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 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.