Co-Analyse von Hirnstruktur und-funktion mittels fMRT und Diffusionsgewichtete Imaging

Das übergeordnete Ziel des folgenden Experiments ist es, gleichzeitig die Struktur und Funktion des Gehirns mittels Magnetresonanztomographie zu analysieren. Dies wird mit Hilfe der Hochfeld-MRT erreicht, um die Struktur der weißen Substanz des Gehirns mit Diffusionsspektrum-Bildgebung (DSI) abzubilden und die Gehirnfunktion mit fetter FMRI zu messen. Die DSI-Daten werden dann verarbeitet, um multidirektionale Diffusionsschätzungen an jedem Punkt des Gehirns zu erstellen.

Zusätzlich werden die FMRI-Daten analysiert, um Bereiche von Interesse für die Erzeugung oder Selektion virtueller Fasern der weißen Substanz zu erzeugen. Anschließend werden die interessierenden Regionen mit den DSI-Daten abgeglichen, so dass sich funktionale und strukturelle Daten in einem gemeinsamen Bildraum befinden. Schließlich wird eine Traktographie an Diffusionsdaten durchgeführt, um die Signalwege der weißen Substanz abzuschätzen, die funktionelle Regionen von Interesse verbinden. Es werden Ergebnisse erhalten, die den Grad der anatomischen Konnektivität zwischen Gehirnbereichen zeigen, von denen angenommen wird, dass sie funktionell verbunden sind.

Basierend auf FMRI-Aufgabendaten. Jüngste konvergierende Beweise deuten darauf hin, dass komplexe kognitive Operationen von Netzwerken ausgeführt werden, die aus vielen Gehirnregionen bestehen, die zusammenarbeiten, und nicht von einem einzigen einheitlichen Bereich. Um diese Computersysteme vollständig spezifizieren zu können, ist es notwendig, die Beziehung zwischen ihren funktionellen und strukturellen Eigenschaften durch die Kombination von funktioneller MRT zu verstehen.

Mit diffusionsgewichteter MRT-Bildgebung kann man die Netzwerkkonnektivität untersuchen und untersuchen, wie sie zu kompliziertem menschlichem Verhalten führt. Der Hauptvorteil dieser Diffusions-MRT-Pipeline gegenüber Standardmethoden wie der Diffusions-Tensor-Bildgebung besteht darin, dass die Kombination aus diffusionsgewichteter Bildgebung mit hoher Winkelauflösung und modellfreier Rekonstruktion es uns ermöglicht, komplexe Faserkonfigurationen im Gehirn besser aufzulösen. Die Implikationen dieser Technik erstrecken sich auf die Charakterisierung neuropsychologischer Erkrankungen.

Zum Beispiel die angeborene Prosopagnosie, bei der Personen eine Beeinträchtigung der Gesichtserkennung aufweisen. Mit Hilfe der Standard-Diffusions-MRT konnte gezeigt werden, dass die Faserbahnen der weißen Substanz proximal zum Gesicht im Vergleich zu normalen Kontrollen abgebaut sind. Durch die Kombination von struktureller und funktioneller MRT können strukturelle Defekte in der Faser identifiziert werden, insbesondere an Verbindungsknoten im Gesichtsverarbeitungsnetzwerk.

Diese Methode kann auch im klinischen Kontext, wie z.B. bei der neurochirurgischen Planung, angewendet werden. Chirurgen verwenden Funktionskartierung, um Gewebe der grauen Substanz zu identifizieren, das mit wichtigen kognitiven Funktionen verbunden ist, um zufällige Schäden während der Operation zu minimieren. Mit zusätzlichen Strukturinformationen wie diffusionsgewichteter Bildgebung können sie auch die Schädigung kritischer Strukturen der weißen Substanz minimieren, die diese Funktionsbereiche verbinden.

Im Allgemeinen werden Personen, die neu in dieser Methode sind, mit der Tatsache zu kämpfen haben, dass kein einzelnes Softwarepaket vorhanden ist, um alle notwendigen Schritte des Verfahrens auszuführen. Daher müssen Benutzer zwischen mehreren Programmen wechseln und dabei ein gemeinsames Bildformat sowie eine konsistente Ausrichtung und Ausrichtung beibehalten. Unser Protokoll enthält eine detaillierte Anweisung, die den Benutzer durch dieses Verfahren führt.

Analysen dieser Art, die Struktur und Funktion in Kombination betrachten, sind ein natürliches Aussterben von funktionellen Bildgebungsexperimenten, die Coved-Hirnareale identifiziert haben. Bei interessanten Aufgaben waren die meisten früheren Ansätze nicht in der Lage, Informationen über die strukturelle Konnektivität zu liefern, und das ist es, was wir in unserem Ansatz hier in diesem Protokoll hinzufügen. Ein Siemens Drei-Tesla-Scanner wird verwendet, um eine 257-Richtungs-Diffusionsspektrum-Bildgebung oder DSI-Scan mit einer 32-Kanal-Phased-Array-Kopfspule zu erfassen, die hohe Feldstärke und die 32-Kanal-Spule sind erforderlich, um das Signal für diesen Scan mit hoher Winkelauflösung zu erhalten.

Die am häufigsten verwendete diffusionsgewichtete Bildgebungsmethode ist die Diffusions-Tensor-Bildgebung (DTI) bei der ein fünf- bis zehnminütiger Scan verwendet wird, der in der Regel 64 oder weniger Richtungen misst. Eine Einschränkung der DTI ist ihre Schwierigkeit beim Auflösen, Kreuzen und Küssen von Fasern, die mit einer Kombination aus hochauflösenden Erfassungs- und Rekonstruktionsmethoden wie DS besser nachgewiesen werden können. Ich stelle fest, dass das DSI-Protokoll etwa 45 bis 50 Minuten Bildgebung erfordert und dass die Bewegungskorrektur nicht auf DSI-Daten angewendet werden kann. Daher ist es ratsam, die Bewegung durch den Einsatz von Beißstangen, Schaumstoffpolsterung oder anderen Stabilisierungstechniken zu minimieren und für den Einsatz hochqualifizierter Teilnehmer ist zusätzliche Ausrüstung für aufgabenbasierte FMRI erforderlich, wie z. B. ein MR-kompatibles Display und ein Tastenreaktionssystem.

Stellen Sie vor dem Scannen sicher, dass Sie eine Einverständniserklärung einholen und auf MRT untersuchen. Kontraindikationen. Informieren Sie den Teilnehmer dann über die Art der durchzuführenden Scans und betonen Sie die Notwendigkeit, während des DSI-Scans still zu bleiben. Sobald der Teilnehmer bereit ist, bequem zu beginnen, stabilisieren Sie den Kopf des Teilnehmers und schieben Sie dann das Bett in den Scanner, führen Sie erste Scout-Scans und Kalibrierungen durch.

Richten Sie dann die Schnitte für den DSI-Scan an den vorderen und hinteren Kommissuren aus und stellen Sie sicher, dass die Schnitte für den DSI-Scan den gesamten Hirnlauf abdecken. Der DSI-Scan scannt, während sich der Proband im Scanner entspannt oder einen Film auf dem Präsentationssystem anschaut. Sammeln Sie nach dem DSI-Scan einen gewichteten anatomischen Scan mit einem T-Eins-Wert, um ihn später bei der Koregistrierung der DSI-Daten mit anderen anatomischen oder funktionellen Daten in derselben oder einer separaten Scansitzung zu verwenden.

Erfassen Sie auch aufgabenbasierte FMRI-Daten für das funktionale Scannen von Verhaltensaufgaben. Weisen Sie die Probanden an, den Bildschirm auf aufgabenrelevante Reize zu überwachen und bei Bedarf zu überwachen. Wenn die FMRI an einem anderen Tag durchgeführt wird, machen Sie einen weiteren T-One-gewichteten anatomischen Scan.

Dieser Verarbeitungsansatz nutzt die oberflächenbasierte Analyse von FMRI-Daten, um ROIs für die Traktographie zu generieren und ermöglicht eine bessere Visualisierung der Korrespondenzen zwischen Traktographie-Endpunkten und funktionalen ROIs. Um mit der Verarbeitung zu beginnen, senden Sie zunächst das erfasste T one gewichtete Bild an den automatisierten Algorithmus von Free Surfers, der die anatomische Segmentierung der grauen und weißen Substanz und die Rekonstruktion der Cortico-Oberfläche durchführt. Die Ausgabe enthält auch eine verarbeitete Version des anatomischen Volumens, aus dem die Oberflächen erstellt wurden, das als Oberflächenvolumen bezeichnet wird.

Als nächstes verarbeiten Sie FMRI-Daten bei Akne vor. Importieren Sie dann die kostenlose Surfer-Ausgabe in die Software summa a acne und mappen Sie vorverarbeitete Funktionsdaten auf die resultierenden Oberflächen. Analysieren Sie FMRI-Daten, um statistische Karten zu erstellen, aus denen funktional definierte ROIs für die Traktographie erstellt werden können.

Erweitern Sie dann diese oberflächenbasierten funktionellen ROIs durch Dilatation in die weiße Substanz, um den Kontakt mit Stromlinien während der Traktographie zu maximieren. Transformieren Sie schließlich die dilatierten ROIs von Oberflächen- in Volumenkoordinaten und geben Sie sie als raffinierte Dateien aus, um die Diffusionsdaten zu verarbeiten. Identifizieren Sie zunächst, welche DICOM-Bilder im Datensatz andere B-Null- oder Baseline-Bilder sind, und konvertieren Sie diese in ein raffiniertes Format.

Öffnen Sie anschließend in DSI Studio die DSI DICOM-Bilder und kombinieren Sie sie, um eine Quelldatei zu erstellen und eine Verlaufstabelle bereitzustellen. Wenden Sie als Nächstes die Standard-Rekonstruktionsmaske auf das Basisbild an und stellen Sie sicher, dass sie die gesamte graue Substanz umfasst, ohne Leerraum, Schädel oder Nicht-Gehirngewebe einzubeziehen. Bearbeiten Sie die erforderliche Maske.

Wählen Sie hier ein hochauflösendes Rekonstruktionsmodell mit A-D-S-I-G-Q-I oder GQI-Varianz. Die GQI-Option wird verwendet. Erstellen Sie dann eine Faserinformationsdatei, in der die wichtigsten Diffusionsrichtungen in jeder Wühlmaus dargestellt werden.

Die nächsten funktionalen ROIs müssen in den DSI-Bereich transformiert werden. Verwenden Sie apni, um das DSIB-Nullbild an das anatomische Oberflächenvolumen im Nifty-Format auszurichten. Invertieren Sie die resultierende 12-Punkt-ALINE-Transformationsmatrix mit der Katzenmatte eines Akneprogramms.

Wenden Sie dann die invertierte Matrix auf funktionale ROIs an, um sie in den DSI-Raum zu transformieren. Die Verfolgung von Fasern mit einem ganzen Hirn-Seed ist eine schnelle und effektive Möglichkeit, die Gesamtdatenqualität zu bewerten. Es bietet auch die Möglichkeit, Werte für globale Parameter wie den zu beginnenden Tracking-Schwellenwert zu bestimmen und eine ganze Brain-Seed-Region zu erstellen.

Legen Sie dann einen anfänglichen Tracking-Schwellenwert fest, um niedrige Signalvoxel sowie den Winkelschwellenwert auszublenden. Stellen Sie außerdem die Schrittweite in Millimetern und die gewünschte Anzahl von Fasern oder Seed-Punkten ein. Führen Sie nun eine Ganzhirntraktorographie durch, um die Gesamtqualität der ODF-Rekonstruktion zu überprüfen.

Finden Sie als Nächstes einen optimalen Tracking-Schwellenwert, indem Sie iterativ das gesamte Gehirn-Tracking durchführen und den Tracking-Schwellenwert anpassen. Finden Sie einen Schwellenwert, der den Anteil der Fasern maximiert, die die graue Substanz erreichen, indem Sie die Überlappung der gesamten Hirntrakographie und eine Maske der grauen Substanz in der Spur visualisieren. Rauschende Fasern werden minimiert, wenn 90 bis 100 % der Fasern die graue Substanz erreichen. Überprüfen Sie ferner, dass der Tracking-Schwellenwert Voxel und leeren Raum maskiert. So weist beispielsweise die Längsfissur ohne Entfernung von Voxeln, die eindeutig in weißer Substanz liegen, als Crosscheck-Spur einen Satz von Kontrollfasern aus einem anatomischen ROI am Hinterhauptpol mit einer großen Anzahl von Seeds, beispielsweise 500.000, auf.

Stellen Sie sicher, dass bei diesem Verfahren ungefähr die gleiche Anzahl von Fasern in den Datensätzen erzeugt wird, nachdem die optimalen Traktographieparameter ausgewählt wurden. Führen Sie als Nächstes eine ROI-beschränkte T-Traktographie durch, um Hypothesen bezüglich der Konnektivität zwischen funktional definierten Gehirnregionen zu testen. Beginnen Sie mit dem Laden der fib-Datei und erstellen Sie eine Seed-Region für ganze Gehirne in DSI Studio. Laden Sie als Nächstes eine oder mehrere funktional definierte Nifty-Dateien für den Bereich of Interest und legen Sie sie als ROIs in DSI Studio Region Setter fest.

ROIs erfordern, dass Stromlinien diese durchlaufen, den Tracking- und Winkelschwellenwert mit zuvor optimierten Parametern festlegen und das Tracking durchführen. Speichern Sie abschließend die Ausgabe der Traktographie als TRK-Dateien. Führen Sie als Nächstes eine Endpunktdichteanalyse durch, mit der strukturelle Konnektivitätskorrespondenzen mit präzisen räumlichen Positionen der aufgabenbasierten Funktionsaktivierung gemessen werden können.

Um mit dem Laden der raffinierten ROI- und TRK-Dateien in die track fz-Software zu beginnen, führen Sie boolesche Operationen zwischen Regionen durch und speichern Sie die Ergebnisse jeder Operation als neue TRK-Datei. Verwenden Sie die Funktionen des Diffusions-Toolkits, um TRK-Dateien räumlich aus dem DSI-Raum in den Oberflächenvolumenraum zu transformieren, um Faserdaten über eine hochauflösende anatomische Unterlage anzuzeigen, die TRK-Datei und das Oberflächenvolumen in der Spur zu transformieren und die Ergebnisse als ein Maß für die Konnektivität zu untersuchen. Berechnen Sie die Gesamtzahl der Glasfaserendpunkte in einem ROI, der nach ROI-Volumen normalisiert wird.

Hier sehen wir eine Illustration von optimalen und suboptimalen Ergebnissen mit Hilfe der Ganzhirntraktogrammographie. Alle drei Bilder basieren auf demselben DWI-Datensatz mit 257 Richtungen von einem einzigen Teilnehmer. Hier werden optimale Ergebnisse gezeigt.

Im Gegensatz dazu zeigen die hier gezeigten Ergebnisse den Effekt von zu nachsichtigen Traktographieparametern. Hier sehen wir die Qualitätsminderung, die sich aus der Verwendung eines Single-Tensor-Modells zur Rekonstruktion der DWI-Daten ergibt. In dieser Abbildung sehen wir ein Beispiel für Regionen, die während einer Gesichtswahrnehmungsaufgabe aktiviert wurden, bei der Bilder von Gesichtern und Alltagsgegenständen betrachtet wurden.

Während der FMRI-Untersuchung von zwei ventralen temporalen Regionen in der Mitte, zeigten der Gyrus fusiformis und der Gyrus occipitalis inferior signifikant kräftigere Reaktionen bei Gesichtern als bei Objekten. Die Figurenszene hier zeigt die Verbindungen zwischen dem visuellen Kortex, sensorischen Regionen und einer Region der Aufmerksamkeitskontrolle im hinteren parietalen Kortex. In diesem Bereich werden die ungefähren Positionen der Ausgangsbereiche V eins, V zwei und V drei in Rot, Grün bzw. Blau angezeigt.

Die PPC-Seed-Region mit der Bezeichnung IPS one und die Faserspuren, die diese Regionen verbinden, sind durch den okzipitalen ROI gefärbt, von dem aus sie platziert wurden. Panel B zeigt die funktionalitätsdefinierten Bereiche in IPS in Braun, V eins in Rot, V zwei in Grün und V drei in Blau auf der kortikalen Oberfläche zusammen mit den Faserendpunkten in jeder Region. Einmal gemeistert, kann die Datenerfassung für einen einzelnen Teilnehmer in 30 bis 90 Minuten durchgeführt werden.

Die automatisierte anatomische Oberflächenrekonstruktion dauert in der Regel 16 Stunden, während diffusionsgewichtete Daten in weniger als einer Stunde verarbeitet werden können. Die Zeit für die Verarbeitung und Analyse von FMRI-Daten variiert je nach Verhaltensaufgabe und experimentellen Verfahren. Die Zeitanforderungen für die Traktografie reichen ebenfalls von Minuten bis zu Stunden, abhängig von den Tracking-Parametern und den Einschränkungen der Region of Interest.

Beim Versuch dieses Verfahrens ist es wichtig, sich daran zu erinnern, dass das Ergebnis der Traktographie sowohl für falsch positive als auch für falsch negative Ergebnisse anfällig sein kann. Bewerten Sie Ihr Faserverfolgungsergebnis immer im Kontext früherer neuroanatomischer Befunde oder verwenden Sie konvergierende Methoden wie die Analyse der funktionellen Konnektivität Nach diesem Verfahren. Andere Methoden wie die Klassifizierung von Mustern an Faserstellen, die detaillierte räumliche Analyse von Endpunktverteilungen und das Längsschnittscannen der Integrität der weißen Substanz können durchgeführt werden, um den Zusammenhang mit der Struktur und Funktion des Gehirns weiter zu untersuchen.

Diese Technik hat Forschern auf dem Gebiet der kognitiven Neurowissenschaften den Weg geebnet, Struktur-Funktions-Beziehungen nicht-invasiv bei gesunden Menschen und klinischen Populationen zu erforschen. Die strukturelle Konnektivität zwischen Gehirnregionen kann dazu dienen, Hypothesen über den Informationsfluss durch Gehirnnetzwerke einzuschränken, die komplexe menschliche Verhaltensweisen steuern. Nachdem Sie sich dieses Video angesehen haben, sollten Sie die wichtigsten Schritte bei der Rekonstruktion diffusionsgewichteter Bildgebungsdaten und der Durchführung der Fasertraktographie verstehen.

Sie sollten auch verstehen, wie wichtig es ist, Qualitätsprüfungen und iterative Parametertests durchzuführen, um Ihre Faserverfolgungsergebnisse zu optimieren. Nachdem Sie sich dieses Video angesehen haben, sollten Sie schließlich ein besseres Verständnis dafür haben, wie Sie die anatomische Konnektivität mit den funktionellen Eigenschaften von Gehirnnetzwerken in Beziehung setzen können.