使用功能性磁共振成像连接在颞叶癫痫默认模式网络的网络分析

以下实验的总体目标是获取统计地图。比较健康对照和癫痫患者静息态 FMRI 扫描的差异。这是通过获取颞叶癫痫受试者以及健康对照受试者的 FMRI 数据来实现的。

作为第二步，对 FMRI 进行预处理，准备要进行统计分析的数据。接下来，分析预处理的 FMRI 数据，以获得两组之间的统计有效比较。获得的结果表明，与健康对照受试者的大脑网络相比，癫痫患者的大脑网络存在差异。

根据这两组之间大脑网络图谱的统计差异，越来越明显的是，即使是以局灶性癫痫发作为表现的癫痫也是弥漫性网络障碍的紧急特性。在认识到 DEF Favo 网络在癫痫发作期间的重要性并想知道颞叶癫痫癫痫发作之间的默认 LO 网络是否异常之后，产生了这项技术的想法。该方案的研究人群应包括三组，对吧？

颞叶癫痫患者、左颞叶癫痫患者以及健康对照者。总共推荐约 35 名受试者。癫痫受试者组应为被诊断为颞叶癫痫的患者，如经视频确定的颞叶前叶切除术的候选者，脑电图监测、PET成像和神经心理学测试确保所有受试者的脑部MRI正常，无患者组癫痫以外的神经系统疾病。

在成像和筛查 MRI 之前获得所有受试者的 IRB 批准和书面知情同意书。安全。患者在 FMRI 扫描期间应继续接受常规药物治疗，不应在癫痫发作后立即进行扫描。本协议中描述的所有成像均应使用三特斯拉 MRI 系统。

使用回波平面成像序列获得功能图像的轴向切片，对于解剖图像，使用破坏的梯度召回序列。让参与者放松并保持静止，闭上眼睛，并使用此处所示的参数进行功能成像。此外，对 S PGR T 单重高分辨率结构成像使用以下参数。

每次成像会话应持续约 20 分钟。首先使用 FSL 软件预处理 FMRI 数据。使用 FSL MFL 去除头部运动伪影。

然后使用 FSL 大脑提取工具或 BET 去除非脑组织，选项破折号 F 用于粗体文件。这允许仅对脑组织进行进一步的分析步骤。接下来，以英尺为单位，运行具有配准的最小处理分析。

选择 First Level analysis（第一级分析），然后从顶部两个按钮中将 full analysis （完整分析） 更改为 pre stats（统计前）。然后在 pres stats 选项卡下，取消选中 bet brain extraction，并选择 none 进行运动校正，因为这些已经执行过。然后将功能图像配准到解剖图像，然后配准到标准 MNI 图像。

这导致生成转换矩阵，稍后在分析过程中使用这些矩阵将在标准空间中选择的种子扭曲到对象的大脑空间中。接下来，使用生成的名为 standard 的转换矩阵对 funk dot mat 进行示例，并将 CSF 和白质 ROI 转换为单独的粗体空间。然后使用 FSL mean TS 命令，从 CSF 和白质 ROI 中提取时间序列。

使用单个主题空间中的 ROI 作为掩码，使用软件 R 对提取的时间序列进行归一化，这些时间序列稍后将用作一般线性模型中的回归器，以从分析中删除相应的伪影信号。下一步是删除与主体运动相关的伪影。用于运动参数的回归。

FSL 英尺内设置以下内容，首先在数据选项卡中运行它，使用运动校正和大脑提取文件作为输入，并设置 TR 值以与您的数据集相对应。使用第 102 个滤波器设置高通滤波，这将删除不感兴趣的极低频信号。用于去除高频信号的低通滤波器稍后将在 pres stats 选项卡中应用。

在 Motion Correction 下选择 none 并取消选中，但选择 brain extraction。执行这些步骤后，使用 5 毫米全宽半最大值执行空间平滑。然后在 stats （统计数据） 选项卡中，回归 6 个运动参数及其时间导数。

为 convolution 选择 none （无） 并选中 apply temporal filtering（应用时间过滤）。使用 F selmic flirt 的输出获取运动参数的文本文件，然后将其输入到脚部分析中，以在一般线性模型中回归这些参数。此外，将前面步骤中提取和归一化的 CSF 和白质信号添加到 GLM 中。

对于卷积，请选择 none。添加时间导数并取消选中 apply temporal filtering。上述预处理的残差应用于基于种子的相关性。

这些残差应首先通过 0.1 赫兹的低 PESS 滤波器，然后通过减去平均值、除以标准差来降低，然后通过添加 100 个种子进行缩放，应定义为直径为 6 毫米。在标准 MNI 空间中。使用 MRI 冠软件，后部和前部种子应与此处所示的坐标相对应。

请注意，这些种子位置已在运行状况良好的对照中定义。随后应将种子从标准 MNI 空间转换为每个受试者的单个功能性脑空间。为此，请使用之前生成的转换矩阵将种子从标准 m 和 i 空间转换为单个函数空间。

接下来，使用 FSL 均值 Ts 命令从先前的 Deviled 和 Scaled 残差中提取时间序列。将单个主题空间中的种子用作掩码。使用软件 R 对提取的时间序列进行标准化，应为每个受试者单独计算每次运行的每个受试者的种子体素与其所有脑体素之间的部分相关性。

为此，在 FSL feet 界面中，选择第一级分析，然后选择数据选项卡中的统计数据加帖子统计数据。应将先前的 demeaned 和 scaled 残差用作输入。将高通滤波器截止设置为 10， 000，因为残差已经很高，在 Stats 选项卡中的 100 秒后传递。

取消选择 use film pre whitening 并使用先前提取和标准化的种子时间序列。在 GLM 的 post stats 选项卡内，在运行组分析之前，将所需的 Z stat 阈值设置为值 2.0。结合受试者内的游程，应对参数估计的对比执行 Fisher Z 变换。

从关联分析生成的文件中，将 feet 分析的 reg 目录中的配准数据复制到关联运行中。通过组合每个主题内的游程来运行更高级别的分析。首先，选择 更高级别的分析，然后选择 stats plus post stats。

然后在 data （数据） 选项卡中，选择 inputs are lower level feet directories （输入较低级别的 feet 目录），并在 stats （统计） 选项卡中输入主题的运行。选择 mixed effects（混合效果）。简单 OLS 将模型设置为均值效应，并为每个主体游程输入值 1。

要合并主题之间的数据超限，应为此使用普通的最小二乘简单混合效应分析，在数据选项卡中选择更高级别的分析和统计加帖子统计。选择输入是较低级别的英尺目录，并在统计选项卡中输入主题的组合运行，选择混合效应。Simple OLS 将模型设置为三个组，为该组输入值 1。

每个主题都属于零。否则，应使用具有三个级别的单向 innova 对每个体素进行组分析，这些级别对应于阈值的三个组。Z 统计图像使用大于 2.0 的聚类形成阈值 Z 和校正的聚类显著阈值 P 等于 0.05，以在相关图上获得正确的 Z 值。

应对结果执行反向 Fisher Z 变换。最后，使用以下特定对比，如此处屏幕上所示。该图显示了通过后种子的连接揭示的默认模式网络，包括红黄色的后脾和楔前叶，以及前种子中的连接，包括蓝绿色的通风口内侧前额叶皮层。

第一行显示对照对象的网络，第二行显示左颞叶癫痫，底行显示右颞叶癫痫。下图比较了这三个组之间的这些网络。在这里，我们看到与健康对照相比，右颞叶和左颞叶联合癫痫的前种子和后种子揭示了默认模式网络。

该图显示了仅与健康对照相比，左颞叶癫痫具有相同种子点的默认模式网络。虽然该图仅显示了与健康对照相比右颞叶癫痫揭示的网络，最后在这里我们看到与右颞叶癫痫相比，左颞叶癫痫的前种子和后种子揭示了默认模式网络。包括整个大脑在内的功能连接研究对于理解癫痫的基本机制至关重要。

在本实验中，我们使用了基于种子的技术来评估与默认模式网络的连接。在研究颞叶癫痫时，看看其他技术在他们的结果中如何比较会很有趣。