Kartierung der regionalen Homogenität und funktionellen Konnektivität des visuellen Kortex in der Ruhezustands-fMRT

Summary

Wir stellen ein Protokoll zur Analyse funktioneller Magnetresonanztomographie-Daten vor, um spontane Veränderungen der neuronalen Aktivität bei Retinitis pigmentosa-Patienten unter Verwendung einer kombinierten regionalen Homogenitäts- und funktionellen Konnektivitätsmethode zu untersuchen.

Abstract

Eine kombinierte Methode der regionalen Homogenität (ReHo) und der funktionellen Konnektivität (FC), eine Art nicht-invasiver funktioneller Magnetresonanztomographie (fMRT), wurde verwendet, um synchrone Veränderungen der neuronalen Aktivität bei Retinitis pigmentosa (RP) zu bewerten. Das Ziel dieser Studie ist es, unsere Methode zur Analyse der intra- und interregionalen Synchronisationen von Veränderungen der neuronalen Aktivität bei RP-Patienten zu beschreiben. Die Vorteile der kombinierten ReHo- und FC-Methode bestehen darin, dass sie sowohl nicht-invasiv als auch ausreichend sensitiv ist, um Veränderungen der zerebralen synchronen neuronalen Aktivität in vivo zu untersuchen. Hier wurden 16 RP-Patienten und 14 gesunde Kontrollpersonen, die in Alter, Geschlecht und Bildung eng miteinander übereinstimmten, fMRT-Scans im Ruhezustand unterzogen. Es wurden zwei Stichproben-t-Tests durchgeführt, um ReHo und FC über die Gruppen hinweg zu vergleichen. Unsere Ergebnisse zeigten, dass bei den RP-Patienten eine Trennung des visuellen Netzwerks und eine Reorganisation des retino-thalamokortikalen Signalwegs und des dorsalen visuellen Stroms auftrat. Im Folgenden beschreiben wir Schritt für Schritt die Details dieser Methode, ihre Anwendung und die Auswirkungen ihrer wichtigsten Parameter.

Introduction

Die funktionelle Magnetresonanztomographie (fMRT) ist eine nicht-invasive Methode, mit der Veränderungen der Gehirnfunktion und -struktur in vivo untersucht werden können. Regionale Homogenität (ReHo) und funktionelle Konnektivität (FC) werden häufig verwendet, um intra- und interregionale Synchronisationen der Gehirnaktivität zu beurteilen. ReHo, eine fMRT-Methode für den Ruhezustand, wird verwendet, um die Ähnlichkeit zwischen der Zeitreihe eines gegebenen Voxels und seiner nächsten Nachbarn zu berechnen, was die lokale Synchronisation der Gehirnaktivitäten widerspiegelt¹. FC wird verwendet, um die Ähnlichkeit zwischen räumlich entfernten regionalen Zeitreihen² zu untersuchen.

Die fMRT-Technologie kann eine objektive Beurteilung der Sehfunktion im Rahmen des Managements von Augenkrankheiten bieten. Hier stellen wir ein methodisches Protokoll vor, das ReHo- und FC-Methoden kombiniert, um diese Erfahrungen zu teilen und die Verbreitung unserer Expertise zu unterstützen. In der vorliegenden Arbeit haben wir das ReHo- und FC-Protokoll bei Retinitis pigmentosa (RP)-Probanden und gesunden Kontrollen (HCs) verwendet, um die Details des Verfahrens zu erarbeiten. RP ist eine schwere erbliche Augenerkrankung, die durch eine Beeinträchtigung des Nachtsehens und einen fortschreitenden Verlust des Sehvermögens gekennzeichnet^{ist 3,4}. Genetische Mutationen sind der Hauptrisikofaktor für RP. Das Absterben von Stäbchen- und Zapfen-Photorezeptorzellen führt bei RP-Patienten zum Verlust des peripheren Sehvermögens und schließlich zur Erblindung. Frühere Neuroimaging-Studien haben strukturelle und funktionelle Anomalien im visuellen Kortex und in der Sehbahn von RP-Patienten gezeigt ^5,6,7. Darüber hinaus wurde die Diffusions-Tensor-Bildgebung verwendet, um die Integrität von Faserbündeln der weißen Substanz zu untersuchen. RP-Patienten zeigten im Vergleich zu HCs einen signifikant höheren scheinbaren Diffusionskoeffizienten, Haupteigenwert und orthogonalen Eigenwert sowie eine signifikant geringere fraktionale Anisotropie in den Sehnerven⁸.

Unser Ziel war es, intra- und interregionale Synchronisationen neuronaler Aktivität zu erforschen. Wir untersuchten, ob die mittleren ReHo-Werte und die mittleren FC-Werte mit klinischen Variablen bei RP-Patienten korreliert waren. Unsere Methode könnte es Forschern ermöglichen, wichtige Einblicke in den neuronalen Mechanismus des peripheren Sehverlusts bei RP-Patienten zu gewinnen.

Protocol

Das Forschungsprotokoll wurde von der medizinischen Ethikkommission des Renmin-Krankenhauses der Universität Wuhan genehmigt. Alle Teilnehmer füllten eine schriftliche Einverständniserklärung aus.

1. Einstufung und Screening der Teilnehmer

1. Rekrutieren Sie RP-Probanden und HCs, die in Alter, Geschlecht und Bildung eng miteinander übereinstimmen.
2. Stellen Sie sicher, dass alle Teilnehmer die folgenden Kriterien erfüllen: 1) in der Lage, mit einem MRT-Scanner gescannt zu werden (z. B. keine Herzschrittmacher oder implantierte Metallgeräte); 2) keine Klaustrophobie; 3) Keine Herzerkrankungen, Bluthochdruck oder zerebrale Erkrankungen.

2. Erfassung von fMRT-Daten

HINWEIS: In diesem Protokoll wird ein 3-T-MRT-Scanner mit Achtkanal-Kopfspule verwendet.

1. Bitten Sie jeden Teilnehmer, vor dem Betreten des MRT-Scannerraums nach einer abschließenden Sicherheitsüberprüfung Metallgegenstände zu entfernen.
2. Weisen Sie den Teilnehmer an, sich auf das Bett zu legen und sicherzustellen, dass die Orbitomeatallinie senkrecht zum Bett verläuft. Platzieren Sie dann Schaumstoffpolster im beidseitigen Schläfenbereich des Kopfes, um Kopfbewegungen zu verhindern, und stellen Sie Ohrstöpsel bereit, um das Geräusch des Scanners zu reduzieren.
3. Weisen Sie den Teilnehmer an, sich in Ruhe hinzulegen, die Augen geschlossen zu halten, ohne einzuschlafen, und während des Scannens an nichts Bestimmtes zu denken.
4. Passen Sie die Kopfposition des Teilnehmers über das Positionslicht an. Stellen Sie sicher, dass der Cursor für die Positionierung der Achse parallel zum lateralen Canthus ist und der Cursor für die sagittale Positionierung mit der Mittellinie der Fläche übereinstimmt. Verschieben Sie als Nächstes das Bett, sodass der Cursor zur Positionierung der Achse 2 cm über oder unter den Augenbrauen des Teilnehmers bleibt.
5. Benachrichtigen Sie den Teilnehmer über den Start der Scan-Sitzung. Starten Sie mit der Scankonsole das Scannen des strukturellen Lokalisators, um die Position des Kopfes der Teilnehmer im Scanner zu bestimmen und die Planung für nachfolgende strukturelle und funktionale Scans zu ermöglichen.
6. Führen Sie eine fMRT mit den folgenden Sequenzen und Parametern durch.
   1. Führen Sie eine dreidimensionale MRT (3D-BRAVO) mit den folgenden Parametern durch: Wiederholzeit (TR)/Echozeit (TE) = 8,5 ms/3,3 ms; Dicke = 1,0 mm; keine Schnittlücke; Akquisitionsmatrix = 256 x 256; Sichtfeld = 240 x 240 mm²; und Flip-Winkel = 12°.
   2. Erhalten Sie funktionelle Bilder mit der gradientenechoplanaren Bildgebung der Abhängigkeit des Blutsauerstoffgehalts (EPI-BOLD) mit den folgenden Parametern: TR/TE = 2.000 ms/25 ms; Dicke = 3,0 mm; Spalt = 1,2 mm; Akquisitionsmatrix = 256 x 256; Sichtfeld = 240 x 240 mm²; Voxelgröße = 3,6 x 3,6 x 3,6 mm³; und 35 axiale Scheiben.
7. Behalten Sie den Zustand des Teilnehmers während der Dauer des Scans im Auge, weisen Sie ihn an, sich so wenig wie möglich zu bewegen, und stoppen Sie den Scan, wenn der Teilnehmer Beschwerden hat.
8. Nehmen Sie den Teilnehmer vom Scanner und bitten Sie ihn, sich am Ende des Experiments vorsichtig aufzusetzen.

3. Datenvorverarbeitung und Softwarevorbereitung

HINWEIS: Die in diesem Protokoll analysierten Funktionsbilder werden von SPM8 und der Toolbox for Data Processing & Analysis for Brain Imaging (DPABI, http://rfmri.org/dpabi)⁹ basierend auf MATLAB 2013a vorverarbeitet. Führen Sie die folgenden Vorverarbeitungsschritte separat für jede fMRT-Sitzung durch.

1. Öffnen Sie die DPABI-Software im MATLAB-Terminal, indem Sie auf dpabi klicken, wählen Sie DPARSF 4.3 Advanced Edition und importieren Sie den Ordner "FunRaw" (Abbildung 1).
   HINWEIS: Der FunRaw-Ordner enthält die DICOM-Datei für jeden Teilnehmer.
2. Klicken Sie auf FunRaw , um die fMRT-Scandateien mit einem einheitlichen Nummerierungsschema (z. B. "sub0001", "sub0002" usw.) in DPABI zu importieren. Wählen Sie das Arbeitsverzeichnis und die initialen Verzeichnisse EPI und T1 aus und wählen Sie in den Schritten 3.3 bis 3.9 alle gewünschten Parameter aus, bevor Sie in Abschnitt 4 auf Ausführen klicken.
3. Geben Sie die Parameter ein: Messpunkte = 240 und TR = 2 (Abbildung 2). Wählen Sie EPI DICOM to NIFTI aus, um die Funktionsbilder vom DICOM- in das NIFTI-Format zu konvertieren und die ersten 10 Volumina der einzelnen Funktionsbilder zu entfernen.
4. Aktivieren Sie die Kontrollkästchen für Slice-Timing und Realignment in der DPABI-Software, um die verbleibenden 230 Volumina funktioneller Bilder mit funktioneller Blutsauerstoffversorgung für Slice-Timing-Effekte und korrigierte Kopfbewegungen zu korrigieren.
   HINWEIS: Bei Kopfbewegungen sollten die Daten von Teilnehmern mit einer Kopfbewegung von >2 mm oder einer Drehung >2° während des Scanvorgangs ausgeschlossen werden. Bei der Schichtenreihenfolge ist die Zahlenfolge im Vektor die Erfassungszeitreihenfolge dieser Layer. Die ausgewählte Slice-Nummer ist 40, die Slice-Reihenfolge ist [1:2:39,2:2,40] und die Referenz-Slice ist 39.
5. Wählen Sie Normalisieren von DARTEL mit der DPABI-Software.
   HINWEIS: Wenn Sie diese Option auswählen, führt die Software automatisch eine räumliche Normalisierung anhand einzelner T1-gewichteter Strukturbilder durch, die in den mittleren fMRT-Daten registriert sind. Die resultierenden ausgerichteten T1-gewichteten Bilder werden mit der DARTEL-Toolbox segmentiert, um die räumliche Präzision bei der Normalisierung von fMRT-Daten zu verbessern. Normalisierte Daten (im Montreal Neurological Institute [MNI] 152 Raum) werden mit einer Auflösung von 3 x 3 x 3 mm³ neu geschnitten.
6. Entfernen Sie den linearen Trend, indem Sie in der DPABI-Software die Option Trend abbauen auswählen.
7. Aktivieren Sie das Kontrollkästchen für Störkovariatenregression , und wählen Sie die folgenden Parameter aus: Kopfbewegungsmodell, Signal der weißen Substanz, globales mittleres Signal und Liquorsignal.
8. Aktivieren Sie das Kontrollkästchen für Scrubbing , um die fehlerhaften Zeitpunkte aufgrund von Kopfbewegungen in der DPABI-Software zu entfernen.
9. Behalten Sie Signale zwischen 0,01 und 0,08 Hz bei, indem Sie das Kontrollkästchen Filter [0,01-0,08] in der DPABI-Software aktivieren, um hochfrequentes physiologisches Rauschen und niederfrequente Drift zu entfernen.
   HINWEIS: Nach der Datenaufbereitung kann eine ReHo- und FC-Analyse durchgeführt werden.

4. ReHo- und FC-Analyse

1. Öffnen Sie für die ReHo-Berechnung die DAPABI-Software über MATLAB, und wählen Sie 27 Voxel im Cluster aus. Klicken Sie mit der linken Maustaste auf ReHo und glätten Sie [6*6*6], und wählen Sie dann Ausführen aus.
   HINWEIS: Ein Kendall-Konkordanzkoeffizient wird einem gegebenen Voxel zugewiesen, indem der Kendall-Konkordanzkoeffizient von Zeitreihen von 27 Voxeln und ihren nächsten Nachbarn berechnet wird. Um den Einfluss einzelner Variationen auf statistische Vergleiche zwischen Gruppen zu reduzieren, werden die ReHo-Maps jedes Voxels mit Hilfe der Fisher-r-zu-z-Transformation z-transformiert. Die verbleibenden z ReHo-Maps werden mit einem Gaußschen Kern von 6*6*6 voller Breite bei halber Maximum räumlich geglättet.
2. Öffnen Sie für die FC-Berechnung die DAPABI-Software über MATLAB und definieren Sie die veränderten ReHo-Hirnregionen zwischen beiden Gruppen als Regions of Interest (ROIs). Klicken Sie auf Funktionale Konnektivität und definieren Sie den ROI (Zentrierung bei x = 0, y = -69 und z = -3 mit Radius = 10 mm), dann wählen Sie Ausführen.
   HINWEIS: Die Korrelationsanalyse des Zeitverlaufs für jeden Teilnehmer wird zwischen der sphärischen Seed-Region und den Voxeln des gesamten Gehirns durchgeführt. Alle FC-Maps werden durch die r-to-z-Transformation von Fisher z-transformiert, um den Einfluss einzelner Variationen auf den statistischen Vergleich zwischen Gruppen zu reduzieren. Der Radius der ROIs um die Koordinaten sollte 10 mm betragen (X = 0, Y = -69, Z = -3).

5. Statistische Analyse

1. Suchen Sie die Ordner mit den Namen ReHo und FC, nachdem Sie die relevanten Dateidaten verarbeitet haben. Sortieren Sie die Dateien von zReHo.nii und zFC.nii und klassifizieren Sie sie in vier Unterordner: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" und "HC-group-FC".
2. Öffnen Sie DPABI über MATLAB, um einen t-Test bei einer Stichprobe durchzuführen.
   1. Klicken Sie mit der linken Maustaste auf Statistische Analyse und dann auf t-Test bei einer Stichprobe. Nennen Sie das Ausgabeergebnis "one-sample-t-test-RP", und legen Sie das Ausgabeverzeichnis fest.
   2. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen und öffnen Sie den Unterordner "RP-group-ReHo".
   3. Klicken Sie in der Option "Datei maskieren " mit der linken Maustaste, um die Unterdatei "BrainMask-05-61*73*61" im Ordner "mask" zu öffnen.
   4. Wählen Sie Compute aus, um das Programm auszuführen. Führen Sie das gleiche Verfahren für die Gruppe "one-sample-t-test-HC" durch.
      HINWEIS: Der t-Test mit einer Stichprobe wird verwendet, um die mittleren ReHo-Karten jeder Gruppe in der DPABI-Software zu analysieren und anzuzeigen.
3. Öffnen Sie DPABI über MATLAB, um einen t-Test mit zwei Stichproben durchzuführen.
   1. Klicken Sie mit der linken Maustaste auf Statistische Analyse, und wählen Sie dann t-Test bei zwei Stichproben aus. Nennen Sie das Ausgabeergebnis "two-sample-t-test-ReHo", und legen Sie das Ausgabeverzeichnis fest.
   2. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen und öffnen Sie die Unterordner "RP-group-ReHo" und "HC-group-ReHo".
   3. Klicken Sie in der Option "Datei maskieren " mit der linken Maustaste, um die Unterdatei "BrainMask-05-61*73*61" im Ordner "mask" zu öffnen.
   4. Wählen Sie Compute aus, um das Programm auszuführen. Führen Sie das gleiche Verfahren für den "two-sample-t-test-FC" durch. Klicken Sie auf Statistische Analyse und Gaußsche Zufallsfeldkorrektur (GRF) [zweiseitig, Voxelebene (0,01) und Voxelebene (0,05)], und klicken Sie dann auf Ausführen.
      HINWEIS: Die Unterschiede zwischen Gruppen von zReHo-Maps und zFC-Maps werden anhand von zwei Stichproben-t-Tests verglichen. GRF wird verwendet, um Mehrfachvergleiche und regressierte Kovariaten von Alter und Geschlecht mit der DPABI-Software zu korrigieren.
4. Verwenden Sie die BrainNet Viewer Software (https://www.nitrc.org/projects/bnv/), um die Ergebnisse anzuzeigen.
   1. Öffnen Sie BrainNet über MATLAB und klicken Sie auf Datei laden. Klicken Sie für Oberflächendateien auf Durchsuchen , wählen Sie BrainMesh-ICBM152-smoothed.nv aus und klicken Sie dann auf OK. Wählen Sie für Volumedateien die Datei "spm-T.nii " aus (einschließlich ReHo- und FC-Ergebnisse), und klicken Sie dann auf "OK".
5. Verwenden Sie eine Statistiksoftware, um die Daten aus dem vorherigen Schritt zu verarbeiten.
   HINWEIS: Der Chi-Quadrat-Test wird für Geschlechtsvergleiche verwendet, während t-Tests für unabhängige Stichproben für andere klinische Variablen verwendet werden. Stetige Variablen werden durch Mittelwerte und Standardabweichungen dargestellt.
6. Führen Sie eine Pearson-Korrelationskoeffizientenanalyse durch, um die Beziehungen zwischen zReHo-Werten und zFC-Werten verschiedener Gehirnregionen und visuellen Messdaten mithilfe statistischer Software zu identifizieren.
   1. Erhalten Sie ROI-Signale von zReHo-Werten und zFC-Werten bei jedem Teilnehmer mit der DPABI-Software. Klicken Sie auf ROI-Signalextraktor und dann auf Verzeichnis mit ROI-Datei mask.nii hinzufügen.
      HINWEIS: P-Werte von <0,05 sollten als statistisch signifikant angesehen werden.

Results

In unserer Studie wurden 16 RP-Personen und 14 gesunde Kontrollpersonen, die in Alter, Geschlecht und Bildung eng zusammenlagen, fMRT-Scans im Ruhezustand unterzogen. ReHo- und FC-Methoden wurden verwendet, um die intra- und intersynchrone neuronale Aktivität bei RP-Individuen zu untersuchen. Signifikante Unterschiede in der BCVA wurden zwischen dem rechten Auge (P < 0,001) und dem linken Auge (P < 0,001) beobachtet, aber der Unterschied in Geschlecht, Alter oder Gewicht zwischen den Gruppen war nicht signifikant.<...

Discussion

Dieser Bericht beschreibt ein Protokoll zur Berechnung von ReHo- und FC-Werten für RP- und HC-Gruppen und zeigte signifikant unterschiedliche ReHo- und FC-Werte zwischen den beiden Gruppen. Ein wichtiger Schritt in diesem Prozess ist die Klassifizierung und das Screening der Proben vor dem Experiment. Als wir dieses Protokoll für unsere eigene Analyse anwandten, wurden alle RP-Probanden von zwei erfahrenen Augenärzten diagnostiziert. Wir schlossen RP-Patienten mit anderen Augenerkrankung...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BrainNet Viewer Software	National Key Laboratory of Cognition Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer ist ein Visualisierungstool für Gehirnnetzwerke zur Visualisierung struktureller und funktioneller Konnektivitätsmuster
DPABI software	Institute of Psychology, CAS, Beijing, China	DPABI 4.3	DPABI ist ein Werkzeugkasten für die Datenverarbeitung und Analyse der Bildgebung des Gehirns.
MATLAB	MathWorks, Natick, MA, USA	2013a	MATLAB ist eine High-Level-Tech-Computing-Sprache und interaktive Umgebung für die Entwicklung von Algorithmen, die Datenvisualisierung, die Datenanalyse und die numerische Berechnung.
MRT-Scanner	GE Healthcare, Milwaukee	MRI 3.0
SPM-Software	Wellcome Centre for Human Neuroimaging, UCL	SPM8	SPM8 ist ein umfassendes Update der SPM-Software, das im Vergleich zu früheren Versionen erhebliche theoretische, algorithmische, strukturelle und Schnittstellenverbesserungen enthält.
SPSS	IBM, Chicago, IL, USA	Die SPSS-Softwareplattform SPSS Version 20.0	bietet erweiterte statistische Analysen, Textanalysen, Open-Source-Erweiterbarkeit, Integration mit Big Data und nahtlose Bereitstellung in Anwendungen.