI) offers an alternative to task-based fMRI, capable of capturing multiple networks within a single acquisition, without necessitating task engagement. This study demonstrates a strong concordance between preoperative rs-fMRI maps and the gold standard intraoperative direct electric stimulation (DES) mapping during awake surgery. METHODS: We conducted an analysis involving 28 patients with glioma who underwent awake surgery with DES mapping. A total of 100 DES recordings were collected to map sensorimotor (SMN), language (LANG), visual (VIS), and speech articulation cognitive domains. Preoperative rs-fMRI maps were generated using an updated version of the ReStNeuMap software, specifically designed for rs-fMRI data preprocessing and automatic detection of 7 resting-state networks (SMN, LANG, VIS, speech articulation, default mode, frontoparietal, and visuospatial). To evaluate the agreement between these networks and those mapped with invasive cortical mapping, we computed patient-specific distances between them and intraoperative DES recordings. RESULTS: Automatically detected preoperative functional networks exhibited excellent agreement with intraoperative DES recordings. When we spatially compared DES points with their corresponding networks, we found that SMN, VIS, and speech articulatory DES points fell within the corresponding network (median distance = 0 mm), whereas for LANG a median distance of 1.6 mm was reported. CONCLUSION: Our findings show the remarkable consistency between key functional networks mapped noninvasively using presurgical rs-fMRI and invasive cortical mapping. This evidence highlights the utility of rs-fMRI for personalized presurgical planning, particularly in scenarios where awake surgery with DES is not feasible to protect eloquent areas during tumor resection. We have made the updated tool for automated functional network estimation publicly available, facilitating broader utilization of rs-fMRI mapping in various clinical contexts, including presurgical planning, functional reorganization over follow-up periods, and informing future treatments such as radiotherapy.

Motivation: Brain surgery glioma patients frequently exhibit attentional deficit, however the prediction of its appearance is largely unknown. Goal(s): Investigate longitudinal temporal properties of executive function to gain insights about its relationship with cognitive attentive performance in gliomas. Approach: We used longitudinal dynamic functional connectivity analysis of executive networking to associate it with neuropsychological attentive and executive performance. Results: Post-surgical attentive performance is strictly related to functional temporal properties of executive networks, regardless of gliomas' features. Underlying substrates of impairment in the executive domain could be explained by looking at changes in temporal persistence of highly co-activated fronto-parietal networking. Impact: Co-activation patterns framework enables the prediction of post-operative attentional deficits by looking at pre-surgical temporal features of executive networking. We demonstrate how the dynamic nature of the brain contains crucial features to develop clinically relevant imaging markers for gliomas recovery.

In glioma surgery, maximizing the extent of resection while preserving cognitive functions requires an understanding of the unique architecture of the white matter (WM) pathways of the single patient and of their spatial relationship with the tumor. Tractography enables the reconstruction of WM pathways, and bundle segmentation allows the identification of critical connections for functional preservation. This study evaluates the effectiveness of a streamline-based approach for bundle segmentation on a clinical dataset as compared to the traditional ROI-based approach. We performed bundle segmentation of the arcuate fasciculus, of its indirect anterior and posterior segments, and of the inferior fronto-occipital fasciculus in the healthy hemisphere of 25 high-grade glioma patients using both ROI- and streamline-based approaches. ROI-based segmentation involved manually delineating ROIs on MR anatomical images in Trackvis (V0.6.2.1). Streamline-based segmentations were performed in Tractome, which integrates clustering algorithms with the visual inspection and manipulation of streamlines. Shape analysis was conducted on each bundle. A paired t-test was performed on the irregularity measurement to compare segmentations achieved with the two approaches. Qualitative differences were evaluated through visual inspection. Streamline-based segmentation consistently yielded significantly lower irregularity scores (p < 0.001) compared to ROI-based segmentation for all the examined bundles, indicating more compact and accurate bundle reconstructions. Qualitative assessment identified common biases in ROI-based segmentations, such as the inclusion of anatomically implausible streamlines or streamlines with undesired trajectories. Streamline-based bundle segmentation with Tractome provides reliable and more accurate reconstructions compared to the ROI-based approach. By directly manipulating streamlines rather than relying on voxel-based ROI delineations, Tractome allows us to discern and discard implausible or undesired streamlines and to identify the course of WM bundles even when the anatomy is distorted by the lesion. These features make Tractome a robust tool for bundle segmentation in clinical contexts.

Highlights•First study comparing PD-DBS patients to totally matched PD patients on pharmacologically therapy;•STN-DBS might worsen long-term memory, executive functions, and visuospatial abilities;•Cognitive profile before surgery contributed to clinical outcomes;•Guidelines for cognitive evaluation of PD patients for DBS surgery are needed.