Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Das übergeordnete Ziel dieser Granger-Kausalitätsanalyse ist es, die gerichtete funktionelle Konnektivität im Gehirn im Zusammenhang mit dem Fortschreiten der Alzheimer-Krankheit zu untersuchen und damit eine neue objektive Grundlage für die Beurteilung des Schweregrads der Erkrankung zu schaffen. Diese Methode kann helfen, Schlüsselfragen im Bereich der Alzheimer-Krankheit zu beantworten, wie z. B. die gerichtete Konnektivität zwischen dem PCC und ganzen Gehirnregionen. Der Hauptvorteil dieser Technik besteht darin, dass sie die kausalen Effekte von FMRI-Zeitreihen misst und die Dynamik und die Richtungen des schlechten Signals zeigt.

Die Implikation dieser Technik erstreckt sich auch auf die Diagnose des Fortschreitens der Alzheimer-Krankheit, da sie die gerichtete funktionelle Konnektivität zwischen AD, MCI und den Kontrollgruppen vergleicht. Durch diese Methode kann sie Einblicke in die Skalierung der gerichteten funktionellen Konnektivität von Alzheimer geben und auch auf andere Systeme wie Elektroying-Cephalogramm-Studien angewendet werden. Im Allgemeinen werden Personen, die mit dieser Methode noch nicht vertraut sind, Schwierigkeiten haben, wenn sie mit der Bedienung der Software nicht vertraut sind.

Zuerst fügen wir hier für das Semester hinzu, und dann bewerten wir die bisherige Literatur zur Granger-Kausalitätsanalyse. Bei der Demonstration dieser Methode in der realen Welt ist dies von entscheidender Bedeutung, da es Vielfache gibt, die über das hinausgehen, was im Text geschrieben werden kann. Öffnen Sie zunächst RESTplus über die Software und klicken Sie mit der linken Maustaste auf Pipeline.

Importieren Sie die relevanten Dateien in RESTplus. Wählen Sie das Arbeitsverzeichnis und dann die Startverzeichnisse EPI und T1 aus. Um Dicom-Dateien in Nifti zu konvertieren, aktivieren Sie als Nächstes das Kontrollkästchen DicomToNifti in der Vorverarbeitung.

Und kreuzen Sie die Parameter EPI Dicom to Nifiti und T1 to Nifiti an. Entfernen Sie die ersten 10 Zeitpunkte, indem Sie den RemoveFirstTimePoints deaktivieren und den Endparameter auf 10 festlegen. Aktivieren Sie dann das Kontrollkästchen Slice-Timing.

Stellen Sie die Schnittnummer entsprechend den RS FMRI-Parametern der Studie ein und geben Sie die Schnittreihenfolge ein. Aktivieren Sie Neu ausrichten, um die Zeit und die Kopfbewegung zu korrigieren. Führen Sie dann eine räumliche Normalisierung durch, indem Sie Normalisieren aktivieren und die Standardparameter unten belassen.

Verwenden Sie die einheitliche Segmentierung des T1-Bildes und alle Köpfe, die auf denselben Raum standardisiert sind, indem Sie die Parameter auswählen. Normalisieren Sie mit T1-Bildsegmentierung und europäischer Segmentierung. Wählen Sie als Nächstes Glätten aus, um eine räumliche Glättung mit einem isotropen Gaußschen Kernal mit einer vollen Breite von maximal 6 mm zur Hälfte durchzuführen.

Entfernen Sie den linearen Trend, indem Sie den Haken bei Detrend setzen. Wählen Sie im Folgenden die Regression der Störharmonisaten aus, sechs Kopfbewegungsparameter, das globale Mittelwertsignal, das Signal der weißen Substanz und das Liquorsignal, um das Signal-Rausch-Verhältnis zu erhöhen. Wählen Sie schließlich den Filter aus, um Signale zwischen 0,01 und 0,08 Hertz beizubehalten.

Entfernen Sie hochfrequente physiologische Geräusche sowie niederfrequente Drift. Beginnen Sie mit der voxelweisen Granger-Kausalitätsanalyse (GCA), indem Sie die REST-GCA in der REST-Toolbox verwenden. Aktivieren Sie im Feld Nachbearbeitung das Häkchen bei GCA.

Legen Sie die Reihenfolge standardmäßig auf eins fest. Wählen Sie ROI definieren aus, und wählen Sie den sphärischen ROI aus, um den Interessenbereich zu definieren. Wählen Sie Weiter aus.

Identifizieren Sie Seed-Points of Interest im posterioren singulären Kortex (PCC), indem Sie die Mittelpunktkoordinaten und den Radius des Seed-ROI basierend auf den bekannten Daten festlegen und OK auswählen. Wählen Sie dann Ausführen und OK aus, um das Programm auszuführen. Suchen Sie als Nächstes nach Ordnern mit den Namen ZGCA und GCA nach der Verarbeitung der relevanten Dateidaten. Sortieren Sie die Dateien von ZGCA und klassifizieren Sie sie entsprechend in vier Unterordner, XX, XY, YX.

Öffnen Sie in der Software RESTplus und klicken Sie mit der linken Maustaste auf Statistische Analyse. Klicken Sie mit der linken Maustaste auf REST Two-Sample T-Test. Benennen Sie das Ausgabeergebnis als T1XY, und legen Sie das Ausgabeverzeichnis fest.

Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner XY im Ordner AD-Ergebnisse und den Unterordner XY im Ordner NC-Ergebnisse zu öffnen. Klicken Sie anschließend mit der linken Maustaste, um die BrainMask-Unterdatei im Maskenordner zu öffnen. Wählen Sie dann Compute aus, um das Programm auszuführen.

Benennen Sie die Ausgabeergebnisse als T2XY, und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf Gruppenbilder hinzufügen, um den Unterordner XY im Ordner AD-Ergebnisse zu öffnen. Und der Unterordner XY im Ordner MCI Results.

Wiederholen Sie die Berechnung der Gehirnmaskendatei, um Ausgaben für T3XY, T1YX, T2YX und T3YX für insgesamt sechs Dateien zu erhalten. Klicken Sie mit der linken Maustaste auf Viewer von RESTplus, um die resultierenden Dateien anzuzeigen. Importieren Sie die Vorlage mit dem Namen Ch2 in die Unterlage.

Suchen Sie abschließend die sechs resultierenden Dateien im Ausgabeverzeichnis und füllen Sie das Overlay nacheinander aus. Erstellen Sie das endgültige Diagramm mit den sechs Ausgabedateien. Nachdem die aktiven Knoten im gesamten Gehirn zunächst identifiziert worden waren, wurde die GCA-Technologie verwendet, um die gerichtete funktionelle Konnektivität vom PCC zum gesamten Gehirn zu bestimmen.

Und vom gesamten Gehirn bis zum PCC in den AD-, MCI- und Kontrollgruppen. Die gerichtete Konnektivität vom gesamten Gehirn zum PCC war in der AD-Gruppe im Vergleich zur normalen Kontrollgruppe erhöht und konzentrierte sich hauptsächlich auf die bilaterale Kleinhirnregion außerhalb des DMN. Die gerichtete Konnektivität vom PCC zum gesamten Gehirn war in der AD-Gruppe signifikant reduziert, verglichen mit den Kontrollen, wobei die Hauptregionen wie der rechte Precuneus und der linke metafrontale Gyrus zum DMN gehören.

Obwohl Sie es beherrschen, kann diese Technik in 14 Stunden durchgeführt werden, wenn sie richtig ausgeführt wird. Beim Versuch dieses Verfahrens ist zu beachten, dass alle Datei- und Fotonamen in englischer Sprache sein müssen und keine Leerzeichen enthalten dürfen. Nach ihrer Entwicklung ebnete diese Technik den Weg für Forscher auf dem Gebiet der FMRI, um die gerichtete fraktionelle Konnektivität beim Fortschreiten der Alzheimer-Krankheit zu erforschen.

Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie die gerichtete fraktionelle Konnektivität im Gehirn im Zusammenhang mit dem Fortschreiten der Alzheimer-Krankheit starten können. Dadurch wird eine enge objektive Grundlage für die Beurteilung des Schweregrads der Erkrankung geschaffen.