Name: Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie (Video) | JoVE Journal
Uploaded: 2014-08-05T14:00:00.000+00:00
Duration: 12 min 9 s
Description: Erfahren Sie die Netzwerkanalyse des Default Mode Network mit fMRT-Funktionaler Konnektivität bei Temporallappen-Epilepsie. Diese Methode ermöglicht den Vergleich von Gehirnnetzwerken zwischen Patienten und gesunden Kontrollpersonen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

NIH-NINDS K23 Zuschuss NS044936 (JMS), Finanzierung für diese Forschung wurde von The Epilepsy Foundation of America, Baylor College of Medicine und Computational Integrative Biomedical Research Center (ciBR) Seed Grants Awards (ZH) vorgesehen ist; . Elizabeth Pierce (UCLA): Die Leff und Family Foundation (JMS) Die Datenerfassung wurde nach Vorarbeit.

Ein. Themen <ol><li> Die Studienpopulation von 36 Probanden umfasst 3 Gruppen: rechts TLE (n = 11), links TLE (n = 12) und gesunden Kontrollen (n = 13). Erhalten schriftliche Einverständniserklärung von allen Probanden. Die Studie folgt den Richtlinien der Universität von Kalifornien, Los Angeles (UCLA) Institutional Review Board. </li><li> Die Epilepsie-Fachgruppen sollten Patienten, die per Video-EEG-Monitoring, Gehirn-MRT, PET-Bildgebung und neuropsychologische Tests bestimmt Kandidaten für die vorderen Schläfenlappen Resektion sein. Patienten sollten ihre üblichen Medikamente während der fMRT-Scan fortsetzen und sollte nicht sofort nach dem Anfall gescannt werden. Stellen Sie sicher, dass alle Probanden haben normale Gehirn-MRT und sind frei von neurologischen Erkrankungen (Epilepsie andere als in den Patientengruppen) oder werden mit neurologischen Medikamenten. </li></ol> 2. Imaging <ol><li> Verwenden Sie ein 3-Tesla-MRT-System für die Bildgebung. Erhalten axialen Schichten für funktionelle Bilder mit einem Echo-Planar-Bildgebunging (EPI)-Sequenz und für anatomische Bilder mit einem Farbverlauf erinnerte verwöhnt (SPGR)-Sequenz. </li><li> Führen Sie die funktionelle Bildgebung mit folgenden Parametern: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, Matrix = 64 x 64, Schichtdicke 4 mm, 34 Scheiben schneiden. Verwenden Sie die folgenden Parameter für hochauflösende strukturelle Bildgebung: TR = 20 ms, TE = 3 ms, FOV = 256 mm, Matrix = 256 x 256, Schichtdicke 1 mm, 160 Scheiben. </li><li> Jedes Imaging-Sitzung sollte 20 Minuten dauern. Bitten Sie die Teilnehmer entspannen Sie sich mit geschlossenen Augen. Keine spezielle Gehöreingang erforderlich ist. </li></ol> 3. Vorverarbeitung von BOLD Daten <ol><li> Vorverarbeitung der fMRI-Daten mit FSL (fMRIB Software Library) Software-Version 4.1.6 (Oxford, Großbritannien, www.fmrib.ox.ac.uk / fsl) 13,14. Vorverarbeitung Schritte sollten gehören: Verwenden FSL MCFLIRT der Kopfbewegung Artefakt 15 zu entfernen. Verwenden FSL BET zu nonbrain Gewebe 16 mit BET-Option-F für BOLD-Dateien zu entfernen. Das hilft einem Lauf feitere Analyseschritte auf dem Hirngewebe allein. </li><li> In FEAT, führen Sie eine minimal verarbeitet Analyse mit Registrierung. Wählen Sie &quot;First-Level-Analyse&quot; und ändern Sie &quot;Full-Analyse&quot; auf &quot;Pre-stats&quot; aus den beiden oberen Knöpfe. <ol><li> Unter Pre-Statistiken Registerkarte, deaktivieren Sie &quot;BET Gehirn Extraktion&quot; und wählen Sie &quot;None&quot; für &quot;Bewegungskorrektur&quot; (wie diese wurden oben bereits geschehen). Registrieren der funktionalen (fett) Bilder der anatomischen (SPGR) Bilder, und dann einer Standard-(MNI) Bildes. Dies führt zu der Generation von Transformations-Matrizen, die bei der Analyse später verwendet werden, die in Standard-Raum in Raum Gehirn des Probanden ausgewählten Samen verziehen. </li></ol></li><li> Verwenden Sie die generierte Transformationsmatrix (mit dem Namen &quot;standard2example_func.mat&quot;) und verwandeln CSF und weißen Substanz ROIs in einzelne BOLD Raum. <ol><li> Entpacken Sie die Zeitreihe aus der CSF und weißen Substanz ROIs mit dem Befehl fslmeants,Verwendung des ROI in einzelnen Fachraum als Maske. Normalisieren der extrahierten Zeitreihen mit Hilfe der Software &quot;R&quot;. Diese Zeitreihen werden als Regressoren in der GLM später verwendet, um die entsprechenden Signale Artefakt aus der Analyse zu entfernen. </li></ol></li><li> Der nächste Schritt ist die Entfernung von Motivbewegung bezogenen Artefakten. Für Regression der Bewegungsparameter, setzen Sie die folgenden innerhalb FSL FEAT, bevor Sie es. <ol><li> Innerhalb der Registerkarte Daten verwenden Bewegungs korrigiert und Gehirn-extrahierte Datei als Eingänge, stellen Sie die TR-Wert, um Ihre Datenmenge entsprechen. Set Hochpassfilterung mit einem 100 sec-Filter. Die Hochpassfilterung wird Signale nicht von Interesse, die von sehr niedrigen Frequenz zu entfernen. Ein Tiefpaßfilter, um Hochfrequenzsignale zu entfernen wird später in Schritt 4.1 verwendet werden. </li><li> Innerhalb der Registerkarte Pre-Statistiken, wählen Sie &quot;Keine&quot; unter &quot;Bewegungskorrektur&quot;, wie es bereits getan wurde. Deaktivieren Sie &quot;WETTE Gehirn Extraktion&quot;, wie es bereits getan wurde. Führen räumliche Glättungmit einem 5-mm-Halbwertsbreite (FWHM). </li><li> Innerhalb der Registerkarte Statistik, die zurückbilden 6 Bewegungsparameter und deren zeitliche Ableitungen. Wählen Sie &quot;None&quot; für die Faltung und überprüfen Sie &quot;Apply zeitliche Filterung.&quot; Verwenden Sie die Ausgabe von FSL MCFLIRT Textdateien Bewegungsparameter zu erhalten, die dann in den FEAT Analysemodell, um diese in einem allgemeinen linearen Modell (GLM) zurückbilden kann </li><li> Fügen Sie auch die CSF und weißen Substanz extrahiert und Signale, die in den vorherigen Schritten normalisiert wurden dem GLM. Wählen Sie &quot;None&quot; für die Faltung, fügen zeitliche Ableitung, und deaktivieren Sie &quot;Apply zeitliche Filterung&quot;. </li></ol></li></ol> 4. Statistische Methoden <ol><li> Die Residuen aus Vorverarbeitung oben beschrieben sollte für Saatgut-basierte Korrelation verwendet werden. Diese Rückstände zunächst durch ein Tiefpassfilter von 0,1 Hz weitergeleitet werden und dann durch Subtrahieren der mittleren, Dividieren durch die Standardabweichung, und dann durch Zugabe von skalierten erniedrigt100. Sollten Samen mit einem Durchmesser von 6 mm in der Standard MNI Raum mit MRICron Software definiert werden. </li><li> Die hintere und die vordere Samen sollten die folgenden Koordinaten entsprechen: (1) Rsp / PCUn Bereich (x = 2, y = -60, z = 36) und (2) ventromedialen präfrontalen Kortex (vmPFC, x = 3, y = 60, z = -1). Die Samen wurden innerhalb von Standorten gesunden Kontrollen definiert, die mit dem Thema Raum in dem nächsten Schritt 17-19 transformiert. <ol><li> Die Samen sollten anschließend auf die einzelnen Funktionsraum Gehirn jedes Thema aus dem Standard-MNI-Raum transformiert werden. Dazu verwenden Sie den oben erzeugten Transformationsmatrix (mit dem Namen &quot;standard2example_func.mat&quot;), um die Samen von Standard-(MNI) Raum in den einzelnen Funktions (BOLD-) Raum zu verwandeln. </li><li> Verwenden Sie den Befehl fslmeants, um die Zeitreihe aus der zuvor erniedrigt und skaliert Rest, mit dem Samen in den einzelnen Fachraum als Maske zu extrahieren. Normalisieren der extrahierten Zeitreihen über die Soft-ware &quot;R&quot;. </li></ol></li><li> Partielle Korrelationen zwischen den Samen Voxel und alle anderen Hirn Voxel separat für jedes Thema für jeden Durchlauf berechnet werden. Dazu in der FSL FEAT GUI, wählen Sie &quot;First-Level-Analyse&quot;, und dann &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte Daten, sollte die zuvor erniedrigt und skaliert Rest als Input FEAT verwendet werden. </li><li> Stellen Sie den Hochpassfiltergrenz bis 10.000, wie die Rest ist bereits hoch bei 100 sec geleitet. Innerhalb der Registerkarte Statistik, deaktivieren Sie &quot;Use FILM prewhitening&quot;, und verwenden Sie die zuvor extrahierte und normalisiert Samen Zeitreihen in der GLM. Innerhalb der Registerkarte Post-Statistiken, die gewünschte Z-stat-Schwelle auf einen Wert von 2,0. </li><li> Vor dem Ausführen von Gruppenanalyse kombiniert Läufe innerhalb der Subjekte, sollte ein Fisher-Z-Transformation auf die von der zuvor laufen Korrelationsanalyse (Schritt 4.3) erzeugt COPE (Kontrast der Parameterschätzer)-Datei durchgeführt werden. Anmeldung Kopieren von Daten from der &quot;reg&quot;-Verzeichnis des FEAT Analyse in Schritt 3.1 getan in der Korrelation Lauf von Schritt 4.3. </li><li> Führen Sie einen übergeordneten Analyse durch die Kombination läuft in jedem Thema. Dazu in der FSL FEAT GUI, wählen Sie &quot;Higher-Level-Analyse&quot;, und dann &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte &quot;Daten&quot;, wählen Sie &quot;Eingänge sind untergeordnete Verzeichnisse FEAT&quot; und geben Sie läuft Subjekts aus Schritt 4.4. Innerhalb der Registerkarte &quot;Statistik&quot;, wählen Sie &quot;Gemischte Effekte: Einfache OLS&quot;. Up-Modell als Mittel Wirkung Set; geben Sie den Wert 1 für jede Lauf des Subjekts. </li><li> Um Daten über läuft zwischen den Fächern, einer der kleinsten Quadrate (OLS) kombinieren sollte einfach gemischte Effekte Analyse verwendet werden. Dazu in der FSL FEAT GUI, wählen Sie &quot;Higher-Level-Analyse&quot; und &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte Daten wählen &quot;Eingänge sind untergeordnete Verzeichnisse FEAT&quot; und geben Probanden Auflagen aus Schritt 4.5. </li><li> Innerhalb der Registerkarte Statistik, wählen Sie &quot;Gemischte Effekte: Einfache OLS&quot; &#39;ein Modell zu 3 Gruppen Set; geben Sie den Wert 1 für die Gruppe jeder Proband gehört, sonst 0. Gruppe Analyse sollte auf jeden Voxel mit einem One-Way-ANOVA mit drei Ebenen, die zu den drei Gruppen (rechts TLE links TLE und gesunde Kontrollen) entsprach geführt werden. </li><li> Um die Schwelle Z-Statistik Bilder zu verwenden Cluster-Bildung Schwelle von Z&gt; 2,0 und korrigiert Cluster signifikante Schwelle von p = 0,05 20. Um eine korrekte z-Werte auf der Korrelationskarte zu erhalten, sollte eine umgekehrte Fisher-Z-Transformation auf die Ergebnisse durchgeführt werden. </li><li> Die folgenden spezifischen Kontraste sollten (1) rechte TLE&gt; Kontrollen verglichen werden; (2) links TLE&gt; Kontrollen; (3) rechte TLE&gt; links TLE; (4) TLE links&gt; rechts TLE; (5) Steuer&gt; rechte TLE; (6) Steuer&gt; links TLE; (7) TLE (kombiniert rechts und links)&gt; Kontrolle; und (7) Steuer&gt; TLE (kombiniert rechts und links). </li></ol>

<ol><li>Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+MRI%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Functional connectivity in the motor cortex of resting human brain using echo-planar MRI.</a> Magn. Reson. Med. 34, 537-541 (1995).</li>
<li>Fox, M. D., Greicius, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+applications+of+resting+state+functional+connectivity%5BTitle%5D)+AND+%22Front.+Syst.+Neurosci%22%5BJournal%5D)">Clinical applications of resting state functional connectivity.</a> Front. Syst. Neurosci. 4, 1-13 (2010).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electroencephalographic+signatures+of+attentional+and+cognitive+default+modes+in+spontaneous+brain+activity+fluctuations+at+rest%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest.</a> Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).</li>
<li>Shmuel, A., Leopold, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+correlates+of+spontaneous+fluctuations+in+fMRI+signals+in+monkey+visual+cortex%3A+Implications+for+functional+connectivity+at+rest%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest.</a> Hum. Brain Mapp. 29, 751-761 (2008).</li>
<li>Margulies, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+developments%3A+a+review+of+fMRI+post-processing+methodologies+for+spontaneous+brain+activity%5BTitle%5D)+AND+%22Magn.+Mater.+Phys.+Biol%22%5BJournal%5D)">Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity.</a> Magn. Mater. Phys. Biol. 23, 289-307 (2010).</li>
<li>Biswal, B. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+discovery+science+of+human+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Toward discovery science of human brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).</li>
<li>Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+lateralized+temporal+lobe+epilepsy+on+the+default+mode+network%5BTitle%5D)+AND+%22Epilepsy+Behav%22%5BJournal%5D)">Effect of lateralized temporal lobe epilepsy on the default mode network.</a> Epilepsy Behav. 25, 350-357 (2012).</li>
<li>Pillai, J. J., Williams, H. T., Faro, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+imaging+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Semin.+Ultrasound.+CT+MR%22%5BJournal%5D)">Functional imaging in temporal lobe epilepsy.</a> Semin. Ultrasound. CT MR. 28, 437-450 (2007).</li>
<li>Blumenfeld, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Positive+and+negative+network+correlations+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Cereb.+Cortex%22%5BJournal%5D)">Positive and negative network correlations in temporal lobe epilepsy.</a> Cereb. Cortex. 14, 892-902 (2004).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nucl.+Med.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).</li>
<li>Fransson, P., Marrelec, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+precuneus%2Fposterior+cingulate+cortex+plays+a+pivotal+role+in+the+default+mode+network%3A+Evidence+from+a+partial+correlation+network+analysis%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis.</a> Neuroimage. 42, 1178-1184 (2008).</li>
<li>Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+brain%27s+default+network%5BTitle%5D)+AND+%22Ann.+N.+Y.+Acad.+Sci%22%5BJournal%5D)">The brain's default network.</a> Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).</li>
<li>Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+autocorrelation+in+univariate+linear+modeling+of+FMRI+data%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Temporal autocorrelation in univariate linear modeling of FMRI data.</a> Neuroimage. 14, 1370-1386 (2001).</li>
<li>Forman, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+assessment+of+significant+activation+in+functional+magnetic+resonance+imaging+%28fMRI%29%3A+use+of+a+cluster+size+threshold%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold.</a> Magn. Reson. Med. 33, 636-647 (1995).</li>
<li>Jenkinson, M., Bannister, P., Brady, M., Smith, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+optimization+for+the+robust+and+accurate+linear+registration+and+motion+correction+of+brain+images%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Improved optimization for the robust and accurate linear registration and motion correction of brain images.</a> Neuroimage. 17, 825-841 (2002).</li>
<li>Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+robust+automated+brain+extraction%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Fast robust automated brain extraction.</a> Hum. Brain Mapp. 17, 143-155 (2002).</li>
<li>Raichle, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+default+mode+of+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">A default mode of brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).</li>
<li>Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+of+default+mode+network+components%3A+correlation%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Functional connectivity of default mode network components: correlation.</a> Hum. Brain Mapp. 30, 625-637 (2009).</li>
<li>Singh, K. D., Fawcett, I. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transient+and+linearly+graded+deactivation+of+the+human+default-mode+network+by+a+visual+detection+task%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Transient and linearly graded deactivation of the human default-mode network by a visual detection task.</a> Neuroimage. 41, 100-112 (2008).</li>
<li>Worsley, K. J., Evans, A., Marrett, S., Neelin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+three-dimensional+statistical+analysis+for+CBF+activation+studies+in+human+brain%5BTitle%5D)+AND+%22J.+Cereb.+Blood+Flow+Metab%22%5BJournal%5D)">A three-dimensional statistical analysis for CBF activation studies in human brain.</a> J. Cereb. Blood Flow Metab. 12, 900-918 (1992).</li>
<li>Spencer, S. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+networks+in+human+epilepsy%3A+evidence+of+and+implications+for+treatment%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Neural networks in human epilepsy: evidence of and implications for treatment.</a> Epilepsia. 43, 219-227 (2002).</li>
<li>Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default-mode+network+activity+distinguishes+Alzheimer%27s+disease+from+healthy+aging%3A+evidence+from+functional+MRI%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI.</a> Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).</li>
<li>Kennedy, D. P., Redcay, E., Courchesne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Failing+to+deactivate%3A+resting+functional+abnormalities+in+autism%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Failing to deactivate: resting functional abnormalities in autism.</a> Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).</li>
<li>Garrity, A. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+%26%2334%3Bdefault+mode%26%2334%3B+functional+connectivity+in+schizophrenia%5BTitle%5D)+AND+%22Am.+J.+Psychiatry%22%5BJournal%5D)">Aberrant &#34;default mode&#34; functional connectivity in schizophrenia.</a> Am. J. Psychiatry. 164, 450-457 (2007).</li>
<li>Mannell, M. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+state+and+task-induced+deactivation%3A+A+methodological+comparison+in+patients+with+schizophrenia+and+healthy+controls%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls.</a> Hum. Brain Mapp. 31, 424-437 (2010).</li>
<li>Jones, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age-related+changes+in+the+default+mode+network+are+more+advanced+in+Alzheimer+disease%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Age-related changes in the default mode network are more advanced in Alzheimer disease.</a> Neurology. 77, 1524-1531 (2011).</li>
<li>Kobayashi, Y., Amaral, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Macaque+monkey+retrosplenial+cortex+II.+Cortical+afferents%5BTitle%5D)+AND+%22J.+Comp.+Neurol%22%5BJournal%5D)">Macaque monkey retrosplenial cortex II. Cortical afferents.</a> J. Comp. Neurol. 466, 48-79 (2003).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nuclear+Med.+Mol.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+lobe+interictal+epileptic+discharges+affect+cerebral+activity+in+%E2%80%9Cdefault+mode%E2%80%9D+brain+regions%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions.</a> Hum. Brain Mapp. 28, 1023-1032 (2007).</li>
<li>Morgan, V. L., Gore, J. C., Abou-Khalil, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+epileptic+network+in+left+mesial+temporal+lobe+epilepsy+detected+using+resting+fMRI%5BTitle%5D)+AND+%22Epilepsy+Res%22%5BJournal%5D)">Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI.</a> Epilepsy Res. 88, 168-178 (2010).</li>
<li>Gotman, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generalized+epileptic+discharges+show+thalamocortical+activation+and+suspension+of+the+default+state+of+the+brain%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain.</a> Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).</li>
<li>Hamandi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-fMRI+of+idiopathic+and+secondarily+generalized+epilepsies%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">EEG-fMRI of idiopathic and secondarily generalized epilepsies.</a> Neuroimage. 31, 1700-1710 (2006).</li>
<li>Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Patterns+of+altered+functional+connectivity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Patterns of altered functional connectivity in mesial temporal lobe epilepsy.</a> Epilepsia. 53, 1013-1023 (2012).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+abnormalities+in+mesial+temporal+lobe+epilepsy%3A+a+study+combining+fMRI+and+DTI%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI.</a> Hum. Brain Mapp. 32, 883-895 (2011).</li>
<li>Pereira, F. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Asymmetrical+hippocampal+connectivity+in+mesial+temporal+lobe+epilepsy%3A+evidence+from+resting+state+fMRI%5BTitle%5D)+AND+%22BMC+Neurosci%22%5BJournal%5D)">Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI.</a> BMC Neurosci. 11, 1-13 (2010).</li>
<li>Dupont, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bilateral+hemispheric+alteration+of+memory+processes+in+right+medial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22J.+Neurol.+Neurosurg.+Psychiatr%22%5BJournal%5D)">Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy.</a> J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).</li>
<li>Vlooswijk, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+MRI+in+chronic+epilepsy%3A+associations+with+cognitive+impairment%5BTitle%5D)+AND+%22Lancet+Neurol%22%5BJournal%5D)">Functional MRI in chronic epilepsy: associations with cognitive impairment.</a> Lancet Neurol. 9, 1018-1027 (2010).</li>
<li>McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+connectivity+indicates+episodic+memory+capacity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy.</a> Epilepsia. 54, (2013).</li>
<li>Zhang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+spontaneous+neuronal+activity+of+the+default-mode+network+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy.</a> Brain Res. 1323, 152-160 (2010).</li>
<li>Horovitz, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoupling+of+the+brain%27s+default+mode+network+during+deep+sleep%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Decoupling of the brain's default mode network during deep sleep.</a> Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).</li>
<li>Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+local+coherence+in+the+default+mode+network+due+to+sevoflurane+anesthesia%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered local coherence in the default mode network due to sevoflurane anesthesia.</a> Brain Res. 1318, 110-121 (2010).</li>
</ol>

Dr. Engel wird von NIH Grants NS02808 P01, R01 NS33310 und U01 NS42372 finanziert wird, hat Patente WO 2009/123734A1 und WO 2009/123735A1, Lizenzgebühren von MedLink, Wolters Kluwer, Blackwell und Elsevier, und hat Honorare von Medtronics erhalten , Wolters Kluwer und besten Ärzte. Dr. Stern hat als bezahlter Berater für UCB und Lundbeck serviert. Dr. Stern ist ein Editor von MedLink Neurologie und hat Lizenzgebühren von Wolters Kluwer und von McGraw-Hill erhielt. Die übrigen Autoren haben keine Angaben oder Interessenkonflikte zu erklären.

Epilepsie ist gedacht, um eine Netzwerk Krankheit sein, und Anomalien der beteiligten Netzwerke während der Anfälle und in der interiktalen Zustand 21 vorhanden sind. Aufgabenbasierte fMRI wurde verwendet, um Anomalien der Sprache und Speichernetzwerke in TLE 8 zu analysieren. FcMRI hat inhärente Vorteile bei der Untersuchung des DMN 12, wie es ein Netzwerk in den Ruhezustand im Wesentlichen ausgeschaltet. DMN ist ein Netzwerk von Hirnregionen, die gefunden wurde an wachen Personen, die ...

Funktionelle Konnektivität MRI (fcMRI) ist eine relativ neue analytische Ansatz zur fMRI-Daten, die die Beziehung zwischen verschiedenen Hirnregionen, basierend auf der Ähnlichkeit ihrer Blutsauerstoffniveau abhängig (BOLD-Signal) Zeitreihen quantifiziert - dies wird als &quot;funktional&quot;-Konnektivität und ist unterscheidbar von anatomischen Konnektivität, die die Existenz von physikalischen Verbindungen zwischen den Regionen (z. B. weiße Substanz Fasern) beschreibt. In einer speziellen Anwendung dieser Vorgehensweise werden die Zeitreihe erfasst werden, wenn der Teilnehmer nicht in einer Aufgabe beschäftigt ist oder in der sogenannten &quot;Ruhezustand&quot;. Obwohl erstmals 1995 1 beschrieben, hat es immense Interesse an fcMRI was in etwa 1000 Publikationen auf die Technik im Jahr 2012 zusammen. FcMRI intrinsische Vorteile gegenüber aufgabenbasierte fMRI in (1), dass es keine bestimmte Aufgabe ausgeführt werden soll, ( 2) Gegenstand der Zusammenarbeit istnicht erforderlich ist, (3) Datensätze können verwendet werden, um verschiedene Netzwerke abgefragt werden, Gegenwart (4) besseres Signal-Rausch-Verhältnis ist wahrscheinlich auf Unterschiede in der zerebralen Energetik beteiligt, und (5) eine Umgehung der aufgabenbezogenen verwechselt 2. Als Beweis für sein Konzept, haben fcMRI Veränderungen gezeigt worden, um mit Veränderungen in der EEG 3 und 4 lokale Feldpotentiale im Gehirn entsprechen. Techniken der Analyse fcMRI gehören ROI / Saatgut-basierte Techniken, Independent Component Analysis (ICA), Graphentheorie, Analyse, Granger Kausalitätsanalyse, lokale Verfahren (Amplitude der Niederfrequenzschwankungen, regionale Homogenitätsanalyse) und andere 5. Keine einzelne Technik hat noch nicht nachgewiesen klare Überlegenheit gegenüber anderen, obwohl die beliebtesten Methoden sind Samen-basierte Methoden-und ICA-6. Seed-basierte fcMRI korreliert zeitlichen Schwankungen in BOLD-Signal von einem vorgewählten Teil des vermeintlichen Netzwerk unter-Studie bezeichnet die &quot;Seed1; oder &quot;Region of Interest (ROI)&quot; für alle anderen Teile des Gehirns. Bereiche des Gehirns, die BOLD-Signal Korrelation zu der Keimbereich gedacht werden, um Teile der beteiligten Netzwerkabzugrenzen. Im Gegensatz dazu verwendet ICA ein Modell freien datengetriebene Analyse raum-zeitlich korreliert Hirnareale (Independent Bauelemente, ICs) durch die Analyse der hämodynamischen Signaleigenschaften des gesamten Gehirns 5 extrahieren. In der aktuellen Manuskript, eine Beschreibung in einer zuvor veröffentlichten Studie der Ruhezustand Saatgut-basierte Konnektivität Analyse der DMN in TLE Methoden vorgestellt 7. TLE ist die häufigste Form der Erwachsenen Epilepsie. Zusätzlich zu Krampfanfällen, verursacht TLE Dysfunktion des Gehirns mehrere Netzwerke, einschließlich Gedächtnis, Verhalten, Denken und sensorische Funktion 8. Der DMN wird von Hirnregionen dienlich bewusst, Ruhezustand Erkenntnis besteht. Der DMN wurde berichtet, in Anfällen mit eingeschränkter consc verbunden beteiligt werdeniousness 9,10. Zusätzlich der Hippocampus ist der Schlüssel-Struktur in TLE beteiligt und hat gedacht worden, um Bestandteil des DMN sein. Jedoch ist die Anbindung des PCC zum Hippokampus schwächer als mit anderen DMN-Komponenten wie medialen präfrontalen und inferioren parietalen Kortex. Dies deutet darauf hin, dass der Hippocampus ist entweder ein Subnetz des DMN oder interagierenden Netzwerk 11,12. Diese Gemeinsamkeiten zwischen TLE und DMN werfen die Möglichkeit, die funktionelle Konnektivität ist in TLE verändert DMN. Diese Analyse vergleicht die DMN der Patienten mit TLE zu gesunden Kontrollen, um Einblick in die Beteiligung der DMN in TLE zu gewinnen. Die Konnektivität der Samen in den Hauptzentren der DMN platziert - die vorderen und hinteren Nabe Regionen wurden analysiert, 12. Samen wurden in der hinteren Nabe aus der retrosplenium / Precuneus (Rsp / PCUn) sowie der vorderen Nabe aus ventromedialen präfrontalen Kortex (vmPFC) bei Patienten mit TLE und platziertgesunden Kontrollen, um die hinteren und vorderen Teilnetze des DMN identifizieren.

<table><tbody><tr><td>MRT-Gerät</td><td></td><td></td><td></td></tr><tr><td>Linux-Workstation mit installierter</td><td></td><td></td><td></td> Bildanalysesoftware</tr></tbody></table>

netzwerkanalyse des default mode netzwerk mit functional mri-konnektivität in temporallappen-epilepsie

Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

Funktionelle MRT-Konnektivität (fcMRI) ist ein fMRI-Methode, die die Verbindung der verschiedenen Hirnregionen, basierend auf der Korrelation der BOLD-Signal Schwankungen über die Zeit untersucht. Temporallappen-Epilepsie (TLE) ist die häufigste Form der Epilepsie und Erwachsenen umfasst mehrere Gehirnnetzwerken. Der Standard-Modus-Netzwerk (DMN) im Bewusstsein, Ruhezustand Kognition beteiligt und wird gedacht, um in TLE beeinträchtigt werden, wenn Anfälle verursachen Beeinträchtigung des Bewusstseins. Der DMN in der Epilepsie wurde mit Samen basierenden fcMRI sucht. Die vorderen und hinteren Naben der DMN wurden als Samen in dieser Analyse verwendet. Die Ergebnisse zeigen eine Trennung zwischen dem vorderen und hinteren Naben der DMN in TLE im Grundzustand. Darüber hinaus erhöht DMN-Konnektivität zu anderen Hirnregionen in der linken TLE zusammen mit verringerter Konnektivität in der rechten TLE wird enthüllt. Die Analyse zeigt, wie Samen-Basis fcMRI kann zur zerebralen Netzwerke Sonde in Gehirnstörungen wie TLE werden.

Abbildung 1 zeigt die DMN zeigte mit Konnektivität von einem hinteren Samen (RSP / PCUn, rot-gelb-Farben) und einer vorderen Samen (vmPFC, blau-grünen Farben) und vergleicht die Netze in den verschiedenen Fächergruppen festgestellt (Abb. 1A-C) und zwischen sich, und zwar im Vergleich zu gesunden Kontrollen aller Patienten mit TLE (Fig. 1D und 1E), und gesunden Kontrollen einzeln nach links TLE (Fig. 1F und 1G) und recht...

Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert.

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

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal ...

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.

network-analysis-default-mode-network-using-functional-connectivity

Research

Forschung

JoVE Journal

Medicine

Medizin

Wir verwenden Magnetenzephalographie (MEG) und Elektroenzephalographie (EEG) zu Hirnareale bei der Verarbeitung von einfachen sensorischen Stimuli beteiligt Karte.

Functional Mapping mit Simultaneous MEG und EEG

In diesem Artikel untersuchen wir die Methodik und Erwägungen, die für die Kombination von TMS und fMRT, um die Auswirkungen der Stimulation des Gehirns über die Standard-Netzwerk zu untersuchen.

Die Kombination TMS und fMRT dem Standard-Modus Netzwerk Untersuchen

Wir beschreiben einen neuartigen Ansatz für die gleichzeitige Analyse der Struktur und Funktion des Gehirns unter Verwendung der Kernspintomographie (MRI). Wir beurteilen Hirnstruktur mit hochauflösenden Diffusions-gewichteten Bildgebung und der weißen Substanz Faser Traktographie. Im Gegensatz zu Standard strukturelle MRT, ermöglichen diese Techniken uns direkt betreffen anatomischen Konnektivität zu funktionellen Eigenschaften des Gehirns Netzwerke.

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

Beurteilung der Übererregbarkeit des Gehirns mit transkranieller Magnetstimulation und Elektroenzephalographie

Dieses Protokoll beschreibt die komplementären Neuroimaging-Techniken der strukturellen Konnektivität im Ruhezustand, der aufgabeninduzierten Deaktivierung und der strukturellen Konnektivitätsanalysen, um das Standardnetzwerk bei posttraumatischen Belastungsstörungen zu untersuchen. Der Einsatz synergistischer Methoden könnte möglicherweise zu einer verbesserten Diagnostik und Beurteilung des Schweregrads, des Ergebnisses und anderer relevanter klinischer Faktoren führen.

Entwicklung von Neuroimaging Phänotypen des Default Mode Network in PTSD: Integration der Ruhezustand, Arbeitsgedächtnis und Struktur Connectivity

Die MRT mit funktioneller Konnektivität im Ruhezustand hat Anomalien bei Patienten mit einer Vielzahl von neuropsychiatrischen Störungen identifiziert, einschließlich Epilepsie aufgrund von Fehlbildungen der kortikalen Entwicklung. Die transkranielle Magnetstimulation in Kombination mit dem EEG kann zeigen, dass Patienten mit Epilepsie in Regionen mit abnormaler Konnektivität eine kortikale Übererregbarkeit aufweisen.

Ein Multimodal Imaging- und Stimulations-basierte Verfahren zur Bewertung der Connectivity-bezogenen Erregbarkeit des Gehirns bei Patienten mit Epilepsie

Dieses Protokoll beschreibt ein Verfahren zur Verfolgung der Evolution von mesialen Netzwerkmaßen bei Patienten mit Temporallappenepilepsie (TLE). Es basiert auf der Kombination von intrakraniellen Aufzeichnungen mit einer neuartigen numerischen Technik zur Datenanalyse. Konkret stellen wir ein Protokoll zur Netzwerkanalyse von Foramen ovale-Aufzeichnungen vor.

Netzwerkanalyse von Foramen Ovale Elektrode Recordings in Resistente Temporallappen Epilepsie-Patienten

Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.

Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging

Standard-EEG-Analysetechniken bieten nur begrenzte Einblicke in die Funktion des Nervensystems. Die Ableitung statistischer Modelle kortikaler Konnektivität bietet eine weitaus größere Möglichkeit, die zugrunde liegende Netzwerkdynamik zu untersuchen. Eine verbesserte funktionelle Bewertung eröffnet neue Möglichkeiten für Diagnose, Prognose und Ergebnisvorhersage bei Erkrankungen des Nervensystems.

Statistische Modellierung der kortikalen Konnektivität mit nichtinvasiven Elektroenzephalogrammen

In diesem Artikel werden simultane Aufzeichnungsverfahren für Elektroenzephalogramm und funktionelle Magnetresonanztomographie (EEG-fMRT) beschrieben, die sowohl in klinischen als auch in Forschungsumgebungen eingesetzt werden können. EEG-Verarbeitungsverfahren zur Entfernung von Bildartefakten für die klinische Überprüfung sind ebenfalls enthalten. Die vorliegende Arbeit konzentriert sich auf das Beispiel der Epilepsie in der interiktalen Periode.

Geräteaufbau und Artefaktentfernung für das simultane Elektroenzephalogramm und die funktionelle Magnetresonanztomographie für die klinische Überprüfung bei Epilepsie

Ein neuartiges Protokoll für die personalisierte transkranielle Magnetstimulation in Kombination mit der Elektroenzephalographie (TMS-EEG) Kartierung kortikaler Netzwerke, das auf mehreren Datenmodalitäten der Magnetresonanztomographie (MRT) basiert.

Neuroimaging-gesteuertes TMS-EEG für die Echtzeit-Kartierung kortikaler Netzwerke

Erfahren Sie die Netzwerkanalyse des Default Mode Network mit fMRT-Funktionaler Konnektivität bei Temporallappen-Epilepsie. Diese Methode ermöglicht den Vergleich von Gehirnnetzwerken zwischen Patienten und gesunden Kontrollpersonen.

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

Weitere Videos entdecken