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

Das übergeordnete Ziel des folgenden Experiments besteht darin, statistische Karten zu erhalten. Vergleich des Unterschieds von FMRI-Scans im Ruhezustand zwischen gesunden Kontrollen und Patienten mit Epilepsie. Dies wird durch die Gewinnung von FMRI-Daten bei Probanden mit Temporallappenepilepsie sowie bei gesunden Kontrollpersonen erreicht.

In einem zweiten Schritt wird der FMRI vorverarbeitet, wodurch die Daten für die statistische Analyse aufbereitet werden. Anschließend werden die vorverarbeiteten FMRI-Daten analysiert, um statistisch valide Vergleiche zwischen den beiden Gruppen zu erhalten. Es werden Ergebnisse erzielt, die Unterschiede in den Gehirnnetzwerken bei Patienten mit Epilepsie im Vergleich zu Gehirnnetzwerken gesunder Kontrollpersonen zeigen.

Basierend auf statistischen Unterschieden in den Netzwerkkarten des Gehirns zwischen diesen beiden Gruppen wird immer deutlicher, dass selbst Epilepsien, die sich in fokalen Anfällen manifestieren, emergente Eigenschaften diffuser Netzwerkstörungen sind. Die Idee für diese Technik entstand, nachdem ich die Bedeutung des DEF-Favo-Netzwerks bei Anfällen erkannt und mich gefragt hatte, ob das Standard-LO-Netzwerk zwischen den Anfällen bei Temporallappenepilepsie abnormal ist. Die Studienpopulation für dieses Protokoll sollte drei Gruppen umfassen, oder?

Patienten mit Temporallappen-Epilepsie, Patienten mit linker Temporallappen-Epilepsie sowie gesunde Kontrollen. Insgesamt werden ca. 35 Probanden empfohlen. Bei den Epilepsie-Probandengruppen sollte es sich um Patienten handeln, bei denen eine Temporallappen-Epilepsie diagnostiziert wurde, wie z. B. Kandidaten für eine vordere Temporallappenresektion, die durch Video, EEG-Überwachung, PET-Bildgebung und neuropsychologische Tests bestimmt wird, um sicherzustellen, dass alle Probanden normale Gehirn-MRTs haben und in den Patientengruppen frei von anderen neurologischen Erkrankungen als Epilepsie sind.

Holen Sie die IRB-Genehmigung und die schriftliche Einverständniserklärung aller Probanden ein, bevor Sie die Bildgebung und das Screening für die MRT durchführen. Sicherheit. Die Patienten sollten während des FMRI-Scans ihre üblichen Medikamente fortsetzen und nicht unmittelbar nach einem Anfall gescannt werden. Für alle in diesem Protokoll beschriebenen Bildgebungen sollte ein Drei-Tesla-MRT-System verwendet werden.

Erhalten Sie axiale Schichten für funktionale Bilder mit einer echoplanaren Bildgebungssequenz und verwenden Sie für anatomische Bilder eine verdorbene Gradientensequenz. Bitten Sie die Teilnehmer, sich zu entspannen und mit geschlossenen Augen still zu bleiben, und führen Sie die funktionelle Bildgebung mit den hier gezeigten Parametern durch. Verwenden Sie auch die folgenden Parameter für die mit S PGR T bewertete hochauflösende Strukturbildgebung.

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

Verwenden Sie dann das FSL-Gehirnextraktionstool oder BET, um Nicht-Hirngewebe mit der Option Strich F für fette Dateien zu entfernen. Dies ermöglicht weitere Analyseschritte allein am Hirngewebe. Führen Sie als Nächstes in Fuß eine minimal verarbeitete Analyse mit Registrierung aus.

Wählen Sie die Analyse der ersten Ebene aus und ändern Sie die vollständige Analyse über die oberen beiden Schaltflächen in Vorstatistiken. Deaktivieren Sie dann auf der Registerkarte "Pres Stats" das Häkchen bei "Bet Brain Extraction" und wählen Sie "Keine" für die Bewegungskorrektur aus, da diese bereits durchgeführt wurden. Registrieren Sie dann die funktionellen Bilder in den anatomischen Bildern und dann in einem Standard-MNI-Bild.

Dies führt zur Generierung von Transformationsmatrizen, die später während der Analyse verwendet werden, um den im Standardraum ausgewählten Seed in den Gehirnraum des Probanden zu verzerren. Verwenden Sie als Nächstes die generierte Transformationsmatrix mit dem Namen standard, um Funk Dot Mat zu veranschaulichen und die ROIs von CSF und weißer Substanz in den einzelnen fetten Raum zu transformieren. Extrahieren Sie dann mit dem Befehl FSL mean TS die Zeitreihen aus den ROIs des CSF und der weißen Substanz.

Unter Verwendung des ROI im individuellen Subjektraum als Maske werden die extrahierten Zeitreihen mit der Software R normalisiert. Diese Zeitreihen werden später als Regressoren im allgemeinen linearen Modell verwendet, um die entsprechenden künstlichen Signale aus der Analyse zu entfernen. Der nächste Schritt ist das Entfernen von Artefakten, die sich auf die Bewegung des Motivs beziehen. Zur Regression der Bewegungsparameter.

Legen Sie Folgendes in FSL-Fuß fest, bevor Sie es zum ersten Mal auf der Registerkarte "Daten" ausführen, verwenden Sie die bewegungskorrigierte und vom Gehirn extrahierte Datei als Eingaben und stellen Sie den TR-Wert so ein, dass er Ihrem Datensatz entspricht. Stellen Sie die Hochpassfilterung mit einem 102. Filter ein, der sehr niederfrequente Signale entfernt, die nicht von Interesse sind. Ein Tiefpassfilter zum Entfernen hochfrequenter Signale wird später auf der Registerkarte "Pres Stats" angewendet.

Wählen Sie bei Bewegungskorrektur keine und deaktivieren Sie das Häkchen, sondern Gehirnextraktion. Wenn Sie diese Schritte ausgeführt haben, führen Sie die räumliche Glättung mit einem halben Maximum von fünf Millimetern voller Breite durch. Führe dann auf der Registerkarte "Statistiken" die sechs Bewegungsparameter und ihre zeitlichen Ableitungen zurück.

Wählen Sie keine für Faltung aus, und aktivieren Sie Zeitliche Filterung anwenden. Verwenden Sie die Ausgabe von F selmic flirt, um Textdateien mit Bewegungsparametern zu erhalten, die dann in die Fußanalyse eingegeben werden können, um diese in einem allgemeinen linearen Modell zu regressieren. Fügen Sie außerdem die CSF- und White-Matter-Signale, die in den vorherigen Schritten extrahiert und normalisiert wurden, zum GLM hinzu.

Wählen Sie für Faltung keine aus. Fügen Sie eine zeitliche Ableitung hinzu und deaktivieren Sie die Option "Zeitliche Filterung anwenden". Die oben beschriebenen Rückstände aus der Vorverarbeitung sollten für die Seed-basierte Korrelation verwendet werden.

Diese Residuen sollten zuerst durch einen niedrigen PESS-Filter von 0,1 Hertz geleitet werden, dann durch Subtraktion des Mittelwerts erniedrigt, durch die Standardabweichung dividiert und dann durch Zugabe von 100 Hertz skaliert werden. Im Standard-MNI-Bereich. Mit Hilfe der MRT-Kronensoftware sollten der hintere und der vordere Seed den Koordinaten entsprechen, wie hier zu sehen.

Beachten Sie, dass diese Ausgangsspeicherorte innerhalb fehlerfreier Steuerelemente definiert wurden. Die Seeds sollten anschließend aus dem Standard-MNI-Raum in den individuellen funktionellen Gehirnraum jedes Probanden transformiert werden. Verwenden Sie dazu die zuvor generierte Transformationsmatrix, um den Seed vom Standardraum m und i in den individuellen Funktionsraum zu transformieren.

Verwenden Sie als Nächstes den Befehl FSL mean Ts, um die Zeitserie aus dem zuvor definierten und skalierten Residuen zu extrahieren. Verwendung des Seeds im individuellen Motivraum als Maske. Normalisieren Sie die extrahierten Zeitreihen mit der Software R partielle Korrelationen zwischen den Seed-Voxeln und all ihren Gehirnvoxeln sollten für jedes Subjekt und jeden Lauf separat berechnet werden.

Wählen Sie dazu in der FSL-Fußoberfläche die Option Analyse der ersten Ebene und dann Statistiken plus Post-Statistiken auf der Registerkarte "Daten" aus. Das zuvor degradierte und skalierte Residuum sollte als Eingabe verwendet werden. Legen Sie den Cutoff des Hochpassfilters auf 10.000 fest, da der Restwert bereits hoch ist und nach 100 Sekunden auf der Registerkarte "Statistiken" übergeben wird.

Deaktivieren Sie die Option Filmvoraufhellung verwenden und verwenden Sie die zuvor extrahierte und normalisierte Seed-Zeitreihe. Legen Sie im GLM auf der Registerkarte "Post-Statistiken" den gewünschten Z-Statistik-Schwellenwert auf einen Wert von 2,0 fest, bevor Sie die Gruppenanalyse ausführen. Durch die Kombination von Durchläufen innerhalb von Probanden sollte eine Fisher-Z-Transformation für den Kontrast der Parameterschätzungen durchgeführt werden.

Datei, die aus der Korrelationsanalyse generiert wurde, kopieren Sie die Registrierungsdaten aus dem Verzeichnis reg der Fußanalyse in den Korrelationslauf. Führen Sie eine Analyse auf höherer Ebene durch, indem Sie Durchläufe innerhalb der einzelnen Themen kombinieren. Wählen Sie zuerst die Analyse auf höherer Ebene und dann Statistiken plus Post-Statistiken aus.

Wählen Sie dann auf der Registerkarte "Daten" die Option "Eingaben sind Fußverzeichnisse auf niedrigerer Ebene" und geben Sie die Läufe des Motivs auf der Registerkarte "Statistiken" ein. Wählen Sie gemischte Effekte aus. Einfaches OLS richtet ein Modell als Mittelwert ein und gibt für jeden Durchlauf des Probanden den Wert eins ein.

Um den Datenüberlauf zwischen Probanden zu kombinieren, sollte eine gewöhnliche Analyse der kleinsten Quadrate mit gemischten Effekten verwendet werden. Wählen Sie Analyse auf höherer Ebene und Statistiken plus Post-Statistiken auf der Registerkarte Daten. Wählen Sie Eingaben sind Fußverzeichnisse auf niedrigerer Ebene und geben Sie die kombinierten Läufe des Probanden auf der Registerkarte Statistiken ein, wählen Sie gemischte Effekte. Einfaches OLS richtet ein Modell ein, indem drei Gruppen den Wert eins für die Gruppe eingeben.

Jedes Subjekt gehört zu Null. Andernfalls sollte die Gruppenanalyse für jedes Voxel unter Verwendung einer unidirektionalen Innova mit drei Ebenen durchgeführt werden, die den drei Gruppen bis zum Schwellenwert entsprechen. In den Z-Statistikbildern wird ein Clusterbildungsschwellenwert von Z größer als 2,0 und ein korrigierter Clustersignifikanter Schwellenwert von P von 0,05 verwendet, um korrekte Z-Werte auf der Korrelationskarte zu erhalten.

Für die Ergebnisse sollte eine Reverse-Fisher-Z-Transformation durchgeführt werden. Verwenden Sie abschließend die folgenden spezifischen Kontraste, wie sie hier auf dem Bildschirm zu sehen sind. Diese Abbildung zeigt das Default-Mode-Netzwerk, das mit Konnektivität von einem posterioren Seed aus sichtbar ist, einschließlich des Retro-Spleniums und des Precuneus in rot-gelben Farben und des vorderen Seed, einschließlich des ventalen medialen präfrontalen Kortex in blau-grünen Farben.

Die erste Reihe zeigt das Netzwerk für die Kontrollpersonen, die zweite Reihe für die Epilepsie des linken Temporallappens und die untere Reihe für die Epilepsie des rechten Temporallappens. In den folgenden Abbildungen werden diese Netzwerke zwischen diesen drei Gruppen verglichen. Hier sehen wir die Default-Mode-Netzwerke, die mit einem anterioren und einem posterioren Seed für eine kombinierte Epilepsie des rechten und linken Temporallappens im Vergleich zu gesunden Kontrollen sichtbar sind.

Diese Abbildung zeigt die Default-Mode-Netzwerke, die mit den gleichen Seed-Punkten für die Epilepsie des linken Temporallappens nur im Vergleich zu gesunden Kontrollen aufgedeckt wurden. Während diese Abbildung die Netzwerke zeigt, die für die Epilepsie des rechten Temporallappens nur im Vergleich zu gesunden Kontrollen aufgedeckt wurden, sehen wir hier schließlich die Netzwerke im Standardmodus, die mit einem vorderen und einem hinteren Seed für die Epilepsie des linken Temporallappens im Vergleich zur Epilepsie des rechten Temporallappens aufgedeckt wurden. Studien zur funktionellen Konnektivität, die das gesamte Gehirn umfasst, sind für das Verständnis der grundlegenden Mechanismen der Epilepsie unerlässlich.

In diesem Experiment haben wir eine Seed-basierte Technik verwendet, um die Konnektivität mit dem Standardmodus-Netzwerk zu bewerten. Es wird interessant sein zu sehen, wie andere Techniken bei der Untersuchung der Temporallappenepilepsie in ihren Ergebnissen abschneiden.