Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie

Das übergeordnete Ziel des folgenden Experiments besteht darin, statistische Karten zu erhalten, um die Unterschiede zwischen Ruhezustands-fMRT-Aufnahmen gesunder Kontrollpersonen und Patienten mit Epilepsie zu vergleichen. Dies wird erreicht, indem fMRT-Daten von Probanden mit Schläfenlappenepilepsie sowie von gesunden Kontrollprobanden erhoben werden.

Im zweiten Schritt wird die fMRT vorverarbeitet, um die Daten für die statistische Analyse vorzubereiten. Anschließend werden die vorverarbeiteten fMRT-Daten analysiert, um statistisch aussagekräftige Vergleiche zwischen den beiden Gruppen zu erhalten. Die Ergebnisse zeigen Unterschiede in den Hirnnetzwerken von Patienten mit Epilepsie im Vergleich zu den Hirnnetzwerken gesunder Kontrollpersonen auf.

Aufgrund statistischer Unterschiede in den Netzwerkkarten des Gehirns zwischen diesen beiden Gruppen wird zunehmend deutlich, dass selbst Epilepsien, die durch fokale Anfälle manifest werden, emergente Eigenschaften diffuser Netzwerkstörungen sind. Die Idee zu dieser Technik entstand, nachdem die Bedeutung des DEF Favo-Netzwerks während Anfällen erkannt wurde, und der Gedanke aufkam, ob das Ruhezustands-LO-Netzwerk zwischen den Anfällen bei der Temporallappenepilepsie abnorm ist. Die Studienpopulation für dieses Protokoll sollte drei Gruppen umfassen, richtig?

Patienten mit Temporallappenepilepsie, Patienten mit linksseitiger Temporallappenepilepsie sowie gesunde Kontrollpersonen. Insgesamt werden etwa 35 Probanden empfohlen. Die Epilepsie-Probengruppen sollten aus Patienten bestehen, bei denen eine Temporallappenepilepsie diagnostiziert wurde, beispielsweise Kandidaten für eine anteriore Temporallappenresektion, deren Diagnose mittels Video-EEG-Überwachung, PET-Bildgebung und neuropsychologischer Tests bestätigt wurde. Es muss sichergestellt werden, dass alle Probanden normale MRT-Aufnahmen des Gehirns aufweisen und frei von neurologischen Erkrankungen außer Epilepsie sind.

Beantragen Sie die Genehmigung durch die zuständige Ethikkommission (IRB) und holen Sie die schriftliche, informierte Einwilligung aller Probanden vor der Bildgebung sowie die Überprüfung auf MRT-Sicherheit ein. Die Patienten sollten ihre üblichen Medikamente während des fMRT-Scans fortführen und nicht unmittelbar nach einem Anfall untersucht werden. Für alle in diesem Protokoll beschriebenen Bildgebungsverfahren sollte ein 3-Tesla-MRT-System verwendet werden.

Erhalten Sie axiale Schnitte für funktionelle Bilder mithilfe einer Echo-Planar-Bildgebungssequenz und für anatomische Bilder mittels einer gespoilten gradientenrecalled-Sequenz. Bitten Sie die Teilnehmer, sich zu entspannen und bei geschlossenen Augen ruhig liegen zu bleiben, und führen Sie die funktionelle Bildgebung mit den hier dargestellten Parametern durch. Verwenden Sie außerdem die folgenden Parameter für die S PGR T1-gewichtete hochauflösende strukturelle Bildgebung.

Jede Bildgebungssitzung sollte etwa 20 Minuten dauern. Beginnen Sie mit der Vorverarbeitung der FMRI-Daten mithilfe der FSL-Software First. Verwenden Sie FSL MFL, um Bewegungsartefakte des Kopfes zu entfernen.

Verwenden Sie anschließend das FSL-Brain-Extraction-Tool oder BET, um das nicht zum Gehirn gehörende Gewebe unter Verwendung der Option –F für bold files zu entfernen. Dadurch werden weitere Analyse­schritte ausschließlich am Gehirn­gewebe ermöglicht. Als Nächstes führen Sie in FEAT eine minimal verarbeitete Analyse mit Registrierung durch.

Wählen Sie die Analyse der ersten Ebene aus und ändern Sie die vollständige Analyse über die oberen beiden Schaltflächen in „Pre-Stats“. Wählen Sie dann im Reiter „Pre-Stats“ die Option „Brain Extraction“ für BET nicht aus und wählen Sie für die Bewegungskorrektur „keine“, da diese Schritte bereits durchgeführt wurden. Registrieren Sie anschließend die funktionellen Bilder zu den anatomischen Bildern und danach zu einem standardisierten MNI-Bild.

Dies führt zur Erzeugung von Transformationsmatrizen, die später während der Analyse verwendet werden, um den im Standardraum ausgewählten Seed in den Gehirnraum des Probanden zu übertragen. Verwenden Sie anschließend die erzeugte Transformationsmatrix mit dem Namen standard to example funk dot mat, um die CSF- und weiße Substanz-ROIs in den individuellen BOLD-Raum zu transformieren. Extrahieren Sie dann mithilfe des FSL-Mittelwert-TS-Befehls die Zeitreihe aus den CSF- und weißen Substanz-ROIs.

Unter Verwendung des ROI im individuellen Subjektraum als Maske werden die extrahierten Zeitsignale mit der Software R normalisiert. Diese Zeitsignale werden später als Regressoren im allgemeinen linearen Modell verwendet, um die entsprechenden artefaktbedingten Signale aus der Analyse zu entfernen. Der nächste Schritt ist die Entfernung von Bewegungsartefakten, die mit der Bewegung des Probanden zusammenhängen. Zur Regression der Bewegungsparameter.

Stellen Sie Folgendes in FSL feet ein, bevor Sie es erstmals im Daten-Tab ausführen: Verwenden Sie die bewegungskorrigierte und Gehirn-extrahierte Datei als Eingaben und setzen Sie den TR-Wert entsprechend Ihrem Datensatz. Wenden Sie eine Hochpassfilterung mit einem 102. Filter an, um unerwünschte niederfrequente Signale zu entfernen. Ein Tiefpassfilter zur Entfernung hochfrequenter Signale wird später im Pre-stats-Tab angewendet.

Wählen Sie unter Bewegungskorrektur „keine“ aus und deaktivieren Sie, aber die Gehirnextraktion. Da diese Schritte bereits durchgeführt wurden, führen Sie eine räumliche Glättung mit einer vollen Breite bei halber Höhe von fünf Millimetern durch. Gehen Sie dann innerhalb des Statistik-Tabs dazu über, die sechs Bewegungsparameter und ihre zeitlichen Ableitungen zu regressieren.

Wählen Sie „keine“ für die Faltung und aktivieren Sie die temporale Filterung. Verwenden Sie die Ausgabe von F selmic flirt, um Textdateien der Bewegungsparameter zu erhalten, die anschließend in die FEET-Analyse eingegeben werden können, um diese in einem allgemeinen linearen Modell zu regressieren. Fügen Sie außerdem die im vorherigen Schritt extrahierten und normalisierten Signale der Zerebrospinalflüssigkeit (CSF) und der weißen Substanz dem GLM hinzu.

Wählen Sie „keine“ für die Faltung. Fügen Sie die zeitliche Ableitung hinzu und deaktivieren Sie die Anwendung der zeitlichen Filterung. Die Residuen aus der oben beschriebenen Vorverarbeitung sollten für die korrelationsbasierte Analyse mit einem Startpunkt („seed“) verwendet werden.

Diese Residuen sollten zunächst durch einen Tiefpassfilter mit einer Grenzfrequenz von 0,1 Hertz geführt werden, anschließend durch Subtraktion des Mittelwerts zentriert, durch die Standardabweichung dividiert und dann durch Addition von 100 skaliert werden. Der Seed sollte mit einem Durchmesser von sechs Millimetern definiert werden, im standardmäßigen MNI-Raum. Mithilfe der MRIcron-Software sollten der posteriore und der anteriore Seed den hier angezeigten Koordinaten entsprechen.

Beachten Sie, dass diese Seed-Positionen innerhalb gesunder Kontrollen definiert wurden. Die Seeds sollten anschließend mittels der zuvor generierten Transformationsmatrix aus dem standardisierten MNI-Raum in den individuellen funktionellen Hirnraum jedes Probanden überführt werden. Verwenden Sie hierfür die Transformationsmatrix, um den Seed vom standardmäßigen MNI-Raum in den individuellen funktionellen Raum zu transformieren.

Verwenden Sie als Nächstes den FSL mean-Ts-Befehl, um die Zeitreihe aus dem zuvor mittelwertbereinigten und skalierten Residuum zu extrahieren, wobei der Seed im individuellen Subjektraum als Maske dient. Normalisieren Sie die extrahierte Zeitreihe mithilfe der Software R; partielle Korrelationen zwischen den Seed-Voxel und allen anderen Hirnvoxel müssen separat für jedes Subjekt und jeden Durchlauf berechnet werden.

Dazu wählen Sie in der FSL-feet-Oberfläche zunächst die „first level analysis“ und anschließend im Daten-Tab „stats plus post stats“. Als Eingabe sollte das zuvor mittelwertbereinigte und skalierte Residuum verwendet werden. Setzen Sie die Grenzfrequenz des Hochpassfilters auf 10.000, da das Residuum im Stats-Tab bereits mit einer Hochpassfilterung von 100 Sekunden vorbehandelt wurde.

Deaktivieren Sie die Verwendung der Film-Prä-Whitening und verwenden Sie die zuvor extrahierten und normalisierten Seed-Zeitreihen. Setzen Sie im GLM im Reiter „Post-Stats“ den gewünschten Z-Wert-Schwellenwert auf 2,0, bevor Sie die Gruppenanalyse durchführen. Bei der Kombination von Läufen innerhalb von Probanden sollte eine Fisher-Z-Transformation auf dem Kontrast der Parameterschätzungen durchgeführt werden.

Datei, die aus der Korrelationsanalyse erzeugt wurde. Kopieren Sie die Registrierungsdaten aus dem reg-Verzeichnis der Fußanalyse in den Korrelationsdurchlauf. Führen Sie eine übergeordnete Analyse durch, indem Sie Durchläufe innerhalb jedes Probanden kombinieren. Wählen Sie zuerst die übergeordnete Analyse und dann Statistik sowie anschließende Statistik.

Dann wählen Sie im Daten-Tab, dass die Eingaben niedrigerer Ebene Fußverzeichnisse sind, und geben Sie die Durchläufe des Probanden im Statistik-Tab ein. Wählen Sie gemischte Effekte. Stellen Sie mit einfacher OLS einen Modellansatz als mittleren Effekt auf und geben Sie für jeden der Probandendurchläufe einen Wert von eins ein.

Um Datenüberlappungen zwischen Probanden zu kombinieren, sollte eine einfache gemischte Effekte-Analyse mit gewöhnlichen kleinsten Quadraten (OLS) verwendet werden. Wählen Sie hierfür im Daten-Tab „höhere Ebene Analyse“ und „Statistik plus Nach-Statistik“. Wählen Sie als Eingaben die Verzeichnisse der unteren Ebene und geben Sie im Statistik-Tab die kombinierten Läufe des Probanden ein, wählen Sie dann „gemischte Effekte“. Bei der einfachen OLS-Modellierung als drei Gruppen geben Sie für die Gruppe den Wert eins ein.

Jeder Proband gehört zur Nullgruppe. Andernfalls sollte die Gruppenanalyse für jeden Voxel mithilfe einer einfaktoriellen ANOVA mit drei Stufen – die den drei Gruppen entsprechen – zur Schwellenwertbestimmung durchgeführt werden. Bei den Z-Statistik-Bildern wird ein Cluster-Bildungsschwellenwert von Z > 2,0 und ein korrigierter Cluster-Signifikanzschwellenwert von P = 0,05 verwendet, um korrekte Z-Werte auf der Korrelationskarte zu erhalten.

Eine inverse Fisher-Z-Transformation sollte auf die Ergebnisse angewendet werden. Verwenden Sie abschließend die hier auf dem Bildschirm angezeigten spezifischen Kontraste. Diese Abbildung zeigt das Standardmodus-Netzwerk, das mittels Konnektivität von einem posterioren Seed offenbart wurde, einschließlich des Retrospleniums und des Precuneus in Rot-Gelb-Tönen, sowie von einem anterioren Seed, einschließlich des ventromedialen präfrontalen Cortex in Blau-Grün-Tönen.

Die erste Reihe zeigt das Netzwerk für Kontrollpersonen, die zweite Reihe für linksseitige Temporallappenepilepsie und die untere Reihe für rechtsseitige Temporallappenepilepsie. Die folgenden Abbildungen vergleichen diese Netzwerke zwischen diesen drei Gruppen. Hier sehen wir die Standardmodus-Netzwerke, die mit einem vorderen und einem hinteren Seed für kombinierte rechts- und linksseitige Temporallappenepilepsie im Vergleich zu gesunden Kontrollen sichtbar wurden.

Diese Abbildung zeigt die Standardmodus-Netzwerke, die mit denselben Ausgangspunkten für die linke Temporallappenepilepsie im Vergleich zu gesunden Kontrollen ermittelt wurden. Während diese Abbildung die Netzwerke für die rechte Temporallappenepilepsie im Vergleich zu gesunden Kontrollen zeigt, sehen wir hier schließlich die Standardmodus-Netzwerke, die mit einem vorderen und einem hinteren Ausgangspunkt für die linke Temporallappenepilepsie im Vergleich zur rechten Temporallappenepilepsie ermittelt wurden. Funktionsverbundstudien, die das gesamte Gehirn einbeziehen, sind entscheidend für das Verständnis der grundlegenden Mechanismen der Epilepsie.

Wir verwendeten in diesem Experiment eine sämlingsbasierte Technik, um die Konnektivität zum Standardmodus-Netzwerk zu bewerten. Es wird interessant sein zu sehen, wie andere Techniken in ihren Ergebnissen verglichen werden, wenn man die Epilepsie des Temporallappens untersucht.