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

Das übergeordnete Ziel dieser Granger-Kausalitätsanalyse besteht darin, die gerichtete funktionelle Konnektivität im Gehirn in Bezug auf den Fortschritt der Alzheimer-Krankheit zu untersuchen und dadurch eine neuartige objektive Grundlage zur Beurteilung des Schweregrads der Erkrankung zu schaffen. Diese Methode kann helfen, zentrale Fragen im Bereich der Alzheimer-Forschung zu beantworten, beispielsweise die gerichtete Konnektivität zwischen dem PCC und gesamten Hirnregionen. Der Hauptvorteil dieser Technik liegt darin, dass sie die kausalen Effekte von fMRT-Zeitreihen misst und die Dynamik sowie die Richtungen der Signalübertragung aufzeigt.

Die Bedeutung dieser Technik erstreckt sich auf die Diagnose des Fortschreitens der Alzheimer-Krankheit, da sie die gerichtete funktionelle Konnektivität zwischen Alzheimer-Demenz, leichter kognitiver Beeinträchtigung und Kontrollgruppen vergleicht. Da diese Methode Einblicke in die Skalierung der gerichteten funktionellen Konnektivität bei Alzheimer geben kann, ist sie auch auf andere Systeme wie elektroenzephalographische Studien anwendbar. Im Allgemeinen werden Personen, die mit dieser Methode nicht vertraut sind, Schwierigkeiten haben, wenn sie mit der Bedienung der Software nicht vertraut sind.

Wir müssen zuerst hier für das Semester hinzufügen und anschließend bewerten wir die bisherigen Literaturquellen zur Granger-Ursache-Analyse. Bei der praktischen Demonstration dieser Methode ist dies entscheidend, da es mehrere Aspekte gibt, die über das hinausgehen, was im Text schriftlich festgehalten werden kann. Öffnen Sie zunächst RESTplus über die Software und klicken Sie links auf Pipeline.

Importieren Sie die relevanten Dateien in RESTplus. Wählen Sie das Arbeitsverzeichnis sowie die Startverzeichnisse für EPI und T1 aus. Aktivieren Sie anschließend das Kontrollkästchen DicomToNifti unter „Vorverarbeitung“, um Dicom-Dateien in Nifti-Dateien umzuwandeln.

Wählen Sie die Parameter EPI Dicom zu Nifiti und T1 zu Nifiti aus. Entfernen Sie die ersten 10 Zeitpunkte, indem Sie RemoveFirstTimePoints aktivieren und den Endparameter auf 10 setzen. Aktivieren Sie anschließend das Kontrollkästchen für die Schichtzeittakung.

Stellen Sie die Schnittanzahl gemäß den RS-fMRT-Parametern der Studie ein und geben Sie die Schnittreihenfolge ein. Aktivieren Sie die Option Realign, um Zeit- und Kopfbewegungen zu korrigieren. Führen Sie anschließend die räumliche Normalisierung durch, indem Sie Normalize aktivieren, und belassen Sie die Standardparameter unten unverändert.

Verwenden Sie die T1-Bild-vereinheitlichte Segmentierung und alle Köpfe, die durch Auswahl der Parameter auf denselben Raum standardisiert wurden. Normalisieren Sie mithilfe der T1-Bild-vereinheitlichten Segmentierung und des europäischen Standards. Wählen Sie anschließend Glätten, um eine räumliche Glättung unter Verwendung eines isotropen Gauß-Kernels mit einer Halbwertsbreite von 6 mm durchzuführen.

Entfernen Sie den linearen Trend, indem Sie „Detrend“ auswählen. Wählen Sie die Regressionsanalyse für Störfaktoren-Kovariaten aus, und zwar für die folgenden sechs Kopfbewegungsparameter, das globale Mittelsignal, das Weißer-Stoff-Signal sowie das Liquor-Cerebrospinalis-Signal, um das Signal-Rausch-Verhältnis zu verbessern. Wählen Sie abschließend den Filter, um Signale zwischen 0,01 und 0,08 Hertz beizubehalten.

Entfernen Sie hochfrequente physiologische Störungen sowie niederfrequente Drifts. Beginnen Sie mit der vokselweisen Granger-Kausalitätsanalyse (GCA) unter Verwendung der REST-GCA in der REST-Toolbox. Im Feld Nachbearbeitung aktivieren Sie GCA.

Legen Sie die Reihenfolge in der Standardeinstellung auf eins fest. Wählen Sie „ROI definieren“ und anschließend die sphärische ROI, um den interessierenden Bereich festzulegen. Wählen Sie weiter.

Identifizieren Sie die interessierenden Ausgangspunkte im hinteren singulären Kortex (PCC) durch Festlegung der Mittelkoordinaten und des Radius der Ausgangs-ROI basierend auf den bekannten Daten und wählen Sie „OK“. Klicken Sie dann auf „Ausführen“ und „OK“, um das Programm zu starten. Suchen Sie anschließend nach Verzeichnissen mit den Namen ZGCA und GCA nach der Verarbeitung der entsprechenden Dateidaten. Sortieren Sie die Dateien von ZGCA aus und klassifizieren Sie sie entsprechend in vier Unterordner, XX, XY, YX, YY.

Öffnen Sie in der Software RESTplus und klicken Sie auf „Statistical Analysis“ links. Klicken Sie links auf „REST Two-Sample T-Test“. Benennen Sie das Ausgabergebnis als T1XY und legen Sie das Ausgabeverzeichnis fest.

Klicken Sie mit der linken Maustaste auf „Gruppenbilder hinzufügen“, um den XY-Unterordner im AD-Ergebnisordner und den XY-Unterordner im NC-Ergebnisordner zu öffnen. Klicken Sie anschließend mit der linken Maustaste, um die BrainMask-Unterdatei im Maskierungsordner zu öffnen. Wählen Sie dann „Berechnen“, um das Programm auszuführen.

Benennen Sie die Ausgabedaten als T2XY und legen Sie das Ausgabeverzeichnis fest. Klicken Sie mit der linken Maustaste auf „Gruppenbilder hinzufügen“, um den XY-Unterordner im AD-Ergebnisordner zu öffnen. Und den XY-Unterordner im MCI-Ergebnisordner.

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

Schließlich finden Sie die sechs resultierenden Dateien im Ausgabeverzeichnis und füllen nacheinander die Overlays aus. Erstellen Sie das endgültige Diagramm mithilfe der sechs Ausgabedateien. Nachdem zunächst die aktiven Knoten im gesamten Gehirn identifiziert wurden, wurde die GCA-Technologie verwendet, um die gerichtete funktionelle Konnektivität vom PCC zum gesamten Gehirn zu bestimmen.

Und vom gesamten Gehirn 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 hauptsächlich auf die bilateralen Kleinhirnregionen außerhalb des DMN fokussiert. Die gerichtete Konnektivität vom PCC zum gesamten Gehirn war in der AD-Gruppe im Vergleich zu den Kontrollen signifikant vermindert, wobei die wichtigsten betroffenen Regionen, wie das rechte Präkuneus und der linke mediale frontale Gyrus, zum DMN gehörten.

Während es Meistern vorbehalten ist, kann diese Technik bei ordnungsgemäßer Durchführung in 14 Stunden durchgeführt werden. Bei der Durchführung dieses Verfahrens ist es wichtig zu beachten, dass alle Datei- und Bildnamen in Englisch sein müssen und keine Leerzeichen enthalten dürfen. Nach ihrer Entwicklung ebnete diese Technik den Forschern auf dem Gebiet der funktionellen MRT den Weg, um die gerichtete fraktionale Konnektivität beim Fortschreiten der Alzheimer-Krankheit zu untersuchen.

Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie man die gerichtete fraktionale Konnektivität im Gehirn in Bezug auf den Fortschritt der Alzheimer-Krankheit (AD) untersucht. Dadurch wird eine enge objektive Grundlage zur Beurteilung der Schwere der Erkrankung geschaffen.