Análisis de red de la red de modo predeterminado Usando Funcional Conectividad RM en epilepsia del lóbulo temporal

El objetivo general del siguiente experimento es obtener mapas estadísticos que comparen las diferencias en las exploraciones de RM funcional en estado de reposo entre controles sanos y pacientes con epilepsia. Esto se logra obteniendo datos de RM funcional en sujetos con epilepsia del lóbulo temporal, así como en sujetos controles sanos.

Como segundo paso, se realiza un preprocesamiento de la IRMf, que prepara los datos para su análisis estadístico. A continuación, se analizan los datos de IRMf preprocesados con el fin de obtener comparaciones estadísticamente válidas entre los dos grupos. Se obtienen resultados que muestran diferencias en las redes cerebrales entre pacientes con epilepsia en comparación con las redes cerebrales de sujetos control sanos.

Basándose en las diferencias estadísticas en los mapas de redes cerebrales entre estos dos grupos, ha quedado cada vez más evidente que incluso las epilepsias que se manifiestan mediante crisis focales son propiedades emergentes de alteraciones difusas en las redes. La idea de esta técnica surgió tras reconocer la importancia de la red DEF Favo durante las crisis y preguntarse si la red predeterminada LO presenta anomalías entre crisis en la epilepsia del lóbulo temporal. La población de estudio para este protocolo debería incluir tres grupos, ¿verdad?

Pacientes con epilepsia del lóbulo temporal, pacientes con epilepsia del lóbulo temporal izquierdo, así como controles sanos. Se recomienda un total de aproximadamente 35 sujetos. Los grupos de sujetos con epilepsia deben ser pacientes diagnosticados con epilepsia del lóbulo temporal, como candidatos a resección del lóbulo temporal anterior, determinado mediante monitoreo con video y EEG, imágenes de PET y pruebas neuropsicológicas, asegurando que todos los sujetos tengan resonancias magnéticas cerebrales normales y estén libres de enfermedades neurológicas distintas de la epilepsia en los grupos de pacientes.

Obtenga la aprobación del comité de ética y el consentimiento informado por escrito de todos los sujetos antes de realizar la imagen y evalúe la seguridad para resonancia magnética. Los pacientes deben continuar con sus medicamentos habituales durante el escaneo de FMRI y no deben ser escaneados inmediatamente después de una crisis epiléptica. Se debe utilizar un sistema de resonancia magnética de tres teslas para todas las imágenes descritas en este protocolo.

Obtenga cortes axiales para imágenes funcionales utilizando una secuencia de imagen por eco de plano y para imágenes anatómicas, utilice una secuencia de recuperación de gradiente con saturación. Pida a los participantes que se relajen y permanezcan inmóviles con los ojos cerrados, y realice la adquisición de imágenes funcionales utilizando los parámetros que se muestran aquí. Utilice también los siguientes parámetros para la imagen estructural de alta resolución con ponderación T1 S PGR.

Cada sesión de adquisición de imágenes debe durar aproximadamente 20 minutos. Comience preprocesando los datos de FMRI utilizando el software FSL First. Use FSL MFL para eliminar el artefacto por movimiento de la cabeza.

Luego, utilice la herramienta de extracción cerebral FSL o BET para eliminar el tejido no cerebral con la opción -F para archivos BOLD. Esto permite realizar pasos adicionales de análisis únicamente en el tejido cerebral. A continuación, en FEAT, realice un análisis con procesamiento mínimo con registro.

Seleccione análisis de primer nivel y cambie el análisis completo a preestadístico mediante los dos botones superiores. Luego, en la pestaña de preestadísticos, desactive la extracción del cerebro en BET y seleccione ninguno para la corrección de movimiento, ya que estos pasos ya se realizaron. A continuación, registre las imágenes funcionales con las imágenes anatómicas y luego con una imagen estándar MNI.

Esto da lugar a la generación de matrices de transformación, que se utilizan posteriormente durante el análisis para deformar la semilla seleccionada en el espacio estándar al espacio cerebral del sujeto. A continuación, utilice la matriz de transformación generada llamada standard to example funk dot mat y transforme las ROI de LCR y de sustancia blanca al espacio bold individual. Luego, utilizando el comando FSL mean TS, extraiga las series temporales de las ROI de LCR y de sustancia blanca.

Utilizando la ROI en el espacio individual del sujeto como máscara, normalice las series temporales extraídas utilizando el software R. Estas series temporales se utilizarán posteriormente como regresores en el modelo lineal general para eliminar las señales artifacuales correspondientes del análisis. El siguiente paso es la eliminación de artefactos relacionados con el movimiento del sujeto. Para la regresión de los parámetros de movimiento.

Establezca lo siguiente en FSL feet antes de ejecutarlo por primera vez dentro de la pestaña de datos: utilice el archivo corregido por movimiento y con el cerebro extraído como entradas y configure el valor de TR para que coincida con su conjunto de datos. Aplique el filtrado de paso alto utilizando un filtro de 102.º orden, que eliminará las señales de muy baja frecuencia sin interés. Un filtro de paso bajo para eliminar señales de alta frecuencia se aplicará posteriormente dentro de la pestaña preestadística.

Seleccione ninguno en la corrección de movimiento y desactive esta opción, pero mantenga la extracción del cerebro. Dado que estos pasos ya se han realizado, realice un suavizado espacial utilizando una amplitud máxima a la mitad de cinco milímetros. Luego, dentro de la pestaña de estadísticas, realice la regresión de los seis parámetros de movimiento y sus derivadas temporales.

Seleccione ninguno para la convolución y marque aplicar filtrado temporal. Utilice la salida de F selmic flirt para obtener archivos de texto de los parámetros de movimiento, que luego pueden introducirse en el análisis de feet para regresarlos en un modelo lineal general. Además, agregue las señales de LCR y de materia blanca que se extrajeron y normalizaron en pasos anteriores al GLM.

Seleccione ninguno para la convolución. Agregue la derivada temporal y desactive la aplicación de filtrado temporal. Los residuos del preprocesamiento descritos anteriormente deben utilizarse para la correlación basada en semillas.

Estos residuos deben pasar primero por un filtro PESS bajo de 0,1 hercios, luego desviarse restando la media, dividiendo por la desviación estándar y posteriormente escalando mediante la adición de 100. La semilla debe definirse con un diámetro de seis milímetros en el espacio MNI estándar. Utilizando el software MRI crown, las semillas posterior y anterior deben corresponder a las coordenadas que se muestran aquí.

Téngase en cuenta que estas ubicaciones de semilla se han definido dentro de controles sanos. Las semillas deben transformarse posteriormente al espacio cerebral funcional individual de cada sujeto, a partir del espacio estándar MNI. Para ello, utilice la matriz de transformación generada previamente para transformar la semilla del espacio estándar MNI al espacio funcional individual.

A continuación, utilice el comando FSL mean Ts para extraer la serie temporal del residuo previamente centrado y escalado, utilizando la semilla en el espacio del sujeto individual como máscara. Normalice la serie temporal extraída utilizando el software R; las correlaciones parciales entre los vóxeles de la semilla y todos los vóxeles cerebrales deben calcularse por separado para cada sujeto y para cada ejecución.

Para ello, dentro de la interfaz FSL FEAT, seleccione primero el análisis de primer nivel y luego estadísticas más estadísticas posteriores dentro de la pestaña de datos. Debe utilizarse como entrada el residual previamente desviado y escalado. Establezca el corte del filtro de paso alto en 10.000, ya que el residual ya ha sido filtrado en paso alto a 100 segundos dentro de la pestaña de estadísticas.

Anule la selección de usar el blanqueo previo de la película y utilice las series temporales de semillas previamente extraídas y normalizadas. En el modelo lineal general (GLM) dentro de la pestaña de estadísticas posteriores, establezca el umbral de estadístico Z deseado en un valor de 2,0 antes de realizar el análisis grupal. Al combinar corridas dentro de los sujetos, se debe realizar una transformación Z de Fisher sobre el contraste de las estimaciones de parámetros.

Archivo generado a partir del análisis de correlación, copie los datos de registro desde el directorio reg del análisis de los pies hacia la ejecución de la correlación. Realice un análisis de nivel superior combinando las ejecuciones dentro de cada sujeto. Primero, seleccione análisis de nivel superior y luego estadísticas más estadísticas posteriores.

Luego, dentro de la pestaña de datos, seleccione que las entradas son directorios de pies de nivel inferior e ingrese las ejecuciones del sujeto dentro de la pestaña de estadísticas. Elija efectos mixtos. Configure un modelo de mínimos cuadrados ordinarios (OLS) simple como el efecto medio e ingrese un valor de uno para cada una de las ejecuciones de los sujetos.

Para combinar los datos superpuestos entre sujetos, debe utilizarse un análisis mixto de efectos simples mediante mínimos cuadrados ordinarios; para ello, seleccione análisis de nivel superior y estadísticas más estadísticas posteriores dentro de la pestaña de datos. Elija que las entradas sean los directorios de nivel inferior y registre las series combinadas del sujeto dentro de la pestaña de estadísticas, luego seleccione efectos mixtos. En el modelo de mínimos cuadrados ordinarios (OLS) simple, configure el modelo como tres grupos e ingrese un valor de uno para el grupo.

Cada sujeto pertenece a cero. De lo contrario, el análisis grupal debe realizarse en cada vóxel utilizando un ANOVA unifactorial con tres niveles, que corresponden a los tres grupos, para establecer el umbral. Las imágenes de la estadística Z utilizan un umbral de formación de clústeres de Z mayor que 2,0 y un umbral de significancia de clúster corregido de P igual a 0,05 para obtener los valores Z correctos en el mapa de correlación.

Debe realizarse una transformación inversa de Fisher Z sobre los resultados. Finalmente, utilice los siguientes contrastes específicos que se muestran en la pantalla aquí. Esta figura muestra la red en modo predeterminado revelada mediante conectividad a partir de una semilla posterior, incluyendo el esplénio retro y el precúneo en colores rojo amarillentos, y a partir de una semilla anterior, incluyendo la corteza prefrontal medial ventral en colores azul verdosos.

La primera fila muestra la red para sujetos de control, la segunda fila para epilepsia del lóbulo temporal izquierdo y la fila inferior para epilepsia del lóbulo temporal derecho. Las siguientes figuras comparan estas redes entre estos tres grupos. Aquí observamos las redes del modo predeterminado reveladas con una semilla anterior y una posterior para la epilepsia del lóbulo temporal derecho e izquierdo combinada, en comparación con controles sanos.

Esta figura muestra las redes del modo predeterminado reveladas con los mismos puntos semilla solo para epilepsia del lóbulo temporal izquierdo en comparación con controles sanos. Mientras que esta figura muestra las redes reveladas solo para epilepsia del lóbulo temporal derecho en comparación con controles sanos, y finalmente aquí observamos las redes del modo predeterminado reveladas con una semilla anterior y una posterior para epilepsia del lóbulo temporal izquierdo en comparación con epilepsia del lóbulo temporal derecho. Los estudios de conectividad funcional que incluyen todo el cerebro son esenciales para comprender los mecanismos fundamentales de la epilepsia.

Utilizamos una técnica basada en semillas en este experimento para evaluar la conectividad con la red en modo predeterminado. Será interesante observar cómo se comparan otras técnicas en sus resultados al estudiar la epilepsia del lóbulo temporal.