Predicting effects of stroke lesions and recovery through whole-brain modeling and brain dynamics

Abstract

Stroke is the second leading cause of death worldwide and a major contributor to disability. However, our understanding of the consequences of stroke lesions remains limited, relying mainly on behavioral reports and descriptive correlations from neuroimaging techniques. Functional magnetic resonance imaging (fMRI), one of the most commonly used methods, offers various possibilities that have not been extensively explored in stroke patients. In this thesis, we introduce a novel analysis approach that shifts the focus to the connections between brain regions, aiming to identify biomarkers for severity and recovery. Moreover, by employing whole-brain models, we demonstrate how the integration of structural and functional information can enhance the accuracy of existing analyses. Additionally, we present a model capable of predicting the functional information based only on the structural damage of the patients. Lastly, given the high-dimensional nature of the data, we utilize a deep learning autoencoder to uncover the embedded information and nonlinear dynamics of the brain following a stroke event. All of the findings presented in this thesis contribute to the improvement of diagnostics, classification, and prediction of recovery for this significant disorder.

Los accidentes cerebrovasculares son la segunda causa de muerte a nivel mundial y una de las principales causas de discapacidad. Sin embargo, nuestra comprensión de las consecuencias de las lesiones por accidentes cerebrovasculares sigue siendo limitada y se basa principalmente en reportes de comportamiento y correlaciones descriptivas de técnicas de neuroimagen. La resonancia magnética funcional (fMRI), el método más utilizado, ofrece varias posibilidades que no se han explorado ampliamente en pacientes con accidente cerebrovascular. En nuestro estudio, presentamos un enfoque novedoso centrado en las conexiones entre las regiones del cerebro, con el objetivo de identificar biomarcadores de severidad y recuperación. Al emplear modelos de cerebro completo, demostramos cómo la integración de información estructural y funcional puede mejorar la precisión de los análisis existentes. Adicionalmente, presentamos un modelo capaz de predecir la información funcional basándose únicamente en el daño estructural de los pacientes. Por último, dada la naturaleza de alta dimensionalidad de los datos, utilizamos un codificador automático para investigar la información latente y la dinámica no lineal del cerebro después de un accidente cerebrovascular. Todos los hallazgos presentados en este estudio contribuyen a mejorar el diagnóstico, la clasificación y la predicción de la recuperación de este importante trastorno.