Cartographie de l’homogénéité régionale et de la connectivité fonctionnelle du cortex visuel dans l’IRMf au repos

Summary

Nous présentons un protocole d’analyse des données d’imagerie par résonance magnétique fonctionnelle pour étudier les altérations spontanées de l’activité neuronale chez les patients atteints de rétinite pigmentaire en utilisant une méthode combinée d’homogénéité régionale et de connectivité fonctionnelle.

Abstract

Une méthode combinée d’homogénéité régionale (ReHo) et de connectivité fonctionnelle (FC), un type de méthode d’imagerie par résonance magnétique fonctionnelle (IRMf) non invasive, a été utilisée pour évaluer les changements synchrones de l’activité neuronale dans la rétinite pigmentaire (RP). Le but de cette étude est de décrire notre méthode d’analyse des synchronisations intra- et interrégionales des changements dans l’activité neuronale chez les patients atteints de RP. Les avantages de la méthode combinée ReHo et FC sont qu’elle est à la fois non invasive et suffisamment sensible pour étudier les changements dans l’activité neuronale synchrone cérébrale in vivo. Ici, 16 patients RP et 14 témoins sains étroitement appariés en termes d’âge, de sexe et d’éducation ont subi des examens IRMf à l’état de repos. Deux tests t ont été effectués pour comparer ReHo et FC entre les groupes. Nos résultats ont montré que la déconnexion du réseau visuel et la réorganisation de la voie rétino-thalamocorticale et du flux visuel dorsal se sont produites chez les patients atteints de RP. Ici, nous décrivons les détails de cette méthode, son utilisation et l’impact de ses paramètres clés de manière étape par étape.

Introduction

L’imagerie par résonance magnétique fonctionnelle (IRMf) est une méthode non invasive qui peut être utilisée pour étudier les altérations de la fonction et de la structure du cerveau in vivo. L’homogénéité régionale (ReHo) et la connectivité fonctionnelle (FC) sont souvent utilisées pour évaluer les synchronisations intra et interrégionales de l’activité cérébrale. ReHo, une méthodologie d’IRMf à l’état de repos, est utilisée pour calculer la similarité entre la série temporelle d’un voxel donné et ses voisins les plus proches, ce qui reflète la synchronisation locale des activités cérébrales¹. FC est utilisé pour étudier la similitude entre les séries chronologiques régionales spatialement éloignées².

La technologie IRMf peut offrir une évaluation objective de la fonction visuelle dans le contexte de la gestion des maladies oculaires. Nous présentons ici un protocole méthodologique qui combine les méthodes ReHo et FC pour partager cette expérience et soutenir la diffusion de notre expertise. Dans le présent travail, nous avons utilisé les protocoles ReHo et FC chez des sujets atteints de rétinite pigmentaire (RP) et des témoins sains (HC) pour élaborer les détails de la procédure. La RP est une maladie oculaire héréditaire grave caractérisée par une altération de la vision nocturne et une perte progressive de la vision ^3,4. La mutation génétique est le principal facteur de risque de RP. La mort des cellules photoréceptrices des bâtonnets et des cônes entraîne la perte de la vision périphérique et finalement la cécité chez les patients atteints de RP. Des études antérieures de neuroimagerie ont montré des anomalies structurelles et fonctionnelles dans le cortex visuel et la voie visuelle des patients atteints de RP ^5,6,7. De plus, l’imagerie du tenseur de diffusion a été utilisée pour étudier l’intégrité des faisceaux de fibres de substance blanche. Les patients atteints de RP ont montré un coefficient de diffusion apparent, une valeur propre principale et une valeur propre orthogonale significativement plus élevés, ainsi qu’une anisotropie fractionnée significativement plus faible dans les nerfs optiques, par rapport aux HCs⁸.

Ici, notre objectif était d’explorer les synchronisations intra- et interrégionales de l’activité neuronale. Nous avons cherché à savoir si les valeurs moyennes de ReHo et les valeurs moyennes de FC étaient corrélées avec les variables cliniques chez les patients atteints de RP. Notre méthode pourrait permettre aux chercheurs d’obtenir des informations importantes sur le mécanisme neuronal de la perte de vision périphérique chez les patients atteints de RP.

Protocol

Le protocole de recherche a été approuvé par le comité d’éthique médicale de l’hôpital Renmin de l’Université de Wuhan. Tous les participants ont rempli un formulaire de consentement écrit.

1. Classification et sélection des participants

1. Inscrivez des sujets RP et des HC étroitement assortis en termes d’âge, de sexe et d’éducation.
2. S’assurer que tous les participants répondent aux critères suivants : 1) pouvoir être scanné avec un scanner IRM (p. ex., pas de stimulateurs cardiaques ou de dispositifs métalliques implantés) ; 2) pas de claustrophobie ; 3) Pas de maladie cardiaque, d’hypertension ou de maladies cérébrales.

2. Acquisition des données d’IRMf

REMARQUE : Un scanner IRM 3 T avec bobine de tête à huit canaux est utilisé dans ce protocole.

1. Demandez à chaque participant d’enlever les objets métalliques avant d’entrer dans la salle d’IRM après un dernier contrôle de sécurité.
2. Demandez au participant de s’allonger sur le lit et de s’assurer que la ligne orbitoméatale est perpendiculaire au lit. Placez ensuite des coussinets en mousse dans la région temporale bilatérale de la tête pour empêcher les mouvements de la tête et prévoyez des bouchons d’oreille pour réduire le bruit du scanner.
3. Demandez au participant de s’allonger au repos, de garder les yeux fermés sans s’endormir et de ne penser à rien en particulier pendant le balayage.
4. Ajustez la position de la tête du participant à l’aide de la lumière de positionnement. Assurez-vous que le curseur de positionnement de l’axe est parallèle au canthus latéral et que le curseur de positionnement sagittal coïncide avec la ligne médiane du visage. Ensuite, déplacez le lit pour que le curseur de positionnement de l’axe reste à 2 cm au-dessus ou en dessous des sourcils du participant.
5. Informez le participant du début de la session d’analyse. À l’aide de la console de balayage, lancez le balayage structurel d’alignement de piste pour déterminer la position de la tête des participants dans le scanner et permettre la planification des balayages structurels et fonctionnels ultérieurs.
6. Effectuez l’IRMf avec les séquences et paramètres suivants.
   1. Effectuer une IRM tridimensionnelle du volume cérébral (3D-BRAVO) avec les paramètres suivants : temps de répétition (TR)/temps d’écho (TE) = 8,5 ms/3,3 ms ; épaisseur = 1,0 mm ; pas d’écart d’intersection ; matrice d’acquisition = 256 x 256 ; champ de vision = 240 x 240 mm² ; et angle de retournement = 12°.
   2. Obtenez des images fonctionnelles à l’aide de l’imagerie par écho-plan de gradient dépendant du niveau d’oxygénation du sang (EPI-BOLD) avec les paramètres suivants : TR/TE = 2 000 ms/25 ms ; épaisseur = 3,0 mm ; écart = 1,2 mm ; matrice d’acquisition = 256 x 256 ; champ de vision = 240 x 240 mm² ; taille du voxel = 3,6 x 3,6 x 3,6 mm³ ; et 35 tranches axiales.
7. Gardez un œil sur l’état du participant pendant la durée de l’examen, demandez-lui de bouger le moins possible et arrêtez le balayage si le participant ressent une gêne.
8. Retirez le participant du scanner et demandez-lui de s’asseoir soigneusement à la fin de l’expérience.

3. Prétraitement des données et préparation du logiciel

REMARQUE : les images fonctionnelles analysées dans ce protocole sont prétraitées par SPM8 et la toolbox for Data Processing & Analysis for Brain Imaging (DPABI, http://rfmri.org/dpabi)⁹ basée sur MATLAB 2013a. Effectuez les étapes de prétraitement suivantes séparément pour chaque séance d’IRMf.

1. Ouvrez le logiciel DPABI dans le terminal MATLAB en cliquant sur dpabi, puis choisissez DPARSF 4.3 Advanced Edition et importez le dossier « FunRaw » (Figure 1).
   REMARQUE : Le dossier FunRaw contient le fichier DICOM de chaque participant.
2. Cliquez sur FunRaw pour importer les fichiers de numérisation IRMf dans DPABI avec un schéma de numérotation cohérent (par exemple, « sub0001 », « sub0002 », etc.). Sélectionnez le répertoire de travail et les répertoires EPI et T1 initiaux et continuez à sélectionner tous les paramètres souhaités aux étapes 3.3 à 3.9 avant de cliquer sur Exécuter au chapitre 4.
3. Entrez les paramètres : Points de synchronisation = 240 et TR = 2 (Figure 2). Sélectionnez EPI DICOM to NIFTI pour convertir les images fonctionnelles du format DICOM au format NIFTI et supprimez les 10 premiers volumes de chaque image de fonction.
4. Cochez les cases Slice Timing et Realign dans le logiciel DPABI pour corriger les 230 volumes restants d’images fonctionnelles dépendantes du niveau d’oxygénation du sang pour les effets de synchronisation de tranche et le mouvement de la tête corrigé.
   REMARQUE : Pour les mouvements de la tête, les données des participants dont le mouvement de la tête est de >2 mm ou la rotation de >2° pendant le balayage doivent être exclues. Pour l’ordre des tranches, la séquence des nombres dans le vecteur est l’ordre temporel d’acquisition de ces couches. Le numéro de tranche sélectionné est 40, l’ordre des tranches est [1:2:39,2:2,40] et la tranche de référence est 39.
5. Sélectionnez Normaliser par DARTEL avec le logiciel DPABI.
   REMARQUE : En sélectionnant cette option, le logiciel effectuera automatiquement la normalisation spatiale à l’aide d’images structurelles individuelles pondérées en T1 enregistrées dans les données IRMf moyennes. Les images alignées pondérées T1 qui en résultent sont segmentées à l’aide de la boîte à outils DARTEL pour une meilleure précision spatiale lors de la normalisation des données IRMf. Les données normalisées (dans l’espace 152 de l’Institut neurologique de Montréal [INM]) sont redécoupées à une résolution de 3 x 3 x 3 mm³.
6. Supprimez la tendance linéaire en sélectionnant Supprimer la tendance dans le logiciel DPABI.
7. Cochez la case Régression des covariables nuisibles et sélectionnez les paramètres suivants : modèle de mouvement de la tête, signal de substance blanche, signal moyen global et signal de liquide céphalo-rachidien.
8. Cochez la case Scrubbing pour supprimer les points temporels défectueux dus au mouvement de la tête dans le logiciel DPABI.
9. Conservez les signaux entre 0,01 et 0,08 Hz en cochant la case Filtre [0,01-0,08] dans le logiciel DPABI pour supprimer le bruit physiologique à haute fréquence et la dérive des basses fréquences.
   REMARQUE : Après la préparation des données, des analyses ReHo et FC peuvent être effectuées.

4. Analyse ReHo et FC

1. Pour le calcul ReHo, ouvrez le logiciel DAPABI via MATLAB et sélectionnez 27 voxels dans le cluster. Faites un clic gauche sur ReHo et lissez [6*6*6], puis sélectionnez Exécuter.
   REMARQUE : Un coefficient de concordance de Kendall est attribué à un voxel donné en calculant le coefficient de concordance de Kendall des séries temporelles de 27 voxels et de leurs voisins les plus proches. Pour réduire l’influence des variations individuelles sur les comparaisons statistiques entre groupes, les cartes ReHo de chaque voxel sont transformées en z à l’aide de la transformation r à z de Fisher. Les cartes z ReHo restantes sont lissées spatialement à l’aide d’un noyau gaussien de 6*6*6 pleine largeur à la moitié maximum.
2. Pour le calcul FC, ouvrez le logiciel DAPABI via MATLAB et définissez les régions cérébrales ReHo modifiées entre les deux groupes en tant que régions d’intérêt (ROI). Cliquez sur Connectivité fonctionnelle et définissez le retour sur investissement (centré à x = 0, y = -69 et z = -3 avec un rayon = 10 mm), puis sélectionnez Exécuter.
   REMARQUE : Une analyse de corrélation de l’évolution temporelle de chaque participant est effectuée entre la région de la graine sphérique et les voxels du cerveau entier. Toutes les cartes FC sont transformées en z par la transformation r à z de Fisher afin de réduire l’influence des variations individuelles sur la comparaison statistique entre les groupes. Le rayon des zones d’intérêt autour des coordonnées doit être de 10 mm (X = 0, Y = -69, Z = -3).

5. Analyse statistique

1. Recherchez les dossiers nommés ReHo et FC après avoir traité les données de fichier appropriées. Triez les fichiers de zReHo.nii et zFC.nii, en les classant dans quatre sous-dossiers : « RP-group-ReHo », « HC-group-ReHo », « RP-group-FC » et « HC-group-FC ».
2. Ouvrez DPABI via MATLAB pour effectuer un test t d’un échantillon.
   1. Cliquez avec le bouton gauche sur Analyse statistique, puis cliquez sur Test t à un échantillon. Nommez le résultat de sortie « one-sample-t-test-RP » et définissez le répertoire de sortie.
   2. Faites un clic gauche sur Ajouter des images de groupe et ouvrez le sous-dossier « RP-group-ReHo ».
   3. Dans l’option Fichier de masque , cliquez avec le bouton gauche de la souris pour ouvrir le sous-fichier « BrainMask-05-61*73*61 » dans le dossier « mask ».
   4. Sélectionnez Calcul pour exécuter le programme. Effectuez cette même procédure pour le groupe « one-sample-t-test-HC ».
      REMARQUE : Le test t à un échantillon est utilisé pour analyser et afficher les cartes ReHo moyennes de chaque groupe dans le logiciel DPABI.
3. Ouvrez DPABI via MATLAB pour effectuer un test t à deux échantillons.
   1. Cliquez avec le bouton gauche de la souris sur Analyse statistique, puis sélectionnez Test t à deux échantillons. Nommez le résultat de sortie « two-sample-t-test-ReHo » et définissez le répertoire de sortie.
   2. Faites un clic gauche sur Ajouter des images de groupe et ouvrez les sous-dossiers « RP-group-ReHo » et « HC-group-ReHo ».
   3. Dans l’option Fichier de masque , cliquez avec le bouton gauche de la souris pour ouvrir le sous-fichier « BrainMask-05-61*73*61 » dans le dossier « mask ».
   4. Sélectionnez Calcul pour exécuter le programme. Effectuez cette même procédure pour le « two-sample-t-test-FC ». Cliquez sur Analyse statistique et correction de champ aléatoire gaussien (GRF) [bilatéral, niveau voxel (0,01) et niveau voxel (0,05)] , puis cliquez sur Exécuter.
      REMARQUE : Les différences entre les groupes de cartes zReHo et de cartes zFC sont comparées par deux exemples de tests t. Le GRF est utilisé pour corriger les comparaisons multiples et les covariables régressives de l’âge et du sexe avec le logiciel DPABI.
4. Utilisez le logiciel BrainNet Viewer (https://www.nitrc.org/projects/bnv/) pour afficher les résultats.
   1. Ouvrez BrainNet via MATLAB et cliquez sur Load file. Pour les fichiers Surface, cliquez sur Parcourir et sélectionnez BrainMesh-ICBM152-smoothed.nv, puis cliquez sur OK ; pour les fichiers de volume, sélectionnez spm-T.nii (y compris les résultats ReHo et FC), puis cliquez sur OK.
5. Utilisez un logiciel statistique pour traiter les données obtenues à l’étape précédente.
   REMARQUE : Le test du chi carré est utilisé pour les comparaisons entre les sexes, tandis que les tests t sur échantillons indépendants sont utilisés pour d’autres variables cliniques. Les variables continues sont représentées par des moyennes et des écarts-types.
6. Effectuez une analyse des coefficients de corrélation de Pearson pour identifier les relations entre les valeurs zReHo et les valeurs zFC de différentes régions du cerveau et les données de mesures visuelles à l’aide d’un logiciel statistique.
   1. Obtenez des signaux de retour sur investissement des valeurs zReHo et des valeurs zFC chez chaque participant par le logiciel DPABI. Cliquez sur Extracteur de signaux ROI et Ajouter un répertoire avec le fichier ROI mask.nii.
      REMARQUE : Des valeurs P de <0,05 doivent être considérées comme statistiquement significatives.

Results

Dans notre étude, 16 individus RP et 14 témoins en bonne santé étroitement appariés en termes d’âge, de sexe et d’éducation ont subi des IRMf à l’état de repos. Les méthodes ReHo et FC ont été utilisées pour explorer l’activité neuronale intra et intersynchrone chez les individus RP. Des différences significatives de MAVC ont été observées entre l’œil droit (P < 0,001) et l’œil gauche (P < 0,001), mais la différence de sexe, d’âge ou de poids entre les groupes n’était pas significative.

...

Discussion

Ce rapport décrit un protocole de calcul des valeurs ReHo et FC pour les groupes RP et HC et a montré des valeurs ReHo et FC significativement différentes entre les deux groupes. Notamment, une étape importante de ce processus est la classification et le criblage des échantillons avant l’expérience. Lorsque nous avons appliqué ce protocole pour notre propre analyse, tous les sujets RP ont été diagnostiqués par deux ophtalmologistes expérimentés. Nous avons exclu les patients atteints d’a...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Logiciel BrainNet Viewer	National Key Laboratory of Cognition Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer est un outil de visualisation de réseau cérébral pour visualiser les modèles de connectivité structurelle et fonctionnelle
Logiciel DPABI	Institut de psychologie, CAS, Pékin, Chine	DPABI 4.3	DPABI est une boîte à outils pour le traitement et l’analyse des données d’imagerie cérébrale.
MATLAB	MathWorks, Natick, MA, États-Unis	2013a	MATLAB est un langage de calcul technique de haut niveau et un environnement interactif pour le développement d’algorithmes, la visualisation de données, l’analyse de données et le calcul numérique.
Scanner IRM	GE Healthcare, Milwaukee	Logiciel MRI 3.0
SPM	Wellcome Centre for Human Neuroimaging, UCL	SPM8	SPM8 est une mise à jour majeure du logiciel SPM, contenant des améliorations théoriques, algorithmiques, structurelles et d’interface substantielles par rapport aux versions précédentes.
SPSS	IBM, Chicago, Illinois, États-Unis La	logicielle SPSS version 20.0	offre une analyse statistique avancée, une analyse de texte, une extensibilité open source, une intégration avec le Big Data et un déploiement transparent dans les applications.