Bildgebung der Konnektivität von Hirntumoren

Zusammenfassung

Hintergrund

Hirntumore, insbesondere höhergradige hirneigene Tumore, weisen eine ungünstige Prognose auf, beim Glioblastom liegt die 5-Jahres-Überlebensrate beispielsweise bei unter 5%. Neue Erkenntnisse aus der Hirntumorforschung zeigen, dass die Integration des Tumors in neuronale und gliale Netzwerke sowie die Ausbildung von Netzwerken aus Gliomzellen über die makroskopischen Tumorgrenzen hinaus wesentlich zur Progression und Therapieresistenz des Tumors beitragen. Um diese Erkenntnisse bildgebend zu erfassen, sind innovative Verfahren erforderlich, die Hirntumore als systemische Erkrankungen des Gehirns abbilden können.

Methode

Diese Übersichtsarbeit stellt aktuelle bildgebende Verfahren zur Analyse tumorassoziierter funktioneller und struktureller Konnektivität dar. Im Fokus stehen die resting-state funktionelle MRT (rs-fMRT) und die Diffusions-Tensor-Bildgebung (DTI) mit Traktografie.

Ergebnisse

Veränderungen der funktionellen Konnektivität bei Gliompatienten lassen sich mittels rs-fMRT erfassen und quantifizieren. Diese Veränderungen sind assoziiert mit der Tumorbiologie, dem Gesamtüberleben und der kognitiven Leistung. Rs-MRT-Parameter können zur Prognoseeinschätzung und zur Entwicklung neuer Therapieansätze beitragen, die den Netzwerkcharakter des Tumors adressieren. Die quantitative, strukturelle Konnektivitätsanalyse kann zusätzliche Erkenntnisse zur Tumorintegration in die Netzwerkarchitektur des Gehirns liefern. Die DTI-gestützte Traktografie wird insbesondere in der Neurochirurgie eingesetzt, da sie den Lagebezug zwischen Tumor und Faserbahnen abbildet.

Schlussfolgerung

Die bildgebende Analyse tumorassoziierter Netzwerkveränderungen ermöglicht ein vertieftes Verständnis der Hirntumorbiologie und kann die Entwicklung netzwerkgerichteter Therapieansätze unterstützen. Insbesondere konnektivitätsbasierte Verfahren wie rs-fMRT und DTI-Traktografie bieten großes Potenzial, um präoperative Planung, Prognoseabschätzung und personalisierte Therapiekonzepte von Hirntumorpatienten weiter zu verbessern.

Kernaussagen

• Gliomzellen bilden Netzwerke, die über makroskopische Tumorgrenzen hinausgehen und Therapieresistenz fördern.

• Gliomzellen bilden Synapsen mit Neuronen und nutzen neuronale Signale für Tumorwachstum.

• Netzwerkveränderungen sind mittelst rs-fMRI und DTI darstellbar und quantifizierbar.

• Tumor-assoziierte Netzwerkveränderungen in der Bildgebung korrelieren mit Tumorbiologie und klinischer Prognose.

• Bildgebende Netzwerkmarker können Therapieplanung und -überwachung optimieren und Entwicklung neuer Therapiekonzepte unterstützen.

Zitierweise

• Suvak S, Wunderlich S, Stoecklein V et al. Imaging of Brain Tumor Connectivity. Rofo 2026; DOI 10.1055/a-2779-7718

Einleitung

Gehirntumoren, insbesondere Gliome, gehören trotz intensiver multimodaler Therapiekonzepte weiterhin zu den prognostisch ungünstigsten Tumorerkrankungen [1]. Beim Glioblastom, dem häufigsten hochgradigen Gliom, liegt die 5-Jahres-Überlebensrate unverändert bei unter 5% [2]. In den letzten Jahren haben grundlegende Erkenntnisse aus dem Bereich der „Cancer Neuroscience“ das Verständnis der Tumorbiologie entscheidend erweitert und eröffnen neue Ansatzpunkte für innovative Therapiestrategien. Die Translation dieses Wissens stellt auch die bildgebende Diagnostik vor neue Anforderungen [3].

Bereits 2012 wurden Gliome als systemische ZNS-Erkrankung beschrieben, da Tumorzellen histopathologisch in makroskopisch unauffälligem Hirngewebe nachgewiesen werden konnten. Dies legt nahe, dass die tatsächliche Tumorausdehnung die in der MR-Morphologie sichtbare Läsion deutlich übersteigt [4].

Seit 2015 haben mehrere wegweisende Arbeiten im Bereich Cancer Neuroscience wesentliche Beiträge zum Verständnis der Netzwerkstruktur von Gliomen geleistet. Präklinische Modelle zeigen, dass Gliomzellen sich sowohl funktionell als auch strukturell in die zerebrale Architektur integrieren und physiologische Mechanismen für ihr Wachstum nutzen [5] [6] [7] [8]. Besonders eindrücklich ist der Nachweis synaptischer Verbindungen zwischen Neuronen und Gliomzellen, wobei der neuronale Input das Tumorwachstum gezielt fördert [6] [8]. Ein weiterer zentraler Mechanismus ist die Ausbildung von Tumorzellnetzwerken mittels sogenannter Tumor-Microtubes (TM), in denen sich Gliomzellen über gap junctions vernetzen [6]. Hier konnte eine Kommunikation mittels Kalziumwellen nachgewiesen werden, was auf ein aktives und koordiniertes Netzwerkverhalten der Tumorzellen hinweist [9]. Darüber hinaus zeigen Studien, dass vernetzte Tumorzellen innerhalb dieses gliomeigenen Netzwerks eine erhöhte Resistenz gegenüber therapeutischen Maßnahmen aufweisen und sich selbst regenerieren können. Diese Netzwerkbildung trägt somit wesentlich zur Therapieresistenz und zur ungünstigen Prognose bei [10]. Die Erkenntnis, dass Gliome als systemische Netzwerkerkrankung des Gehirns zu verstehen sind, erfordert neue bildgebende Ansätze, die den Netzwerkcharakter dieser Tumoren gezielt abbilden und analysieren können ([Abb. 1]). Vielversprechend sind die funktionelle MRT (fMRT) und Diffusion Tensor Imaging (DTI). So konnte in initialen fMRT- und DTI-Studien gezeigt werden, dass Gliome und auch zerebrale Metastasen zu Änderungen der funktionellen und strukturellen Konnektivität führen [3] [11] [12], die teilweise mit dem Überleben assoziiert sind [3] [13].

Abb. 1 Schematische Darstellung der bildgebenden Analyse tumorassoziierter Konnektivität bei Hirntumoren. Die MRT-basierten Verfahren beruhen auf der Fähigkeit von Gliomen, sich funktionell und strukturell in zerebrale Netzwerke zu integrieren, weshalb Gliome als systemische Netzwerk-Erkrankungen des Gehirns betrachtet werden müssen. Links dargestellt ist die funktionelle Konnektivität mittels resting-state fMRT zur Erfassung tumorassoziierter Veränderungen der zerebralen Netzwerkaktivität. Rechts dargestellt ist die strukturelle Konnektivität, welche mittels diffusionsgewichteter MRT und Traktografie Lagebeziehung und Integrität subkortikaler Faserbahnen im Tumorkontext analysiert. Erstellt mit BioRender.com.

Weitreichend Konnektivitätsveränderungen, gemessen mittels funktioneller Konnektivitäts-MRT (fcMRI) im Ruhezustand (Resting-State), wurden bei Patienten mit Gliom mit dem Tumorgrad [11] [13] [14] [15] und der Prognose [13] [14] [15] [16] in Zusammenhang gebracht. fcMRI-Studien zu Hirnmetastasen sind rar und durch kleine Stichprobenumfänge limitiert, deuten jedoch auf Gruppenebene auf weitreichende Veränderungen der funktionellen Konnektivität hin [12] [17].

Auch Veränderungen der strukturellen Faserbahnen, untersucht mittels Diffusion Tensor Imaging (DTI), sind bei Patienten mit Glioblastom mit dem Überleben assoziiert [18] [19]. Strukturelle Veränderungen können auch bei Metastasen zur Prognoseeinschätzung dienen und sind mit dem Gesamtüberleben assoziiert [20] [21].

Funktionelle Konnektivität

Funktionelle MRT (fMRT)

Die fMRT basiert auf dem Blood-oxygen-level-dependent (BOLD)-Signal. Desoxygeniertes Hämoglobin besitzt paramagnetische Eigenschaften und führt lokal zu einer Signalabschwächung im BOLD-Kontrast, während oxygeniertes Hämoglobin diamagnetisch ist und das MR-Signal kaum beeinflusst. Je höher der Anteil an desoxygeniertem Hämoglobin ist, desto geringer ist das BOLD-Signal in einem Voxel [22] [23] [24]. Sekunden nach der Aktivierung eines Gehirnareals, beispielsweise durch eine Aufgabe, erhöht sich über-kompensatorisch dessen Durchblutung [25]. Die neuronale Aktivierung führt so zu einer Zunahme des Gehalts an Oxyhämoglobin, was die T2*-Zeit des Blutes verlängert und zu einer erhöhten Intensität des T2*-gewichteten Signals führt [26]. BOLD-Signale können mit Echo-Planar-Imaging (EPI)-Sequenzen erfasst werden, die gezielt diesen T2*-Effekt betonen [26] und eine schnelle zeitaufgelöste Datenakquisition ermöglichen [27]. Die neuere Multi-Echo-fMRT kann die Genauigkeit und Aussagekraft der funktionellen MRT im Gegensatz zur Single-Echo-fMRT durch Mehrfach-Echo-Aufnahmen pro Schicht über eine präzise Modellierung des T2*-Signalverlaufes verbessern [28]. Im Rahmen der fMRT werden über die Dauer von Minuten die BOLD-Signale für jedes Voxel des Gehirns erfasst [23].

Funktionelle Konnektivität mittels resting state fMRT

Im Ruhezustand (resting state) weist das Gehirn in Abwesenheit von gezielter Aktivierung von Gehirnarealen durch spezifische Aufgaben intrinsische Fluktuationen des BOLD-Signals auf, die die Ruheaktivität des Gehirns charakterisieren und 60–80% des zerebralen Energieverbrauchs ausmachen [22]. Gehirnareale, die funktionell verbunden sind, zeigen einen korrelierten Signalzeitverlauf; je stärker die Korrelation, desto höher die sog. funktionelle Konnektivität der Gehirnareale.

Für die resting-state fMRT (rs-fMRT) werden Patienten für etwa 6–15 Minuten in einem MRT-Scanner untersucht, ohne kognitive Aufgaben auszuführen und ohne einzuschlafen. Die Analyse der rs-fMRT-Daten basiert überwiegend auf Fluktuationen des BOLD-Signals im Niederfrequenzbereich (<0,1 Hz) [22] [29].

Es gibt verschiedene Methoden, funktionelle Konnektivität basierend auf rs-fMRT im Gehirn zu analysieren, wie zum Beispiel “region-of-interest” (ROI)-basierte Analysen, in denen die Konnektivität einer bestimmten ROI zu anderen Gehirnarealen oder zu den übrigen Voxeln der grauen Substanz untersucht wird [22]. Eine alternative Methode ist die Independent Component Analysis (ICA), ein datengetriebener Ansatz, der simultane Voxel-zu-Voxel-Interaktionen erfasst und es ermöglicht, mehrere räumlich unabhängige, aber funktionell kohärente neuronale Netzwerke im Gehirn zu identifizieren. Dabei werden Signalquellen getrennt, die statistisch unabhängig voneinander sind, wodurch ICA insbesondere für die Analyse komplexer funktioneller Netzwerkmuster in Ruhebedingungen (rs-fMRT) geeignet ist [30]. Ein weiterer Ansatz berechnet die Korrelation der BOLD-Signalzeitverläufe zwischen allen Voxeln der grauen Substanz und bildet daraus eine individuelle Korrelationsmatrix. Diese Korrelationsmatrix kann als funktionelles Connectome interpretiert werden und dient als Grundlage für weiterführende Analysen, etwa grafentheoretische Verfahren (z.B. Modularität, Effizienz, Knotenstärke) [31] oder normative Modelle, bei denen individuelle Konnektivitätsprofile mit Referenzdatensätzen verglichen werden (siehe unten).

Konnektivitätsänderungen bei Hirntumoren

Seit 2020 konnten mehrere Studien zeigen, dass Gliome mit messbaren Veränderungen der funktionellen Konnektivität einhergehen und dass diese tumorassoziierten Konnektivitätsveränderungen sowohl bei niedriggradigen als auch bei hochgradigen Gliomen signifikant mit der Prognose im Sinne des Gesamtüberlebens assoziiert sind [3] [13] [15] [16] [32]. Zudem fand sich ein Zusammenhang zwischen funktionellen Konnektivitätsänderungen und dem WHO-Grad, molekulargenetischen Markern wie dem IDH-Mutationsstatus sowie kognitiver Leistungsfähigkeit [11]. Dabei war ein höherer WHO-Grad mit größeren Abweichungen der Konnektivität zu einer an gesunden Probanden erhobenen Referenzverteilung assoziiert. Zudem zeigen Patienten mit IDH-Wildtyp-Gliomen größere Konnektivitätsabweichungen als Patienten mit IDH-mutierten Tumoren [11]. Das Ausmaß der Konnektivitätsabweichung war dabei mit der neurokognitiven Leistung, gemessen mit dem Montreal Cognitive Assesment (MOCA) Test, assoziiert. Es konnte auch gezeigt werden, dass bei Hirntumorpatienten Änderungen der funktionellen Konnektivität, nicht auf die läsionale Hemisphäre beschränkt sind, sondern insbesondere bei höhergradigen Gliomen auch die kontraläsionale Hemisphäre betreffen ([Abb. 2]) [11]. Vorläufige Ergebnisse zeigen, dass unterschiedliche Anteile desselben Tumors teils auch unterschiedliche Konnektivität zum Resthirn aufweisen ([Abb. 3]), was der Heterogenität des Glioms entspricht und Ergebnisse einer seminalen MEG-basierten Gliom-Untersuchungen widerspiegelt [33].

Abb. 2 fcMRT dysconnectivity map. A T1-gewichtete MRT mit Kontrastmittel und B T2-gewichtete MRT eines Patienten mit Glioblastom. C, D zeigen axial und coronar repräsentativ die rs-fMRT dysconnectivity map (= dysconnectivity index (DCI) map). Trotz der morphologisch auf die linke Hemisphäre begrenzten Läsion zeigen sich ausgeprägte tumorassoziierte Konnektivitätsveränderungen, die auch die kontraläsionale Hemisphäre betreffen. (A, B). Adaptiert von [11].

Abb. 3 Intratumorale Unterschiede in der Konnektivität. Panel (A) zeigt eine Tumorregion mit hoher Konnektivität zu Hirnarealen außerhalb des Tumors, z.B. im Frontal- und Okzipitallappen (B). Die in C dargestellte Tumorregion weist hingegen geringe Konnektivität zum Hirnparenchym außerhalb des Tumors auf (D). Das Bild wurde mit der Elements Software erstellt (Brainlab AG, Germany).

Methodisch kommen bei der Untersuchung der funktionellen Konnektivität bei Gliompatienten unterschiedliche Analyseansätze zum Einsatz, darunter die Messung der Konnektivitätsstärke innerhalb definierter Netzwerke [15], die Erfassung der funktionellen Konnektivität zwischen Tumor und Resthirn [13], korrelationsbasierte Verfahren auf Grundlage voxelweiser Matrizen der grauen Substanz [11] [32] [34] sowie grafentheoretische Methoden zur Untersuchung der übergeordneten Netzwerktopologie [35]. Dabei wurden jeweils unterschiedliche Aspekte der tumorassoziierten Netzwerkveränderungen beleuchtet.

Die auf rs-fMRT gestützte Analyse der funktionellen Konnektivität eröffnet also vielversprechende Einblicke in die netzwerkweiten Auswirkungen von Hirntumoren wie Gliomen. Sie deckt Veränderungen auf, die weit über die lokal begrenzten Befunde hinausgehen, die mit herkömmlicher MRT oder PET erfassbar sind. Besonders bei diffus infiltrierenden Tumoren wie dem Glioblastom ist dieser systemische Blick auf das Gehirn von klinischer Relevanz. Für die klinische Anwendung fehlt jedoch bislang ein etabliertes Verfahren zur quantitativen Bewertung individueller Abweichungen. Während viele Studien auf Gruppenebene durchgeführt werden, ist die zuverlässige Analyse einzelner Patienten essenziell für eine personalisierte Diagnostik und Therapie. Ein erster Schritt in diese Richtung ist die Einführung des sogenannten Dysconnectivity Index (DCI) einem voxelbasierten Marker, der das Konnektivitätsprofil eines Patienten mit den normativen Werten einer gesunden Kohorte vergleicht ([Abb. 4]) [11]. So können netzwerkbasierte Veränderungen auf Einzelpatientenebene detektiert und bildlich dargestellt werden ([Abb. 2]). Auch andere Arbeiten, wie z.B. von Nenning et al. [34], bestätigen die Relevanz quantitativer rs-fMRI-Metriken bei Gliomen und zeigen das Anwendungspotenzial auch bei extraaxialen Hirntumoren [36] und zur Erfassung von neurotoxischen Nebenwirkungen onkologischer Therapien [37].

Abb. 4 Prinzip und Darstellung des Dysconnectivity Index (DCI). Der DCI ermöglicht die Quantifizierung tumorassoziierter Veränderungen der funktionellen Konnektivität auf Einzelpatientenebene. Dabei wird das individuelle funktionelle Konnektivitätsprofil eines Patienten mit normativen Referenzdaten aus einer gesunden Kontrollkohorte (z.B. n=1000) verglichen. Verbindungen mit signifikanter Abweichung vom normativen Konnektivitätsmuster können anschließend mittels voxelbasierter Disconnectivity Maps visualisiert werden. Diese Darstellungen erlauben eine farbkodierte Identifikation von Hirnarealen mit signifikant abweichender (erhöhter oder verminderter) funktioneller Konnektivität, was eine differenzierte Analyse der netzwerkweiten Auswirkungen des Tumors unterstützt.

Eine aktuelle Übersichtarbeit [38] zeigt jedoch, dass bislang nur wenige Methoden normative Referenzen systematisch nutzen und demografische und technische Einflussfaktoren oft unberücksichtigt bleiben. Die Kombination großer fMRI-Datenbanken (z.B. HCP [39]) mit KI-basierten Verfahren eröffnet hier neue Perspektiven: Normbasierte fcMRI-Modelle könnten künftig die Grundlage für klinisch einsetzbare Marker zur Verlaufskontrolle, Prognoseeinschätzung und Therapieplanung bilden. Insbesondere bei der Untersuchung von teils schwer kranken Patienten ist dabei zu beachten, dass Bewegungsartefakte die Interpretierbarkeit limitieren können [40], und ggf. spezielle Strategien zur Rauschunterdrückung angewendet werden sollten [41].

Strukturelle Konnektivität

Nicht nur die funktionelle Konnektivität spielt bei zerebralen Tumoren eine wichtige Rolle, es konnte auch gezeigt werden, dass die strukturelle Konnektivität bei Patienten mit Glioblastom verändert ist und dass diese Veränderungen mit dem Gesamtüberleben korrelieren [18].

Faserbahnen im Marklager als anatomische Basis für Konnektivität

Die strukturelle Konnektivität des Gehirns beruht auf Nervenfaserbahnen der weißen Substanz, die sich in Projektionsfasern, Assoziationsfasern und Kommissurenfasern gliedern lassen [42]. Projektionsfasern verbinden kortikale Areale mit subkortikalen Strukturen (z.B. kortikospinaler Trakt), Assoziationsfasern verbinden kortikale Areale innerhalb einer Hemisphäre und Kommissurenfasern (z.B. Corpus callosum) verbinden beide Hemisphären. Zur Darstellung dieser Faserverbindungen kann die Traktografie auf Basis der Diffusions-Tensor-Bildgebung (DTI) verwendet werden.

Traktografie

Fiber Tracking oder Traktografie existiert seit über zwei Jahrzehnten und nutzt DTI-Sequenzen [43]. Die Bildgebung basiert auf der Diffusion von Wassermolekülen. Dabei wird ein Diffusionstensor errechnet, der die dreidimensionale Wahrscheinlichkeitsverteilung der Diffusionsrichtung des Wassermoleküls beschreibt [44] [45] [46]. Das bedeutet angewandt, dass Voxel innerhalb von Faserbahnen (z.B. dem kortikospinalen Trakt) eher einen gerichteten Vektor der Diffusion haben, und zwar entlang der Faserbahn-Richtung [45]. Um den Diffusionstensor bestimmen zu können, muss die DTI-Sequenz mindestens 6 nicht-orthogonale Richtungen aufweisen. Für eine optimale Datenqualität werden zwischen 32–64 Richtungen verwendet [45].

Ein häufig verwendetes Maß für die Diffusionsrichtung ist die fraktionale Anisotropie (FA). Diese liegt bei Werten zwischen 0 und 1. Werte gegen 0 sprechen für kaum gerichtete Diffusion und Werte nahe 1 weisen eine stärkere Richtung der Diffusion auf [47]. FA-Werte können auch bildmorphologisch dargestellt werden in sogenannten FA-Karten ([Abb. 5]). Dabei werden die drei orthogonalen Achsen farbcodiert: anterior-posterior in Grün, medial-lateral in Rot und ventral-dorsal in Blau [48]. Zur dreidimensionalen Darstellung der Faserbahnen des Gehirns lässt sich eine Traktografie (Fiber Tracking) durchführen. Bei der Traktografie wird zwischen deterministischen und probabilistischen Methoden unterschieden [47].

Abb. 5 Darstellung der strukturellen Konnektivität mittels fraktionaler Anisotropie (FA) und DTI-Traktografie bei einem Gliompatienten. Das linke Panel zeigt eine axiale FA-Karte (a) sowie das korrespondierende T2-gewichtete MRT (b) bei einem Patienten mit rechtsseitigem fronto-temporalem Gliom mit Beteiligung der Insula. In der FA-Karte sind bereits deutliche Asymmetrien der weißen Substanz mit reduzierten FA-Werten im Bereich der rechtshemisphärischen Läsion erkennbar. Das T2-gewichtete Bild zeigt das Gliom mit ausgeprägtem Umgebungsödem und partieller Kompression des rechten Seitenventrikels. Im rechten Panel (c–f) sind ausgewählte, klinisch relevante Faserbahnen bihemisphärisch mittels DTI-basierter Traktografie dargestellt, wobei der Tumor jeweils rot visualisiert wurde. Gezeigt sind der kortikospinale Trakt (orange, e), der Fasciculus arcuatus (violett, d) und der Fasciculus fronto-occipitalis inferior (blau, f). Die Traktografie erlaubt eine detaillierte Analyse der räumlichen Beziehung der Faserbahnen zum Gliom sowie eine Identifikation tumorassoziierter Dislokationen und struktureller Integritätsverluste, exemplarisch dargestellt in (f). Die Abbildung wurde mit der Software Elements (Brainlab AG, Germany) erstellt.

Technische Aspekte der diffusionsgewichteten Bildgebung

Bei der diffusionsgewichteten Bildgebung spielen technische Aspekte wie Gradientenstärke und slew-rate eine wichtige Rolle. Aktuelle klinische Scanner verwenden meist geringere Gradientenstärken (40–60 mT/m), während moderne High-Performance-Systeme wie z.B. Connectome 2.0 mit 500 mT/m Gradientenstärke und 600 T/ms slew-rate eine höhere Leistung aufweisen [49]. Durch die höhere Gradientenstärke kann die SNR verbessert und die Sensitivität der Traktografie weiter gesteigert sowie Faserbahnen noch genauer dargestellt werden [49]. Diese Leistungssteigerungen können für die Abbildung tumorassoziierter Konnektivität besonders relevant sein, da sie möglicherweise bei Ödem/Infiltration robustere Modellierung, präzisere Faserorientierungen und somit klinisch verwertbare Traktografie ermöglichen.

Deterministische Traktografie

Bei der deterministischen Traktografie wird die Faserbahn anhand des Vektors des Diffusionstensors berechnet. Dabei wird die Faserbahn so lange rekonstruiert, bis entlang der Vektoren gewisse Terminierungskriterien erreicht werden. Klassischerweise kann dafür die FA verwendet werden. Erreicht die Faserbahn vom Marklager ausgehend den Kortex, so sinkt die FA auf 0,1–0,2, weil dort die Verteilung der Diffusionsrichtungen innerhalb des Voxels heterogener wird [43]. Somit kann die Traktografie mit einem Schwellenwert von 0,2 terminiert werden und die Rekonstruktion stoppt, sobald der Schwellenwert erreicht wird [43]. Eine weitere Möglichkeit zur Terminierung stellt der Angulationswinkel vom Wechsel von Voxel zu Voxel bei der Rekonstruktion dar. Weicht der Diffusionsvektor im darauffolgenden Voxel um mehr als einen bestimmten Winkel ab, so wird die Rekonstruktion der Faserbahn an dieser Stelle terminiert [43].

Die deterministische Traktografie weist bekannte Limitationen auf, insbesondere bei komplexen anatomischen Verhältnissen. In Regionen mit hoher Faserdichte, Kreuzungen, Fächerungen oder abrupten Richtungswechseln kann es zu einer vorzeitigen Beendigung der Faserrekonstruktion kommen [43]. Dies liegt daran, dass die Methode pro Voxel lediglich entlang des Hauptdiffusionsvektors (Haupteigenvektor des Diffusionstensors) rekonstruiert. Wenn sich die Faserrichtung von einem Voxel zum nächsten stark ändert, führt dies häufig zu falsch-negativen Ergebnissen oder einem vollständigen Abbruch der Traktverfolgung [50] [51]. Darüber hinaus kann die Genauigkeit der Rekonstruktion durch Bewegungsartefakte und Suszeptibilitätsartefakte (z.B. durch Distorsionen) weiter beeinträchtigt werden [52].

Probabilistische Traktografie

Eine weitere Methode der Traktografie stellt die probabilistische Traktografie dar. Im Gegensatz zur deterministischen Traktografie basiert sie auf Wahrscheinlichkeiten des Diffusionstensors und ist daher weniger von der FA und dem Angulationswinkel abhängig [48] [53] [54]. Das probabilistische Fiber Tracking errechnet mehrere verschiedene Möglichkeiten für die Richtung des Diffusionstensors. Dabei wird, basierend auf beobachteten Faserverläufen, für jedes Voxel die Wahrscheinlichkeit einer Verbindung zu benachbarten Voxeln bestimmt, die durch einen vom Benutzer festgelegten Startpunkt verlaufen. Es werden wiederholt mögliche Diffusions-basierte Richtungen auf Voxel-Ebene errechnet und so der Verlauf der Faserbahnen rekonstruiert [55] [56] [57]. Gerade bei Kreuzungen der Faserbahnen und bei kleinen Trakten mit gebogenem Verlauf ist die probabilistische Methode der Deterministischen bei der Rekonstruktion von Trakten überlegen [56] [57] ([Abb. 6]).

Abb. 6 Gegenüberstellung deterministischer und probabilistischer Traktografie bei einem Gliompatienten. Die Abbildung zeigt exemplarisch den kortikospinalen Trakt (orange), den Fasciculus arcuatus (violett) und den Fasciculus fronto-occipitalis inferior (blau), dargestellt mittels probabilistischer (a) und deterministischer (b) Traktografie. Das Gliom wurde jeweils rot visualisiert. Im direkten Vergleich zeigt sich insbesondere bei komplex verlaufenden oder stark gebogenen Faserbahnen (z.B. Fasciculus arcuatus) eine höhere Rekonstruktionsgenauigkeit und umfassendere Darstellung durch die probabilistische Methode. Ebenso gelingt es der probabilistischen Traktografie besser, Regionen mit Auffächerungen (z.B. okzipitale Anteile des Fasciculus fronto-occipitalis inferior) vollständig abzubilden. Die Abbildung wurde mit der Software Elements (Brainlab AG, Germany) erstellt.

Traktografie bei Hirntumoren

Mit der Traktografie lassen sich Faserbahnen rekonstruieren, die in räumlicher Beziehung zum Tumor stehen ([Abb. 5], [Abb. 6]). Sowohl der Tumor selbst als auch das umgebende Tumorödem können die Faserbahnen beeinflussen. Dabei können die Faserbahnen durch das Tumorwachstum einerseits disloziert werden [42]. Zudem kann das Tumorödem die Faserstruktur verändern, was die Traktografie erschwert, da durch das Ödem unter anderem die FA sinkt [42]. Zusätzlich kann der Fasertrakt durch den Tumor infiltriert und letztendlich auch destruiert werden [42]. Die Traktografie kann wichtige Informationen über die Lokalisation und Integrität eloquenter Faserbahnen liefern und ist daher wertvoll für die präoperative Planung und Evaluation der Resektabilität bei Hirntumoren [58]. Die Traktografie kann zudem dazu beitragen, tumorassoziierte Veränderungen der Konnektivität und mögliche Wege der Ausbreitung und Infiltration besser zu verstehen. Obwohl bereits gezeigt werden konnte, dass die präoperative Integration von Traktografie das Outcome verbessern kann [59], ist die Anwendung in der klinischen Routine noch nicht weit verbreitet [59]. Gerade der zeitliche und technische Aufwand werden als Limitation angegeben [59] und führen unter anderem dazu, dass Traktografien vor allem im Rahmen von Studien durchgeführt werden.

Strukturelle Konnektivität bei Hirntumoren

Strukturelle Konnektivität spielt bei Gliomen, insbesondere bei Glioblastomen, eine zentrale Rolle für das Verständnis der Tumorausbreitung und der Prognose. Studien zeigen, dass sich Glioblastome entlang von Faserbahnen der weißen Substanz ausbreiten, was den Verlauf der Erkrankung maßgeblich beeinflusst [3]. Wei et al. (2023) konnten anhand einer groß angelegten Untersuchung mit diffusionsgewichteter Bildgebung nachweisen, dass strukturelle Beeinträchtigungen des Connectoms weit über den sichtbaren Tumor hinausgehen und auch die kontralaterale Hemisphäre betreffen [19]. Diese Disruptionen in der strukturellen Konnektivität korrelierten signifikant mit dem Gesamtüberleben und mit der kognitiven Leistung der Patienten [19].

Salvalaggio et al. (2023) entwickelten den sogenannten Tract Density Index (TDI), der die Dichte der weißen Substanzfasern in der Tumorregion misst [18]. Tumore in Regionen mit hoher Faserbündeldichte zeigen eine schlechtere Prognose, was die Bedeutung der lokalen strukturellen Umgebung für die Tumorausbreitung unterstreicht. Die Anzahl der von einem Glioblastom infiltrierten Fasern ist ebenfalls eng mit dem Überleben assoziiert, was auf eine direkte Verbindung zwischen Tumorausdehnung und der anatomischen Konnektivität hindeutet [18]. Zudem können mikrostrukturelle Veränderungen des Marklagers früh auf einen Tumorprogress oder ein Rezidiv hinweisen, möglicherweise können dadurch Behandlungsplanung und Überwachung verbessert werden [60].

Zusammenfassend lässt sich sagen, dass die Analyse der strukturellen Konnektivität mittels moderner Bildgebung und Indizes wie dem Tract Density Index wichtige Einsichten in das Tumorverhalten liefert und einen vielversprechenden Ansatz für die Verbesserung der klinischen Behandlung von Glioblastomen darstellt. Wie im Bereich der funktionellen Konnektivität wird es für die potenzielle klinische Anwendung der strukturellen Konnektivität unabdingbar sein, eine Einordnung individueller Ergebnisse als normal oder pathologisch vornehmen zu können. Dies kann anhand großer Referenzdatensätze erreicht werden, die zunehmend verfügbar werden (z.B. Human Connectome Project (HCP); https://www.humanconnectome.org/). Tumor-assoziierte Veränderungen im mikrostrukturellen Connectom könnten so im Vergleich zu Referenzgruppen präzise erfasst und analysiert werden [61].

Die Traktografie und Analyse der strukturellen Konnektivität mittels DTI ermöglicht es auch, das subkortikale Korrelat für Tumor-assoziierte Veränderungen der funktionellen Konnektivität zu untersuchen ([Abb. 2]). Die Regionen mit starker funktioneller Konnektivität mit dem Tumor können dabei als Zielpunkte (ROI) für das vom Tumor ausgehende Fiber Tracking dienen, sodass ein mögliches strukturelles Netzwerk aus Faserbahnen als Korrelat für die funktionellen Veränderungen identifiziert und dargestellt werden kann ([Abb. 7]).

Abb. 7 Integration struktureller und funktioneller Tumor-Konnektivität mittels kombinierter fMRT und Traktografie. Die Abbildung zeigt exemplarisch die Verknüpfung zwischen funktioneller und struktureller Hirntumor-Konnektivität bei einem Patienten mit links temporo-parietalem Gliom. A stellt die Lokalisation des Tumors dar (rot). B zeigt die funktionell mit dem Tumor assoziierten Hirnareale (hellblau), die über korrelierte BOLD-Signalverläufe in der resting-state fMRT identifiziert wurden. C visualisiert die strukturellen Verbindungen (türkis), die mittels DTI-basierter probabilistischer Traktografie rekonstruiert wurden und den Tumor mit den funktionell assoziierten Arealen verbinden. Diese kombinierte Darstellung zeigt anschaulich, wie eng funktionelle und strukturelle Vernetzung beim Gliom zusammenhängen, und betont den systemischen Charakter der tumorassoziierten Konnektivität. Die Abbildung wurde mit der Software Elements (Brainlab AG, Germany) erstellt.

Zusammenfassung und Ausblick

Hirntumore, insbesondere Gliome, sind als systemische ZNS-Erkrankungen zu verstehen, die eng in die funktionelle und strukturelle Netzwerkarchitektur des Gehirns eingebettet sind ([Abb. 1]). Die Ausbildung eines Tumorzellnetzwerks und die Interaktion der Gliomzellen mit neuronalen Netzwerken fördern das Tumorwachstum und erschweren die Behandlung dieser Erkrankungen erheblich [5] [6] [7] [8]. Vor diesem Hintergrund sind verbesserte funktionelle und strukturelle Bildgebungsverfahren sowie moderne Analysemethoden dringend notwendig, um den Netzwerkaspekt dieser Erkrankung auch bildgebend und quantitativ erfassen zu können. Da funktionelle und strukturelle Konnektivität stark mit dem Gesamtüberleben korrelieren, gewinnen in diesem Zusammenhang die fMRT und DTI zunehmend an Bedeutung [3]. Zukünftig könnten MRT-basierte quantitative Parameter der funktionellen und strukturellen Konnektivität eine präzise Prognoseabschätzung, differenzierte Risikostratifizierung sowie frühzeitige Detektion von Tumorprogression und Rezidiv ermöglichen. Zudem könnten sie die Entwicklung innovativer therapeutischer Konzepte unterstützen, die durch gezielte Modulation der Tumor‑Hirn‑Interaktion, z.B. mittels neuromodulativer Stimulationsverfahren [62] und neuartiger medikamentöser Therapien [5] eine effektive Inhibition von Progression und Rezidiv anstreben.

Interessenkonflikt

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.

• Literatur

• 1 Weller M, van den Bent M, Tonn JC. et al. European Association for Neuro-Oncology (EANO) guideline on the diagnosis and treatment of adult astrocytic and oligodendroglial gliomas. Lancet Oncol 2017; 18: e315-e329
• 2 Delgado-López PD, Corrales-García EM. Survival in glioblastoma: a review on the impact of treatment modalities. Clin Transl Oncol 2016; 18: 1062-1071
• 3 Salvalaggio A, Pini L, Bertoldo A. et al. Glioblastoma and brain connectivity: the need for a paradigm shift. Lancet Neurol 2024; 23: 740-748
• 4 Sahm F, Capper D, Jeibmann A. et al. Addressing diffuse glioma as a systemic brain disease with single-cell analysis. Arch Neurol 2012; 69: 523-526
• 5 Winkler F, Venkatesh HS, Amit M. et al. Cancer neuroscience: State of the field, emerging directions. Cell 2023; 186: 1689-1707
• 6 Osswald M, Jung E, Sahm F. et al. Brain tumour cells interconnect to a functional and resistant network. Nature 2015; 528: 93-98
• 7 Venkataramani V, Yang Y, Schubert MC. et al. Glioblastoma hijacks neuronal mechanisms for brain invasion. Cell 2022; 185: 2899-2917.e31
• 8 Venkataramani V, Tanev DI, Strahle C. et al. Glutamatergic synaptic input to glioma cells drives brain tumour progression. Nature 2019; 573: 532-538
• 9 Venkatesh HS, Morishita W, Geraghty AC. et al. Electrical and synaptic integration of glioma into neural circuits. Nature 2019; 573: 539-545
• 10 Jung E, Osswald M, Ratliff M. et al. Tumor cell plasticity, heterogeneity, and resistance in crucial microenvironmental niches in glioma. Nat Commun 2021; 12: 1014
• 11 Stoecklein VM, Stoecklein S, Galiè F. et al. Resting-state fMRI detects alterations in whole brain connectivity related to tumor biology in glioma patients. Neuro Oncol 2020; 22: 1388-1398
• 12 Hua B, Ding X, Xiong M. et al. Alterations of functional and structural connectivity in patients with brain metastases. PLoS One 2020; 15: e0233833
• 13 Sprugnoli G, Rigolo L, Faria M. et al. Tumor BOLD connectivity profile correlates with glioma patients’ survival. Neurooncol Adv 2022; 4: vdac153
• 14 Daniel AGS, Park KY, Roland JL. et al. Functional connectivity within glioblastoma impacts overall survival. Neuro Oncol 2021; 23: 412-421
• 15 Daniel AGS, Hacker CD, Lee JJ. et al. Homotopic functional connectivity disruptions in glioma patients are associated with tumor malignancy and overall survival. Neurooncol Adv 2021; 3: vdab176
• 16 Luckett PH, Olufawo M, Lamichhane B. et al. Predicting survival in glioblastoma with multimodal neuroimaging and machine learning. J Neurooncol 2023; 164: 309-320
• 17 Angstwurm P, Hense K, Rosengarth K. et al. Attenuation of the BOLD fMRI signal and changes in functional connectivity affecting the whole brain in presence of brain metastasis. Cancers (Basel) 2024; 16
• 18 Salvalaggio A, Pini L, Gaiola M. et al. White matter tract density index prediction model of overall survival in glioblastoma. JAMA Neurol 2023; 80: 1222-1231
• 19 Wei Y, Li C, Cui Z. et al. Structural connectome quantifies tumour invasion and predicts survival in glioblastoma patients. Brain 2023;
• 20 de Godoy LL, Chen YJ, Chawla S. et al. Prognostication of overall survival in patients with brain metastases using diffusion tensor imaging and dynamic susceptibility contrast-enhanced MRI. Br J Radiol 2022; 95: 20220516
• 21 Urut DU, Karabulut D, Hereklioglu S. et al. Diffusion tensor imaging: survival analysis prediction in breast cancer patients. Radiologie (Heidelb) 2024; 64: 54-59
• 22 Smitha KA, Akhil Raja K, Arun KM. et al. Resting state fMRI: A review on methods in resting state connectivity analysis and resting state networks. Neuroradiol J 2017; 30: 305-317
• 23 Ogawa S, Menon RS, Kim SG. et al. On the characteristics of functional magnetic resonance imaging of the brain. Annu Rev Biophys Biomol Struct 1998; 27: 447-474
• 24 Kim SG, Uğurbil K. Comparison of blood oxygenation and cerebral blood flow effects in fMRI: estimation of relative oxygen consumption change. Magn Reson Med 1997; 38: 59-65
• 25 Logothetis NK, Pauls J, Augath M. et al. Neurophysiological investigation of the basis of the fMRI signal. Nature 2001; 412: 150-157
• 26 Poustchi-Amin M, Mirowitz SA, Brown JJ. et al. Principles and applications of echo-planar imaging: a review for the general radiologist. Radiographics 2001; 21: 767-779
• 27 Stehling MK, Turner R, Mansfield P. Echo-planar imaging: magnetic resonance imaging in a fraction of a second. Science 1991; 254: 43-50
• 28 Kundu P, Voon V, Balchandani P. et al. Multi-echo fMRI: A review of applications in fMRI denoising and analysis of BOLD signals. Neuroimage 2017; 154: 59-80
• 29 Biswal B, Yetkin FZ, Haughton VM. et al. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn Reson Med 1995; 34: 537-541
• 30 Beckmann CF, DeLuca M, Devlin JT. et al. Investigations into resting-state connectivity using independent component analysis. Philos Trans R Soc Lond B Biol Sci 2005; 360: 1001-1013
• 31 Bullmore E, Sporns O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nat Rev Neurosci 2009; 10: 186-198
• 32 Lamichhane B, Daniel AGS, Lee JJ. et al. Machine learning analytics of resting-state functional connectivity predicts survival outcomes of glioblastoma multiforme patients. Front Neurol 2021; 12: 642241
• 33 Krishna S, Choudhury A, Keough MB. et al. Glioblastoma remodelling of human neural circuits decreases survival. Nature 2023; 617: 599-607
• 34 Nenning K, Furtner J, Kiesel B. et al. Distributed changes of the functional connectome in patients with glioblastoma. Sci Rep 2020; 10
• 35 Mandal AS, Romero-García R, Hart M. et al. Genetic, cellular, and connectomic characterization of the brain regions commonly plagued by glioma. Brain 2020; 143: 3294-3307
• 36 Stoecklein VM, Wunderlich S, Papazov B. et al. Perifocal edema in patients with meningioma is associated with impaired whole-brain connectivity as detected by resting-state fMRI. AJNR Am J Neuroradiol 2023; 44: 814-819
• 37 Stoecklein S, Wunderlich S, Papazov B. et al. Functional connectivity MRI provides an imaging correlate for chimeric antigen receptor T-cell-associated neurotoxicity. Neurooncol Adv 2023; 5: vdad135
• 38 Toloknieiev A, Voitsekhivskyi D, Kholodkov H. et al. Quantification of brain functional connectivity deviations in individuals: A scoping review of functional MRI studies. medRxiv 2024;
• 39 Bookheimer SY, Salat DH, Terpstra M. et al. The lifespan Human Connectome Project in aging: An overview. Neuroimage 2019; 185: 335-348
• 40 Van Dijk KRA, Sabuncu MR, Buckner RL. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage 2012; 59: 431-438
• 41 Wunderlich S, Alici C, Motevalli S. et al. Denoising strategies of functional connectivity MRI data in lesional and non-lesional brain diseases. Imaging Neurosci (Camb) 2025;
• 42 Jellison BJ, Field A, Medow J. et al. Diffusion tensor imaging of cerebral white matter: a pictorial review of physics, fiber tract anatomy, and tumor imaging patterns. AJNR American journal of neuroradiology 2004; 25: 356-369
• 43 Mori S, van Zijl PCM. Fiber tracking: principles and strategies – a technical review. NMR Biomed 2002; 15: 468-480
• 44 Le Bihan D, Mangin JF, Poupon C. et al. Diffusion tensor imaging: concepts and applications. J Magn Reson Imaging 2001; 13: 534-546
• 45 Gerrish AC, Thomas AG, Dineen RA. Brain white matter tracts: functional anatomy and clinical relevance. Semin Ultrasound CT MR 2014; 35: 432-444
• 46 Basser PJ, Mattiello J, LeBihan D. Estimation of the effective self-diffusion tensor from the NMR spin echo. J Magn Reson B 1994; 103: 247-254
• 47 Henderson F, Abdullah KG, Verma R. et al. Tractography and the connectome in neurosurgical treatment of gliomas: the premise, the progress, and the potential. Neurosurg Focus 2020; 48: E6
• 48 Mukherjee P, Berman JI, Chung SW. et al. Diffusion tensor MR imaging and fiber tractography: theoretic underpinnings. AJNR Am J Neuroradiol 2008; 29: 632-641
• 49 Ramos-Llordén G, Lee H-H, Davids M. et al. Ultra-high gradient connectomics and microstructure MRI scanner for imaging of human brain circuits across scales. Nat Biomed Eng 2025; 1-16
• 50 Yeh F-C, Irimia A, Bastos DC de A. et al. Tractography methods and findings in brain tumors and traumatic brain injury. Neuroimage 2021; 245: 118651
• 51 Grisot G, Haber SN, Yendiki A. Diffusion MRI and anatomic tracing in the same brain reveal common failure modes of tractography. Neuroimage 2021; 239: 118300
• 52 Panigrahy A, Borzage M, Blüml S. Basic principles and concepts underlying recent advances in magnetic resonance imaging of the developing brain. Semin Perinatol 2010; 34: 3-19
• 53 Behrens TEJ, Berg HJ, Jbabdi S. et al. Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?. Neuroimage 2007; 34: 144-155
• 54 Seow P, Hernowo AT, Narayanan V. et al. Neural fiber integrity in high- versus low-grade glioma using probabilistic fiber tracking. Acad Radiol 2021; 28: 1721-1732
• 55 Hu B, Ye B, Yang Y. et al. Quantitative diffusion tensor deterministic and probabilistic fiber tractography in relapsing-remitting multiple sclerosis. Eur J Radiol 2011; 79: 101-107
• 56 Li Z, Peck KK, Brennan NP. et al. Diffusion tensor tractography of the arcuate fasciculus in patients with brain tumors: Comparison between deterministic and probabilistic models. J Biomed Sci Eng 2013; 6: 192-200
• 57 Zolal A, Sobottka SB, Podlesek D. et al. Comparison of probabilistic and deterministic fiber tracking of cranial nerves. J Neurosurg 2017; 127: 613-621
• 58 Kamagata K, Andica C, Uchida W. et al. Advancements in diffusion MRI tractography for neurosurgery. Invest Radiol 2024; 59: 13-25
• 59 Aylmore H, Young F, Aquilina K. et al. The use of intraoperative tractography in brain tumor and epilepsy surgery: a systematic review and meta-analysis. Front Neuroimaging 2025; 4
• 60 Cozzi FM, Mayrand RC, Wan Y. et al. Predicting glioblastoma progression using MR diffusion tensor imaging: A systematic review. J Neuroimaging 2025; 35: e13251
• 61 Chamberland M, Genc S, Tax CMW. et al. Detecting microstructural deviations in individuals with deep diffusion MRI tractometry. Nat Comput Sci 2021; 1: 598-606
• 62 Sprugnoli G, Rossi S, Rotenberg A. et al. Personalised, image-guided, noninvasive brain stimulation in gliomas: Rationale, challenges and opportunities. EBioMedicine 2021; 70: 103514

Publication History

Received: 08 September 2025

Accepted after revision: 19 December 2025

Article published online:
06 February 2026