Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve

El objetivo general de este análisis de causalidad de Granger es estudiar la conectividad funcional dirigida en el cerebro relacionada con la progresión de la enfermedad de Alzheimer, estableciendo así una nueva base objetiva para evaluar la gravedad de la enfermedad. Este método puede ayudar a responder preguntas clave en el campo de la enfermedad de Alzheimer, como la conectividad dirigida entre el PCC y las regiones cerebrales completas. La principal ventaja de esta técnica es que mide los efectos causales de las series temporales de RMF, y muestra la dinámica y las direcciones de una señal deficiente.

Las implicaciones de esta técnica se extienden hacia el diagnóstico de la progresión de la enfermedad de Alzheimer porque compara la conectividad funcional dirigida entre la EA, el DCL y los grupos control. A través de este método puede proporcionar información sobre el escalado de la conectividad funcional dirigida de la enfermedad de Alzheimer, también se puede aplicar a otros sistemas, como los estudios de cefalograma electroying. Por lo general, las personas que son nuevas en este método tendrán dificultades si no están familiarizadas con el funcionamiento del software.

Primero tenemos que agregar aquí para el semestre, y luego calificamos las publicaciones previas sobre el Análisis de Causalidad de Granger. Si bien tiene una demostración del mundo real de este método, es fundamental porque hay múltiples que se deben anotar más allá de lo que se puede escribir en el texto. Comience abriendo RESTplus a través del software y haga clic con el botón izquierdo en Pipeline.

Importe los archivos relevantes en RESTplus. Seleccione el directorio de trabajo y, a continuación, los directorios EPI y T1 iniciales. A continuación, para convertir archivos Dicom a Nifti, marque la casilla DicomToNifti en Preprocesamiento.

Y marque los parámetros EPI Dicom a Nifiti y T1 a Nifiti. Quite los primeros 10 puntos de tiempo marcando RemoveFirstTimePoints y estableciendo el parámetro end en 10. A continuación, marque la casilla de temporización de sectores.

Establezca el número de corte de acuerdo con los parámetros RS FMRI del estudio e ingrese el orden de corte. Marque Realinear para corregir el tiempo y el movimiento de la cabeza. A continuación, realice la normalización espacial marcando Normalizar y deje los parámetros predeterminados en la parte inferior.

Utilice la segmentación unificada de la imagen T1 y todos los cabezales estandarizados en el mismo espacio seleccionando los parámetros. Normalice mediante el uso de la segmentación unificada de imagen T1 y europea. A continuación, seleccione suavizado para realizar el suavizado espacial utilizando un kernal gaussiano isotrópico con un ancho completo a la mitad como máximo de 6 mm.

Elimine la tendencia lineal marcando Eliminar tendencia. Seleccione la regresión de covariables molestas en lo siguiente, seis parámetros de movimiento de la cabeza, señal media global, señal de sustancia blanca y señal de líquido cefalorraquídeo para aumentar la relación señal/ruido. Por último, seleccione el filtro para retener las señales entre 0,01 y 0,08 hercios.

Elimine el ruido fisiológico de alta frecuencia, así como elimine la deriva de baja frecuencia. Comience por realizar el análisis de causalidad de Granger por vóxel, o GCA, utilizando el GCA de REST en la caja de herramientas de REST. En el cuadro Posprocesamiento, marque GCA.

Establezca el orden como uno en el valor predeterminado. Seleccione Definir ROI y elija el ROI esférico para definir la región de interés. Seleccione Siguiente.

Identifique los puntos de interés de la semilla en la corteza singular posterior, o PCC, estableciendo las coordenadas centrales y el radio del ROI de la semilla en función de los datos conocidos y seleccione Aceptar. A continuación, seleccione Ejecutar y Aceptar para ejecutar el programa. A continuación, busque las carpetas denominadas ZGCA y GCA después de procesar los datos de archivo relevantes. Ordene los archivos de ZGCA y clasifíquelos en cuatro subcarpetas, XX, XY, YX, YY según corresponda.

Dentro del software, abra RESTplus y haga clic con el botón izquierdo en Análisis estadístico. Haga clic con el botón izquierdo en REST Two-Sample T-Test. Asigne un nombre al resultado de salida como T1XY y establezca el directorio de salida.

Haga clic con el botón izquierdo en Agregar imágenes de grupo para abrir la subcarpeta XY en la carpeta Resultados de AD y la subcarpeta XY en la carpeta de resultados de NC. A continuación, haga clic con el botón izquierdo para abrir el subarchivo BrainMask en la carpeta de máscaras. A continuación, seleccione Proceso para ejecutar el programa.

Asigne un nombre a los resultados de salida como T2XY y establezca el directorio de salida. Haga clic con el botón izquierdo en Agregar imágenes de grupo para abrir la subcarpeta XY en la carpeta Resultados de AD. Y la subcarpeta XY en la carpeta Resultados de MCI.

Repita el cálculo del archivo de máscara cerebral para obtener las salidas de T3XY, T1YX, T2YX y T3YX para un total de seis archivos. Haga clic con el botón izquierdo en el Visor de RESTplus para ver los archivos resultantes. Importe la plantilla denominada Ch2 en el calco subyacente.

Finalmente, busque los seis archivos resultantes en el directorio de salida y complete la superposición uno por uno. Cree el gráfico final utilizando los seis archivos de salida. Después de que se identificaron por primera vez los ganglios activos en todo el cerebro, se utilizó la tecnología GCA para determinar la conectividad funcional dirigida desde el PCC a todo el cerebro.

Y desde todo el cerebro hasta el PCC en los grupos de EA, DCL y control. La conectividad dirigida desde todo el cerebro al PCC mejoró en el grupo de EA en comparación con el grupo de control normal y se centró principalmente en la región cerebelosa bilateral fuera de la DMN. La conectividad dirigida desde el PCC a todo el cerebro se redujo significativamente en el grupo de EA en comparación con los controles con las regiones principales como el precúneo derecho y la circunvolución metafrontal izquierda pertenecientes a la DMN.

Mientras se domina, esta técnica se puede realizar en 14 horas si se realiza correctamente. Al intentar este procedimiento, es importante recordar que todos los nombres de los archivos y las fotos deben estar en inglés y no pueden tener espacios. Después de su desarrollo, esta técnica allanó el camino para que los investigadores en el campo de la FMRI exploraran la conectividad de facciones dirigidas en la progresión de la enfermedad de Alzheimer.

Después de ver este video, debería tener una buena comprensión de cómo iniciar la conectividad de facciones dirigidas en el cerebro relacionada con la progresión de AD. De este modo, se establece una base objetiva estrecha para evaluar la gravedad de la enfermedad.