Name: Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve (Video) | JoVE Journal
Uploaded: 2017-08-07T15:00:00.000+00:00
Duration: 8 min 43 s
Description: Aprende a aplicar el análisis de causalidad de Granger en conectividad funcional dirigida para estudiar la progresión del Alzheimer y el deterioro cognitivo leve mediante resonancia magnética funcional.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Los autores agradecen a JI Gongjun de soporte de software informático. Esta investigación fue parcialmente financiada por la Fundación Nacional de Ciencias naturales de China (no. 81201156, 81271517); el Zhejiang Provincial Ciencias naturales Fundación de China (no. LY16H180007, LY13H180016, 2013C33G1360236) y la Fundación de Ciencias de la Comisión de salud de la provincia de Zhejiang (n º 2013RCA001, 201522257).

Este estudio fue aprobado por el Comité de Ética del Hospital Popular Provincial de Zhejiang. Todos los sujetos inscritos firmaron un consentimiento informado por escrito.
1. Clasificación y cribado de muestras
<ol>
	<li>Diagnosticar y dividir a 116 pacientes en grupos de EA y DCL. 
	NOTA: Utilice los criterios de diagnóstico de 2011 del Instituto Nacional de Trastornos Neurológicos y Comunicativos y Accidentes Cerebrovasculares y la Asociación de la Enfermedad de Alzheimer y Trastornos Relacionados (NINCDS-ADRDA) y los criterios del Mini-Examen del Estado Mental (MMSE) para la identificación y clasificación del deterioro cognitivo leve, que se describen en detalle en Yu et al.10</li>
	<li>Seleccione los participantes en el grupo de control sano. 
	NOTA: La edad, el sexo y el nivel educativo del grupo de control se emparejaron con los pacientes de los grupos de DCL y EA.</li>
	<li>Evalúe todas las asignaturas por MMSE10.</li>
	<li>Excluir a los sujetos que no cumplieron con los criterios de inclusión. Para todos los sujetos, los criterios de exclusión se mencionan en Yu et al.10</li>
	<li>Utilice la resonancia magnética para escanear a los sujetos; excluya a los sujetos con datos inutilizables debido a los movimientos de la cabeza. 
	NOTA: Al final, se examinaron 26 pacientes con deterioro cognitivo leve, 32 pacientes con EA y 58 controles.</li>
</ol>
2. Adquisición de Neuroimagen
<ol>
	<li>Retire los objetos metálicos y magnéticos antes de ingresar al laboratorio de resonancia magnética 3.0 T.</li>
	<li>Instale una bobina receptora de resonancia magnética en la cama de exploración por resonancia magnética. La bobina receptora es una bobina de matriz en fase cerebral polarizada circularmente de 8 canales.</li>
	<li>Indique al participante que se acueste en la cama y que permanezca en decúbito supino con la cabeza adelantada y el eje largo del cuerpo a lo largo del eje largo de la cama. Coloque la cabeza del participante en el soporte de la bobina y asegúrese de que la línea orbitomeatal esté perpendicular a la cama.</li>
	<li>Dígale al participante que coloque las extremidades superiores a los lados del cuerpo, que mantenga los ojos cerrados, que no piense en nada en particular y que se mueva lo menos posible durante la exploración. Coloque almohadillas de espuma en la cabeza en el área temporal bilateral para evitar el movimiento de la cabeza y proporcione auriculares para reducir el ruido ><del escáner para el participante.
	NOTA: Las dimensiones de la almohadilla de espuma son: diámetro largo = 13 cm, diámetro corto = 10 cm, el grosor más grueso = 7 cm, el grosor más delgado = 3 cm, espesor promedio = 5 cm.</li>
	<li>Ajuste la posición de la cabeza a través de la luz de posición para que el cursor de posición sagital esté en la línea media de la cara y el cursor de posición del eje sea paralelo al canto lateral. A continuación, mueva la cama para mantener el eje del cursor de posicionamiento en las cejas o 2 cm por debajo de ellas.</li>
	<li>Mueva la cabeza al centro del imán. Realice una exploración cerebral por resonancia magnética funcional, que incluya imágenes ecoplanas en gradiente (EPI-BOLD) e imágenes 3D-T1-MPRAGE. 
	NOTA: Utilice los siguientes parámetros: 
	EPI-BOLD: TR/TE = 2.000/30 ms, espesor de capa/paso de capa = 3,2/0,8 mm, 31 cortes, matriz = 64 x 64, FOV = 220 x 220 mm, tamaño de vóxel = 3 x 3 x 4 mm, ángulo de volteo = 90 °, tiempo de escaneo de 484 s y un total de 240 imágenes de escaneo. 
	Imágenes 3D-T1-MPRAGE: TR/TE = 8,5/3,2 ms, ángulo de giro = 15 °, campo de visión = 250 x 250 mm, matriz = 256 x 256, número de corte = 176, grosor/espacio de corte = 1/0 mm, tiempo de escaneo de 353 s y un total de 192 imágenes de escaneo.</li>
	<li>Mantenga al paciente seguro cuando se levante de la cama al final de la exploración.</li>
</ol>
3. Preprocesamiento de datos
NOTA: Analice los datos brutos de las funciones cerebrales en estado de reposo utilizando el kit de herramientas de análisis de datos plus (RESTplus) de fMRI en estado de reposo (rs-fMRI).
<ol>
	<li>Abra RESTplus a través de MATLAB y haga clic con el botón izquierdo en Pipeline.</li>
	<li>Importe los archivos relevantes en RESTplus. Seleccione el directorio de trabajo y, a continuación, los directorios EPI y T1 iniciales.</li>
	<li>Convierte archivos DICOM a NIFTI. Marque la casilla DICOM a NIFTI en el preprocesamiento y marque los parámetros EPI DICOM a NIFTU y T1 DICOM a NIFTI.</li>
	<li>Elimine los primeros 10 puntos de tiempo marcando la casilla Eliminar los primeros n puntos de tiempo y estableciendo el parámetro n en 10.</li>
	<li>Establezca el tiempo de corte de acuerdo con los parámetros de rs-fMRI. Marque la casilla Temporización de sectores. Establezca el número de corte de acuerdo con los parámetros rs-fMRI del estudio. Introduzca el orden de corte. 
	NOTA: La adquisición de datos de cada capa en el escáner cerebral no se realiza en el mismo punto de tiempo y, por lo tanto, debe calibrarse en el mismo punto de tiempo.</li>
	<li>Corrija el tiempo y el movimiento de la cabeza. Marque Realign. 
	NOTA: El criterio de exclusión para el movimiento excesivo de la cabeza fue >2.0 mm de traslación o >2.0 ° de rotación en cualquier dirección. En el RESTplus, este es un parámetro predeterminado (haga clic con el botón izquierdo en la opción de 'Realinear').</li>
	<li>Realice la normalización espacial mediante el uso de la segmentación unificada de imagen T1 y todas las cabezas estandarizadas en el mismo espacio. Marque Normalizar y deje los parámetros predeterminados en la parte inferior. Seleccione la opción Normalizar mediante la segmentación unificada de imagen T1 y los parámetros europeos. 
	NOTA: Vuelva a muestrear las imágenes rs-fMRI con vóxeles de 3 × 3 × 3 mm, y otros parámetros en el RESTplus son los predeterminados, simplemente haga clic izquierdo en la opción de 'Normalizar mediante el uso de la segmentación unificada de imagen T1'.</li>
	<li>Realice el suavizado espacial utilizando un núcleo gaussiano isótropo con un ancho completo a la mitad del máximo (FWHM) de 6 mm. Marque Suavizar.</li>
	<li>Elimine la tendencia lineal marcando Eliminar tendencia.</li>
	<li>Regrese las señales de los regresores molestos (WM, CSF, Global) para aumentar la relación señal-ruido. Marque la regresión de covariables molestas y los siguientes parámetros: 6 parámetros de movimiento de la cabeza, señal media global, señal de sustancia blanca y señal de líquido cefalorraquídeo. 
	NOTA: Durante este paso, establezca la 'Tendencia polinómica' como 1 como predeterminada y elija los '6 parámetros de movimiento de la cabeza', los 'Regresores molestos (WM, CSF, Global)' y 'agregar media inversa' como predeterminado.</li>
	<li>Utilice el filtrado de paso de banda para retener las señales entre 0,01 y 0,08 Hz. Elimine el ruido fisiológico de alta frecuencia y la deriva de baja frecuencia. Marque Filtro.</li>
</ol>
4. Análisis de Conectividad Dirigida
NOTA: Realice GCA combinado con las señales BOLD para cada vóxel en todo el cerebro después de extraer la intensidad media de la señal BOLD en el área de semilla.
<ol>
	<li>Realice el GCA por vóxel utilizando REST-GCA en la caja de herramientas REST. En el cuadro de posprocesamiento, marque GCA.</li>
	<li>Establezca el 'order' como 1 de forma predeterminada. Seleccione los parámetros en la entrada.</li>
	<li>Defina el retorno de la inversión e identifique los puntos de interés inicial en el PCC. Seleccione Definir ROI y elija el ROI esférico. Seleccione Siguiente. Establezca las coordenadas centrales y el radio del ROI de la semilla en función de los datos conocidos y seleccione OK 
	NOTA: Se colocó un ROI para la DMN en el PCC (centrado en x = 0, y = -53, z = 26 con radio = 6 mm), como en un estudio anterior13.</li>
	<li>Seleccione Ejecutar y Aceptar para ejecutar el programa.</li>
	<li>Busque carpetas denominadas ZGCA y GCA después del procesamiento de datos de archivo relevantes. Ordene los archivos de ZGCA y clasifíquelos en cuatro subcarpetas, xx, xy, yx, yy según corresponda. 
	NOTA: Más adelante, utilice principalmente las subcarpetas xy e yx. Los tres conjuntos de datos de archivo ('AD', 'MCI', 'NC') se procesan y ordenan de acuerdo con los pasos 3.1 a 4.5 anteriores.</li>
	<li>Abra RESTplus a través de MATLAB y haga clic con el botón izquierdo en Análisis estadístico. Haga clic con el botón izquierdo en REST Two-Sample T-Test.</li>
	<li>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.</li>
	<li>En la opción de Archivo de máscara, haga clic con el botón izquierdo para abrir el subarchivo BrainMask_05_61 * 73 * 61 en la carpeta 'máscara'.</li>
	<li>Seleccione Compute (Proceso) para ejecutar el programa.</li>
	<li>Asigne un nombre al resultado 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 los pasos 4.8 - 4.9.</li>
	<li>Asigne un nombre al resultado de salida como T3xy 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 MCI y la subcarpeta xy en la carpeta de resultados de NC. Repita los pasos 4.8 - 4.9.</li>
	<li>Asigne un nombre al resultado de salida como T1yx y establezca el directorio de salida. Haga clic con el botón izquierdo en Agregar imágenes de grupo para abrir la subcarpeta yx en la carpeta AD Results y la subcarpeta yx en la carpeta NC Results. Repita los pasos 4.8 - 4.9.</li>
	<li>Asigne un nombre al resultado de salida como T2yx y establezca el directorio de salida. Haga clic con el botón izquierdo en Agregar imágenes de grupo para abrir la subcarpeta yx en la carpeta AD Results y la subcarpeta yx en la carpeta MCI Results. Repita los pasos 4.8 - 4.9.</li>
	<li>Asigne un nombre al resultado de salida como T3yx y establezca el directorio de salida. Haga clic con el botón izquierdo en Agregar imágenes de grupo para abrir la subcarpeta yx en la carpeta Resultados de MCI y la subcarpeta yx en la carpeta de resultados NC. Repita los pasos 4.8 - 4.9.</li>
	<li>Finalmente, obtenga los seis archivos de resultados siguiendo los pasos 4.6 - 4.14 y haga clic con el botón izquierdo en el visor de RESTplus para ver el resultado. Importe la plantilla denominada ch2 en el calco subyacente.</li>
	<li>Busque los seis archivos de resultados en el directorio de salida y complete la superposición uno por uno. Obtenga el gráfico de resultados finales y los seis archivos de resultados que corresponden a los seis gráficos.</li>
	<li>Utilice Statistical Product and Service Solutions (SPSS) para procesar los datos obtenidos en el paso anterior.
	<ol>
		<li>Presentar las variables continuas como medias y desviaciones estándar (DE).</li>
		<li>Presente las variables categóricas como números y porcentajes, luego use la prueba de chi-cuadrado. 
		NOTA: Todos los valores p de <0,05 se consideraron estadísticamente significativos.</li>
	</ol>
	</li>
</ol>

<ol><li>Delbeuck, X., Van der Linden, M., Collette, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%27s+disease+as+a+disconnection+syndrome%3F%5BTitle%5D)+AND+%22Neuropsychol+Rev%22%5BJournal%5D)">Alzheimer's disease as a disconnection syndrome?</a> Neuropsychol Rev. 13 (2), 79-92 (2003).</li>
<li>Wang, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+functional+connectivity+in+early+Alzheimer%27s+disease%3A+a+resting-state+fMRI+study%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study.</a> Hum Brain Mapp. 28 (10), 967-978 (2007).</li>
<li>Zhong, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+effective+connectivity+patterns+of+the+default+mode+network+in+Alzheimer%27s+disease%3A+an+fMRI+study%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study.</a> Neurosci Lett. 578, 171-175 (2014).</li>
<li>Gusnard, D. A., Raichle, M. E., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Searching+for+a+baseline%3A+functional+imaging+and+the+resting+human+brain%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Searching for a baseline: functional imaging and the resting human brain.</a> Nat Rev Neurosci. 2 (10), 685-694 (2001).</li>
<li>Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+resting+brain%3A+a+network+analysis+of+the+default+mode+hypothesis%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Functional connectivity in the resting brain: a network analysis of the default mode hypothesis.</a> Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).</li>
<li>Ries, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Task-dependent+posterior+cingulate+activation+in+mild+cognitive+impairment%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Task-dependent posterior cingulate activation in mild cognitive impairment.</a> NeuroImage. 29 (2), 485-492 (2006).</li>
<li>Braak, H., Braak, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuropathological+stageing+of+Alzheimer-related+changes%5BTitle%5D)+AND+%22Acta+Neuropathol%22%5BJournal%5D)">Neuropathological stageing of Alzheimer-related changes.</a> Acta Neuropathol. 82 (4), 239-259 (1991).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Miao, X., Wu, X., Li, R., Chen, K., Yao, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+connectivity+pattern+of+hubs+in+default-mode+network+with+Alzheimer%27s+disease%3A+an+Granger+causality+modeling+approach%5BTitle%5D)+AND+%22PloS+one%22%5BJournal%5D)">Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach.</a> PloS one. 6 (10), e25546(2011).</li>
<li>Yu, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directed+functional+connectivity+of+posterior+cingulate+cortex+and+whole+brain+in+Alzheimer%27s+disease+and+mild+cognitive+impairment%5BTitle%5D)+AND+%22Curr+Alzheimer+Res%22%5BJournal%5D)">Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment.</a> Curr Alzheimer Res. , (2016).</li>
<li>Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+causal+relations+in+neural+systems%3A+granger+causality%2C+directed+transfer+function+and+statistical+assessment+of+significance%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance.</a> Biol Cybern. 85 (2), 145-157 (2001).</li>
<li>Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+implementation+on+MATLAB%3A+a+graphic+user+interface+toolkit+for+fMRI+data+processing%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing.</a> J Neurosci Methods. 203 (2), 418-426 (2012).</li>
<li>Hedden, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Disruption+of+functional+connectivity+in+clinically+normal+older+adults+harboring+amyloid+burden%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Disruption of functional connectivity in clinically normal older adults harboring amyloid burden.</a> J Neurosci. 29 (40), 12686-12694 (2009).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Small-world+directed+networks+in+the+human+brain%3A+multivariate+Granger+causality+analysis+of+resting-state+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI.</a> NeuroImage. 54 (4), 2683-2694 (2011).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Zhang, H. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+PCC+functional+connectivity+characteristics+in+resting-state+fMRI+in+mild+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Behav+Brain+Res%22%5BJournal%5D)">Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease.</a> Behav Brain Res. 197 (1), 103-108 (2009).</li>
<li>Deshpande, G., Hu, X., Stilla, R., Sathian, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+connectivity+during+haptic+perception%3A+a+study+using+Granger+causality+analysis+of+functional+magnetic+resonance+imaging+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data.</a> NeuroImage. 40 (4), 1807-1814 (2008).</li>
<li>Bressler, S. L., Seth, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wiener-Granger+causality%3A+a+well+established+methodology%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Wiener-Granger causality: a well established methodology.</a> NeuroImage. 58 (2), 323-329 (2011).</li>
</ol>

Los autores declaran que no tienen sus intereses financieros que compiten.

Este informe presenta un proceso para comparar la dirigida conectividad funcional de la PCC a todo el cerebro y de todo el cerebro para el PCC entre AD, MCI y el grupo control. Además, un paso clave en este proceso es la clasificación y selección de la muestra antes del experimento. Así, la clasificación y criterios de revisión son cruciales porque la exactitud de los resultados puede verse afectada si son erróneas. Como se indica en el protocolo, utilizamos los criterios de NINCDS-ADRDA diagnóstico 2011 y MMSE y los cri...

AD es una enfermedad degenerativa del sistema nervioso central que se puede diagnosticar mediante histopatología, electrofisiología y neuroimagen1. La DMN relacionadas con la memoria es un sistema vital de las interacción regiones del cerebro asociadas con enfermedad de Alzheimer, y su función anormal es característica de AD2,3. El PCC es una región importante de la red por defecto tradicional en el estado de reposo y juega un papel fundamental en la memoria episódica, atención espacial, autoevaluación y otras funciones cognitivas4,5,6,7. Además, podría ser un marcador de imágenes para monitorear la progresión de la AD. Usando GCA, Liao et al encontraron que el PCC es una región de múltiples Citoarquitectura con múltiples conexiones y desempeña un papel importante en el cerebro funcional estructura8. Zhong et al informaron que el PCC era un centro de convergencia que las interacciones de la mayoría de las otras regiones dentro de la DMN3. Además, Miao et al demostraron que en las regiones del centro DMN, el PCC tiene la mayor relación de efecto causal con otros nodos9. Juntos, todo esta evidencia indica que la conexión directa del PCC es valiosa en la investigación de AD y el PCC debe ser más estudiado profunda como una región vital de la DMN.
Los estudios previos se limitaban a la conectividad entre el PCC y otras regiones en el DMN; sin embargo, los cambios en la conectividad funcional dirigido entre el PCC y el cerebro regiones fuera de la DMN, así como su influencia en el anuncio aún no han sido exploradas10. Nuestro estudio investigando esta conectividad funcional inexplorada en controles normales sanos, pacientes con MCI y pacientes con EA. Observando la conectividad directa entre las regiones de todo el cerebro y PCC, se intentó dilucidar los cambios funcionales en el cerebro relacionadas con la progresión de la AD y así establecer una nueva base objetiva para evaluar la severidad de la enfermedad.
Conectividad funcional se refiere a una interacción interregional que puede ser representada por fluctuaciones de baja frecuencia síncrona (LFFs) en la señal de fMRI cerebral de sangre oxígeno nivel dependiente (en negrilla). Por lo tanto, para observar la conectividad funcional entre el PCC y otras regiones cerebrales, analizamos la conectividad funcional entre el PCC y la red de todo el cerebro por fMRI con GCA, el PCC como la región de interés (ROI). Esta técnica deriva directamente la relación fundamental de cada nodo con los datos obtenidos de neuroimagen11. Recientemente, GCA se ha aplicado a estudios de fMRI para revelar los efectos causales entre cerebro las regiones12y electroencefalograma (EEG). Todos estos estudios indican que la técnica de GCA puede ser óptima para la detección de la relación causal de cada nodo en el cerebro.

<table><tbody><tr><td>116 pacientes</td><td>Pueblo Provincial de Zhejiang Este</td><td></td> <td>estudio fue aprobado por el comité de ética del pueblo provincial de Zhejiang s hospital. Todos los sujetos inscritos firmaron un consentimiento informado por escrito.</td></tr><tr><td>Escáner de resonancia magnética Siemens Trio 3.0 T</td><td>Siemens, Erlangen, Alemania</td><td>20571</td><td>Equipado con AudioComfort que reduce el ruido acústico hasta en un 90%; Proporciona un alto rendimiento a un bajo nivel de ruido; Bobina ultra ligera; Diseño único de la secuencia de resonancia magnética; Soporta hasta 400 libras sin restricciones.</td></tr><tr><td>RESTplus</td><td>Universidad Normal de Hangzhou, Hangzhou, Zhejiang, China</td><td>20160122</td><td>RESTplus evolucionó a partir de REST (Standing-State fMRI Data Analysis Toolkit), un conjunto de herramientas conveniente para calcular la conectividad funcional (FC), la homogeneidad regional (ReHo), la amplitud de la fluctuación de baja frecuencia (ALFF), el ALFF fraccional (fALFF), la causalidad de Gragner, la centralidad de grado, la conectividad homotópica reflejada por vóxeles (VMHC) y realizar análisis estadísticos.</td></tr><tr><td>DPARSF</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>130615</td><td>Asistente de procesamiento de datos para fMRI en estado de reposo (DPARSF) es un conveniente software complementario dentro de DPABI, que se basa en SPM. Solo necesita organizar sus archivos DICOM y hacer clic en algunos botones para establecer los parámetros, DPARSF luego le dará todos los resultados de datos preprocesados, conectividad funcional, ReHo, ALFF / fALFF, centralidad de grado, conectividad homotópica reflejada de vóxeles (VMHC).</td></tr><tr><td>SPSS</td><td>SPSS Inc., Chicago, IL, EE. UU.-</td><td></td><td>SPSS ofrece opciones de análisis detalladas para profundizar en sus datos y detectar tendencias que quizás no haya notado.</td></tr></tbody></table>

aplicación del análisis de causalidad de granger de la conexión funcional dirigida en la enfermedad de alzheimer y deterioro cognitivo leve

Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment

Deterioro funcional conectividad en la red de modo por defecto (DMN) se puede implicar en la progresión de la enfermedad de Alzheimer (EA). La corteza cingulada Posterior (PCC) es un potencial marcador imágenes para monitorear la progresión de la EA. Estudios previos no se centran en la conectividad funcional entre el PCC y nodos en regiones fuera de la DMN, pero nuestro estudio es un esfuerzo para descubrir estas conexiones funcionales se pasa por alto. Para la recolección de datos, se utilizan la proyección de imagen de resonancia magnética funcional (fMRI) y análisis de causalidad de Granger (GCA). fMRI ofrece un método no invasivo para el estudio de las interacciones dinámicas entre las regiones diferentes del cerebro. GCA es una prueba de hipótesis estadística para determinar si una serie es útil en el pronóstico de otro. En términos simples, se juzga comparando el "conoce toda la información en el último momento, la distribución de la probabilidad de X en este momento" y el "toda la información en el último momento excepto Y, la distribución de la probabilidad de X en este momento", para determinar si existe una relación causal entre Y y X. Esta definición se basa en la fuente de información completa y estacionario secuencia cronológica. El principal paso de este análisis es con X e Y para establecer la ecuación de regresión y dibujar una relación causal con una prueba hipotética. Desde GCA puede medir efectos causales, se utilizó para investigar la anisotropía de la conectividad funcional y explorar la función de núcleo del PCC. Aquí, defendimos a 116 participantes para la exploración de MRI, y después de preprocesar los datos obtenidos de neuroimaging, utilizamos GCA para derivar la relación causal de cada nodo. Finalmente, llegamos a la conclusión que la conexión dirigida es significativamente diferente entre los grupos de deterioro cognitivo leve (MCI) y AD tanto desde el PCC a todo el cerebro todo el cerebro para el PCC.

Información demográfica
Tabla 1 presenta las características de los sujetos. Todos los sujetos tenían un nivel educativo de escuela secundaria o superior. La edad, el sexo y el nivel educativo fueron similares entre los tres grupos (P &#62;0.05), mientras que las puntuaciones del MMSE fueron significativamente diferentes (p &#60;0.01).
Cone...

Basado en estado reposo resonancia magnética funcional con análisis de causalidad de Granger, se investigaron las alteraciones en la conectividad funcional dirigida entre la corteza del cíngulo posterior y todo el cerebro en pacientes con enfermedad de Alzheimer (EA), pacientes con deterioro cognitivo leve (MCI) y controles sanos.

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

Impaired functional connectivity in the Default Mode Network (DMN) may be involved in the progression of Alzheimer&#39;s Disease (AD). The Posterior ...

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 base objetiva novedosa 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 la CPG y regiones cerebrales completas. La ventaja principal de esta técnica es que mide los efectos causales de las series temporales de FMRI y muestra la dinámica y las direcciones de la señal pobre.La implicación de esta técnica se extiende hacia el diagnóstico de la progresión de la enfermedad de Alzheimer porque compara la conectividad funcional dirigida entre los grupos de EA, MCI y el grupo control. A través de este método se puede obtener información sobre la escala de conectividad funcional dirigida del Alzheimer, y también puede aplicarse a otros sistemas, como los estudios de electroencefalograma. En general, las personas que son nuevas en este método tendrán dificultades si no están familiarizadas con el funcionamiento del software.Primero debemos agregar aquí para el semestre, y luego evaluamos las literaturas previas sobre el Análisis de Causalidad de Granger. Al realizar una demostración práctica de este método, es fundamental porque existen múltiples aspectos que deben tenerse en cuenta y que van más allá de lo que puede escribirse en el texto. Comience abriendo RESTplus a través del software y haga clic con el botón izquierdo en Pipeline.Importe los archivos relevantes a RESTplus. Seleccione el directorio de trabajo y luego los directorios iniciales de EPI y T1. A continuación, para convertir los archivos Dicom a Nifti, marque la casilla DicomToNifti en Preprocessing.Y marque los parámetros de EPI Dicom a Nifiti y de T1 a Nifiti. Elimine los primeros 10 puntos temporales marcando EliminarPrimerosPuntosTemporales y estableciendo el parámetro final en 10. Luego, marque la casilla de temporización por cortes.Establezca el número de rebanadas según los parámetros de RS FMRI del estudio e ingrese el orden de las rebanadas. Marque Realign para corregir el tiempo y el movimiento de la cabeza. Luego, realice la normalización espacial marcando Normalize y deje los parámetros predeterminados en la parte inferior.Utilice la segmentación unificada de la imagen T1 y estandarice todas las cabezas al mismo espacio seleccionando los parámetros. Normalice utilizando la segmentación unificada de la imagen T1 y el atlas europeo. A continuación, seleccione suavizar para realizar un suavizado espacial usando un núcleo gaussiano isotrópico con una anchura total a mitad del máximo de 6 mm.Elimine la tendencia lineal marcando la opción Detrend. Seleccione la regresión de covariables de interferencia en los siguientes parámetros: seis parámetros de movimiento de la cabeza, señal promedio global, señal de sustancia blanca y señal del líquido cefalorraquídeo, con el fin de aumentar la relación señal-ruido. Finalmente, seleccione el filtro para conservar las señales entre 0,01 y 0,08 hertz.Elimine el ruido fisiológico de alta frecuencia, así como la deriva de baja frecuencia. Comience realizando el análisis de causalidad de Granger a nivel de vóxel, o GCA, utilizando el GCA de REST en la caja de herramientas REST. En el cuadro de posprocesamiento, marque GCA.Establezca el orden como uno en la configuración predeterminada. Seleccione Definir ROI y elija el ROI esférico para definir la región de interés. Seleccione siguiente.Identifique puntos de semilla de interés en la corteza singular posterior, o PCC, estableciendo las coordenadas centrales y el radio de la ROI de semilla según los datos conocidos y seleccione Aceptar. Luego, seleccione Ejecutar y Aceptar para ejecutar el programa. A continuación, busque carpetas denominadas ZGCA y GCA tras el procesamiento de los datos de archivos relevantes. Organice los archivos de ZGCA y clasifíquelos en cuatro subcarpetas, XX, XY, YX, YY, respectivamente.Dentro del software, abra RESTplus y haga clic con el botón izquierdo en Análisis estadístico. Haga clic con el botón izquierdo en Prueba T de dos muestras REST. Asigne al resultado de salida el nombre 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 Resultados de NC. A continuación, haga clic con el botón izquierdo para abrir el subarchivo BrainMask en la carpeta de máscara. Luego, seleccione Calcular para ejecutar el programa.Asigne al resultado de salida el nombre T2XY y establezca el directorio de salida. Haga clic izquierdo en Agregar imágenes de grupo para abrir la subcarpeta XY en la carpeta Resultados de DA. Y la subcarpeta XY en la carpeta Resultados de CMI.Repita el cálculo del archivo de máscara cerebral para obtener salidas para 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 Subyacente.Finalmente, encuentre 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 primero se identificaron los nodos activos en todo el cerebro, se utilizó la tecnología GCA para determinar la conectividad funcional dirigida desde la CPG hacia todo el cerebro.Y desde todo el cerebro hacia la CPC en los grupos con AD, CM y controles. La conectividad dirigida desde todo el cerebro hacia la CPC se vio potenciada en el grupo con AD en comparación con el grupo control normal, y se centró principalmente en la región cerebelosa bilateral fuera de la DMN. La conectividad dirigida desde la CPC hacia todo el cerebro se redujo significativamente en el grupo con AD en comparación con los controles, con regiones principales como el precúneo derecho y el giro metaprefrontal izquierdo, pertenecientes a la DMN.Aunque se requiere dominio, esta técnica puede realizarse en 14 horas si se lleva a cabo correctamente. Al intentar este procedimiento, es importante recordar que todos los nombres de archivos y de 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 IRMf exploraran la conectividad fraccional dirigida en la progresión de la enfermedad de Alzheimer.Después de ver este video, debería tener una buena comprensión de cómo iniciar la conectividad fraccional dirigida en el cerebro relacionada con la progresión de la EA. Así se establece una base objetiva precisa para evaluar la gravedad de la enfermedad.

application-granger-causality-analysis-directed-functional-connection

Research

Investigación

JoVE Journal

Medicine

Medicina

La metodología para la recolección de alta densidad de eventos relacionados con el potencial de datos mientras que los pacientes con enfermedad de Alzheimer realizar una tarea de memoria de reconocimiento se revisa. Este protocolo incluirá la preparación de materia, la garantía de calidad, adquisición de datos y análisis de datos.

Examinar las características de la memoria episódica con potenciales relacionados con eventos en pacientes con enfermedad de Alzheimer

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

Este video presenta un método de análisis de los cambios relacionados con la edad en la conectividad funcional de las redes de control cognitivo contratados por focalizadas tareas / procesos. La técnica se basa en el análisis multivariado de datos de la fMRI.

Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance

Este artículo describe el Test de las 4 Montañas (4MT), una prueba dependiente del hipocampo de la memoria espacial alocéntrica de trabajo. El hipocampo se ve afectado en una fase temprana de la enfermedad de Alzheimer (EA) y este artículo describe la metodología de la 4MT y los resultados de las pruebas con pacientes, lo que demuestra el valor de la 4MT en el diagnóstico de la EA previa a la demencia.

El 4 Montañas de prueba: una prueba corta de la memoria espacial con alta sensibilidad para el diagnóstico de pre-demencia Enfermedad de Alzheimer

Este manuscrito describe cómo implementar un análisis de interacción psicofisiológica para revelar cambios dependientes de la tarea en la conectividad funcional entre una región de semilla seleccionada y voxels en otras regiones del cerebro. Análisis de interacción psicofisiológica es un popular método para examinar los efectos de la tarea en la conectividad cerebral, distinta de los efectos de activación univariantes tradicionales.

Análisis de la interacción psicofisiológica generalizada (PPI) de la memoria relacionados con la conectividad en individuos con riesgo genético de la enfermedad de Alzheimer

La retina comparte similitudes importantes con el cerebro y por lo tanto representa una ventana única para el estudio de vasculatura y estructura neuronal en el cerebro no invasiva. Este protocolo describe un método para estudiar la demencia con técnicas de imagen retinianas. Este método puede potencialmente ayudar en la evaluación diagnóstico y riesgo de demencia.

Usando proyección de imagen retiniana para el estudio de la demencia

Presentamos un registro electrofisiológico in vivo del potencial de campo local (LFP) en la corteza motora secundaria bilateral (M2) de ratones, que se puede aplicar para evaluar la lateralización del hemisferio. El estudio reveló niveles alterados de sincronización entre la izquierda y la derecha M2 en ratones APP/PS1 en comparación con los controles WT.

Evaluación de la lateralización del hemisferio con registro de potencial de campo local bilateral en corteza motora secundaria de ratones

Las escalas de evaluación clínica no son lo suficientemente sensibles a la disfunción cognitiva en pacientes con accidente cerebrovascular de alto funcionamiento. El paradigma de doble tarea presenta ventajas y potencial en la evaluación y entrenamiento cognitivo de la disfunción cognitiva. El estudio aquí propone un paradigma de Stroop de doble tarea para identificar la disfunción cognitiva en pacientes con accidente cerebrovascular de alto funcionamiento.

Paradigma de Stroop de doble tarea para detectar déficits cognitivos en pacientes con accidente cerebrovascular de alto funcionamiento

Este artículo presenta un enfoque integrador para investigar la red funcional para la navegación espacial en el cerebro humano. Este enfoque incorpora una base de datos metaanalítica de neuroimagen a gran escala, imágenes de resonancia magnética funcional en estado de reposo y técnicas de modelado de redes y teoría de grafos.

Modelado de la red funcional para la navegación espacial en el cerebro humano

La coherencia de la transformada wavelet (WTC) es una metodología común para evaluar el acoplamiento entre señales que se utiliza en los estudios de hiperbarrido de espectroscopia funcional de infrarrojo cercano (fNIRS). En este trabajo se presenta una caja de herramientas para evaluar la direccionalidad de la interacción de la señal.

Nuevo marco para comprender la coherencia entre cerebros en estudios de hiperexploración de espectroscopia funcional de infrarrojo cercano (fNIRS)

DeepOmicsAE es un flujo de trabajo centrado en la aplicación de un método de aprendizaje profundo (es decir, un codificador automático) para reducir la dimensionalidad de los datos multiómicos, proporcionando una base para modelos predictivos y módulos de señalización que representan múltiples capas de datos ómicos.

DeepOmicsAE: Representación de módulos de señalización en la enfermedad de Alzheimer con análisis de aprendizaje profundo de proteómica, metabolómica y datos clínicos

Aprende a aplicar el análisis de causalidad de Granger en conectividad funcional dirigida para estudiar la progresión del Alzheimer y el deterioro cognitivo leve mediante resonancia magnética funcional.

Aplicación del análisis de causalidad de Granger de la conexión funcional dirigida en la enfermedad de Alzheimer y deterioro cognitivo leve (Video) | JoVE Journal

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

Explorar más videos