Name: Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal (Vidéo) | JoVE Journal
Uploaded: 2014-08-05T14:00:00.000+00:00
Duration: 12 min 9 s
Description: Découvrez l'analyse de la connectivité fonctionnelle IRM pour étudier le réseau de la mode par défaut dans l'épilepsie du lobe temporal. Cette méthode permet de comparer les réseaux cérébraux entre patients et témoins sains.

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

Le financement de cette recherche a été fourni par l&#39;Epilepsy Foundation of America, Baylor College of Medicine informatique et intégrative Biomedical Research Center (CIBR) Seed Grant Prix (ZH), NIH-NINDS K23 Grant NS044936 (JMS); . et La Fondation de la famille Leff (JMS) acquisition des données a été assisté par: Elizabeth Pierce (UCLA).

1. Sujets <ol><li> La population de l&#39;étude de 36 sujets comprend 3 groupes: droit TLE (n = 11), à gauche TLE (n = 12), et les contrôles sains (n ​​= 13). Obtenir le consentement éclairé de tous les sujets. L&#39;étude suit les lignes directrices de l&#39;Université de Californie, Los Angeles (UCLA) Institutional Review Board. </li><li> Les groupes de matières d&#39;épilepsie devraient être patients qui sont candidats à la résection du lobe temporal antérieur tel que déterminé par vidéo-EEG surveillance, l&#39;IRM cérébrale, l&#39;imagerie TEP, et des tests neuropsychologiques. Les patients doivent poursuivre leurs médicaments habituels pendant le balayage IRMf et ne doivent pas être numérisée immédiatement après une crise. Assurez-vous que tous les sujets ont IRM cérébrales normales et sont exempts de maladie neurologique (autres que l&#39;épilepsie chez les groupes de patients) ou utilisent des médicaments neurologiques. </li></ol> 2. Imaging <ol><li> Utilisez un système à 3 Tesla IRM pour l&#39;imagerie. Obtenir des tranches axiales pour des images fonctionnelles en utilisant un plan imagerie échotion (PEV) et la séquence des images anatomiques en utilisant un gradient gâté rappelé (SPGR) séquence. </li><li> Effectuez l&#39;imagerie fonctionnelle en utilisant les paramètres suivants: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, matrice = 64 x 64, épaisseur de la tranche 4 mm, 34 tranches. Utilisez les paramètres suivants pour l&#39;imagerie structurelle haute résolution: TR = 20 ms, TE = 3 ms, FOV = 256 mm, matrice = 256 x 256, l&#39;épaisseur de la tranche de 1 mm, 160 tranches. </li><li> Chaque session d&#39;imagerie devrait durer 20 minutes. Demandez aux participants de se détendre avec les yeux fermés. Aucune entrée auditive particulière n&#39;est requise. </li></ol> 3. Prétraitement des données BOLD <ol><li> Prétraiter les données d&#39;IRMf utilisant FLS (fMRIB Software Library) version 4.1.6 (Oxford, Royaume-Uni, www.fmrib.ox.ac.uk / FLS) 13,14. Étapes de prétraitement devraient inclure les éléments suivants: utilisation FSL MCFLIRT pour supprimer le mouvement de la tête artefact 15. Utilisez BET FLS pour enlever le tissu nonbrain 16 avec l&#39;option BET-F pour les fichiers BOLD. Cela permet un terme fdes étapes d&#39;analyse d&#39;utres sur le tissu cérébral seul. </li><li> En FEAT, exécutez une analyse peu transformés à l&#39;enregistrement. Sélectionnez &quot;analyse de premier niveau&quot; et changer &quot;analyse complète&quot; à &quot;Pre-stats&quot; des deux boutons du haut. <ol><li> Sous l&#39;onglet Pré-stats, décochez la case &quot;extraction BET de cerveau&quot; et sélectionnez &quot;Aucun&quot; pour &quot;correction Motion&quot; (que ceux-ci avaient déjà été faites ci-dessus). Enregistrez les images (en gras) fonctionnels pour la anatomique (SPGR) images, puis à un niveau d&#39;image (INM). Cela se traduit par la génération de matrices de transformation, qui sont utilisés par la suite au cours de l&#39;analyse pour déformer les graines sélectionnées dans l&#39;espace standard dans l&#39;espace du cerveau du sujet. </li></ol></li><li> Utilisez la matrice de transformation généré (nommé &quot;standard2example_func.mat&quot;) et transformer CSF et blanc ROI de la matière dans l&#39;espace BOLD individu. <ol><li> Extrait de la série chronologique de la CSF et blanc ROI de la matière à l&#39;aide de la commande fslmeants,en utilisant la ROI dans l&#39;espace de l&#39;objet individuel en tant que masque. Normaliser la série chronologique extraite à l&#39;aide du logiciel &quot;R&quot;. Ces séries sont utilisées comme variables explicatives dans le GLM plus tard pour éliminer les signaux d&#39;artefact correspondant de l&#39;analyse. </li></ol></li><li> La prochaine étape est la suppression de mouvement des artefacts liés en question. Pour la régression des paramètres de mouvement, définir les paramètres suivants dans FLS FEAT avant de l&#39;exécuter. <ol><li> Dans l&#39;onglet de données, utilisez la motion corrigée et le fichier de cerveau extrait comme entrées, définissez la valeur de TR pour correspondre à votre ensemble de données. Réglez filtrage passe-haut en utilisant un filtre de 100 sec. Le filtre passe-haut supprime les signaux sans intérêt, qui sont de très basse fréquence. Un filtre passe-bas pour éliminer des signaux haute fréquence est appliqué plus tard à l&#39;étape 4.1. </li><li> Dans l&#39;onglet Pré-stats, choisissez &quot;Aucun&quot; dans &quot;la correction de mouvement», comme il a déjà été fait. Décochez la case &quot;extraction BET de cerveau», comme il a déjà été fait. Effectuer un lissage spatiall&#39;aide d&#39;un 5 mm mi-hauteur sur toute la largeur (FWHM). </li><li> Dans l&#39;onglet Statistiques, régresser les 6 paramètres de mouvement et de leurs dérivées temporelles. Sélectionnez &quot;Aucun&quot; pour convolution et cochez la case &quot;Appliquer filtrage temporel.&quot; Utiliser la sortie de FLS MCFLIRT pour obtenir des fichiers de texte des paramètres de mouvement, qui peut être ensuite entrées dans le modèle d&#39;analyse de FEAT régresser ceux-ci dans un modèle linéaire général (GLM) </li><li> Ajoutez également le CSF et les signaux de la substance blanche qui ont été extraites et normalisées dans les étapes précédentes de la GLM. Sélectionnez &quot;Aucun&quot; pour convolution, ajouter dérivée temporelle, et décochez la case &quot;Appliquer filtrage temporel&quot;. </li></ol></li></ol> 4. Méthodes statistiques <ol><li> Les résidus de prétraitement décrit ci-dessus doivent être utilisés pour la corrélation à base de graines. Ces résidus doivent être transmis à travers un premier filtre passe-bas de 0,1 Hz, alors rabaissée en soustrayant la moyenne, en divisant par l&#39;écart type, puis mis à l&#39;échelle par l&#39;addition100. Graines doivent être définis avec un diamètre de 6 mm dans l&#39;espace INM norme en utilisant le logiciel MRICron. </li><li> Le postérieur et les graines antérieures doivent correspondre aux coordonnées suivantes: (1) Région Rsp / PCUn (x = 2, y = -60, z = 36) et (2) cortex préfrontal ventromédian (vmPFC; x = 3, y = 60, z = -1). Ces lieux de semences ont été définies dans les contrôles sains et sont transformés à l&#39;espace de l&#39;objet à l&#39;étape suivante 17-19. <ol><li> Les graines doivent ensuite être transformées en espace individuel fonctionnelle du cerveau de chaque sujet de l&#39;espace INM standard. Pour cela, utiliser la matrice de transformation généré ci-dessus (nommé &quot;standard2example_func.mat&quot;) pour transformer les graines de la norme (INM) à l&#39;espace fonctionnelle (BOLD) espace individuel. </li><li> Utilisez le fslmeants commande pour extraire la série chronologique de la déjà humilié et mis à l&#39;échelle résiduelle, en utilisant la graine dans l&#39;espace individuel de l&#39;objet comme un masque. Normaliser la série temporelle extraite en utilisant le software &quot;R&quot;. </li></ol></li><li> Les corrélations partielles entre les voxels de semences et tous les autres voxels du cerveau doivent être calculées séparément pour chaque sujet pour chaque course. Pour cela, dans le FEAT GUI FLS, sélectionnez &quot;analyse de premier niveau&quot;, puis &quot;Des chiffres et des Post-stats&quot;. Dans l&#39;onglet Données, la valeur résiduelle auparavant rabaissé et mise à l&#39;échelle doit être utilisée comme entrée dans FEAT. </li><li> Réglez la coupure du filtre passe haut à 10 000, comme le résidu est déjà élevé passée à 100 secondes. Dans l&#39;onglet Statistiques, désélectionner &quot;Utiliser pré-blanchir FILM&quot;, et utiliser la semence série de temps auparavant et extrait normalisé dans le GLM. Dans l&#39;onglet Post-stats, fixer le seuil Z-stat souhaitée à une valeur de 2,0. </li><li> Avant d&#39;exécuter l&#39;analyse de groupe combinant courses dans les sujets, Z de Fisher transformer doit être effectuée sur le fichier COPE (contraste des estimations des paramètres) généré à partir de l&#39;analyse de corrélation précédemment exécuté (étape 4.3). données d&#39;enregistrement de copie from le répertoire &quot;reg&quot; de l&#39;analyse de FEAT fait dans l&#39;étape 3.1 dans le terme de corrélation de l&#39;étape 4.3. </li><li> Exécutez une analyse de niveau supérieur en combinant courses au sein de chaque sujet. Pour cela, dans le FEAT GUI FLS, sélectionnez &quot;analyse de niveau supérieur&quot;, puis &quot;Des chiffres et des Post-stats&quot;. Dans l&#39;onglet &quot;Données&quot;, choisissez &quot;entrées des répertoires FEAT niveau inférieur&quot; et entrer les pistes de l&#39;objet de l&#39;étape 4.4. Dans l&#39;onglet &quot;Statistiques&quot;, choisissez &quot;effets mixtes: MCO simples&quot;. Mettre en place le modèle effet moyen; entrer la valeur de 1 pour chaque de la course de l&#39;objet. </li><li> Pour combiner des données sur pistes entre les sujets, un des moindres carrés ordinaires (MCO) simple analyse des effets mixtes doit être utilisé. Pour cela, dans le FEAT GUI FLS, choisissez &quot;analyse de niveau supérieur&quot;, et &quot;Des chiffres et des Post-stats&quot;. Dans l&#39;onglet Données, choisissez &quot;entrées des répertoires FEAT niveau inférieur&quot; et entrer les pistes combinées des sujets de l&#39;étape 4.5. </li><li> Dans l&#39;onglet Statistiques, choisissez «effets mixtes: MCO simples» «Mettre en place un modèle de 3 groupes; entrer la valeur de 1 pour le groupe chaque objet appartient, 0 sinon. analyse de groupe doit être effectuée sur chaque voxel en utilisant une ANOVA à trois niveaux qui correspondent aux trois groupes (à droite TLE, gauche TLE, et les contrôles sains). </li><li> Pour seuil des images statistiques Z utilisent groupe formant seuil de Z&gt; 2.0 et corrigées seuil grappe importante de p = 0,05 20. Pour obtenir les valeurs z correctes sur le plan de corrélation, Z d&#39;un revers Fisher transformer doit être effectuée sur les résultats. </li><li> Les contrastes spécifiques suivantes doivent être comparés (1) droit TLE&gt; contrôles; (2) à gauche TLE&gt; contrôles; (3) le droit TLE&gt; gauche TLE; (4) gauche TLE&gt; droit TLE; (5) Contrôle&gt; droit TLE; (6) commande&gt; à gauche TLE; (7) TLE (droit combiné et gauche)&gt; contrôle; et (7) commande&gt; TLE (droit combiné et gauche). </li></ol>

<ol><li>Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+MRI%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Functional connectivity in the motor cortex of resting human brain using echo-planar MRI.</a> Magn. Reson. Med. 34, 537-541 (1995).</li>
<li>Fox, M. D., Greicius, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+applications+of+resting+state+functional+connectivity%5BTitle%5D)+AND+%22Front.+Syst.+Neurosci%22%5BJournal%5D)">Clinical applications of resting state functional connectivity.</a> Front. Syst. Neurosci. 4, 1-13 (2010).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electroencephalographic+signatures+of+attentional+and+cognitive+default+modes+in+spontaneous+brain+activity+fluctuations+at+rest%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest.</a> Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).</li>
<li>Shmuel, A., Leopold, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+correlates+of+spontaneous+fluctuations+in+fMRI+signals+in+monkey+visual+cortex%3A+Implications+for+functional+connectivity+at+rest%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest.</a> Hum. Brain Mapp. 29, 751-761 (2008).</li>
<li>Margulies, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+developments%3A+a+review+of+fMRI+post-processing+methodologies+for+spontaneous+brain+activity%5BTitle%5D)+AND+%22Magn.+Mater.+Phys.+Biol%22%5BJournal%5D)">Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity.</a> Magn. Mater. Phys. Biol. 23, 289-307 (2010).</li>
<li>Biswal, B. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+discovery+science+of+human+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Toward discovery science of human brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).</li>
<li>Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+lateralized+temporal+lobe+epilepsy+on+the+default+mode+network%5BTitle%5D)+AND+%22Epilepsy+Behav%22%5BJournal%5D)">Effect of lateralized temporal lobe epilepsy on the default mode network.</a> Epilepsy Behav. 25, 350-357 (2012).</li>
<li>Pillai, J. J., Williams, H. T., Faro, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+imaging+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Semin.+Ultrasound.+CT+MR%22%5BJournal%5D)">Functional imaging in temporal lobe epilepsy.</a> Semin. Ultrasound. CT MR. 28, 437-450 (2007).</li>
<li>Blumenfeld, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Positive+and+negative+network+correlations+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Cereb.+Cortex%22%5BJournal%5D)">Positive and negative network correlations in temporal lobe epilepsy.</a> Cereb. Cortex. 14, 892-902 (2004).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nucl.+Med.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).</li>
<li>Fransson, P., Marrelec, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+precuneus%2Fposterior+cingulate+cortex+plays+a+pivotal+role+in+the+default+mode+network%3A+Evidence+from+a+partial+correlation+network+analysis%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis.</a> Neuroimage. 42, 1178-1184 (2008).</li>
<li>Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+brain%27s+default+network%5BTitle%5D)+AND+%22Ann.+N.+Y.+Acad.+Sci%22%5BJournal%5D)">The brain's default network.</a> Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).</li>
<li>Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+autocorrelation+in+univariate+linear+modeling+of+FMRI+data%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Temporal autocorrelation in univariate linear modeling of FMRI data.</a> Neuroimage. 14, 1370-1386 (2001).</li>
<li>Forman, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+assessment+of+significant+activation+in+functional+magnetic+resonance+imaging+%28fMRI%29%3A+use+of+a+cluster+size+threshold%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold.</a> Magn. Reson. Med. 33, 636-647 (1995).</li>
<li>Jenkinson, M., Bannister, P., Brady, M., Smith, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+optimization+for+the+robust+and+accurate+linear+registration+and+motion+correction+of+brain+images%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Improved optimization for the robust and accurate linear registration and motion correction of brain images.</a> Neuroimage. 17, 825-841 (2002).</li>
<li>Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+robust+automated+brain+extraction%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Fast robust automated brain extraction.</a> Hum. Brain Mapp. 17, 143-155 (2002).</li>
<li>Raichle, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+default+mode+of+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">A default mode of brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).</li>
<li>Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+of+default+mode+network+components%3A+correlation%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Functional connectivity of default mode network components: correlation.</a> Hum. Brain Mapp. 30, 625-637 (2009).</li>
<li>Singh, K. D., Fawcett, I. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transient+and+linearly+graded+deactivation+of+the+human+default-mode+network+by+a+visual+detection+task%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Transient and linearly graded deactivation of the human default-mode network by a visual detection task.</a> Neuroimage. 41, 100-112 (2008).</li>
<li>Worsley, K. J., Evans, A., Marrett, S., Neelin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+three-dimensional+statistical+analysis+for+CBF+activation+studies+in+human+brain%5BTitle%5D)+AND+%22J.+Cereb.+Blood+Flow+Metab%22%5BJournal%5D)">A three-dimensional statistical analysis for CBF activation studies in human brain.</a> J. Cereb. Blood Flow Metab. 12, 900-918 (1992).</li>
<li>Spencer, S. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+networks+in+human+epilepsy%3A+evidence+of+and+implications+for+treatment%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Neural networks in human epilepsy: evidence of and implications for treatment.</a> Epilepsia. 43, 219-227 (2002).</li>
<li>Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default-mode+network+activity+distinguishes+Alzheimer%27s+disease+from+healthy+aging%3A+evidence+from+functional+MRI%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI.</a> Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).</li>
<li>Kennedy, D. P., Redcay, E., Courchesne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Failing+to+deactivate%3A+resting+functional+abnormalities+in+autism%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Failing to deactivate: resting functional abnormalities in autism.</a> Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).</li>
<li>Garrity, A. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+%26%2334%3Bdefault+mode%26%2334%3B+functional+connectivity+in+schizophrenia%5BTitle%5D)+AND+%22Am.+J.+Psychiatry%22%5BJournal%5D)">Aberrant &#34;default mode&#34; functional connectivity in schizophrenia.</a> Am. J. Psychiatry. 164, 450-457 (2007).</li>
<li>Mannell, M. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+state+and+task-induced+deactivation%3A+A+methodological+comparison+in+patients+with+schizophrenia+and+healthy+controls%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls.</a> Hum. Brain Mapp. 31, 424-437 (2010).</li>
<li>Jones, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age-related+changes+in+the+default+mode+network+are+more+advanced+in+Alzheimer+disease%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Age-related changes in the default mode network are more advanced in Alzheimer disease.</a> Neurology. 77, 1524-1531 (2011).</li>
<li>Kobayashi, Y., Amaral, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Macaque+monkey+retrosplenial+cortex+II.+Cortical+afferents%5BTitle%5D)+AND+%22J.+Comp.+Neurol%22%5BJournal%5D)">Macaque monkey retrosplenial cortex II. Cortical afferents.</a> J. Comp. Neurol. 466, 48-79 (2003).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nuclear+Med.+Mol.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+lobe+interictal+epileptic+discharges+affect+cerebral+activity+in+%E2%80%9Cdefault+mode%E2%80%9D+brain+regions%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions.</a> Hum. Brain Mapp. 28, 1023-1032 (2007).</li>
<li>Morgan, V. L., Gore, J. C., Abou-Khalil, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+epileptic+network+in+left+mesial+temporal+lobe+epilepsy+detected+using+resting+fMRI%5BTitle%5D)+AND+%22Epilepsy+Res%22%5BJournal%5D)">Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI.</a> Epilepsy Res. 88, 168-178 (2010).</li>
<li>Gotman, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generalized+epileptic+discharges+show+thalamocortical+activation+and+suspension+of+the+default+state+of+the+brain%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain.</a> Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).</li>
<li>Hamandi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-fMRI+of+idiopathic+and+secondarily+generalized+epilepsies%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">EEG-fMRI of idiopathic and secondarily generalized epilepsies.</a> Neuroimage. 31, 1700-1710 (2006).</li>
<li>Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Patterns+of+altered+functional+connectivity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Patterns of altered functional connectivity in mesial temporal lobe epilepsy.</a> Epilepsia. 53, 1013-1023 (2012).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+abnormalities+in+mesial+temporal+lobe+epilepsy%3A+a+study+combining+fMRI+and+DTI%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI.</a> Hum. Brain Mapp. 32, 883-895 (2011).</li>
<li>Pereira, F. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Asymmetrical+hippocampal+connectivity+in+mesial+temporal+lobe+epilepsy%3A+evidence+from+resting+state+fMRI%5BTitle%5D)+AND+%22BMC+Neurosci%22%5BJournal%5D)">Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI.</a> BMC Neurosci. 11, 1-13 (2010).</li>
<li>Dupont, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bilateral+hemispheric+alteration+of+memory+processes+in+right+medial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22J.+Neurol.+Neurosurg.+Psychiatr%22%5BJournal%5D)">Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy.</a> J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).</li>
<li>Vlooswijk, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+MRI+in+chronic+epilepsy%3A+associations+with+cognitive+impairment%5BTitle%5D)+AND+%22Lancet+Neurol%22%5BJournal%5D)">Functional MRI in chronic epilepsy: associations with cognitive impairment.</a> Lancet Neurol. 9, 1018-1027 (2010).</li>
<li>McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+connectivity+indicates+episodic+memory+capacity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy.</a> Epilepsia. 54, (2013).</li>
<li>Zhang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+spontaneous+neuronal+activity+of+the+default-mode+network+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy.</a> Brain Res. 1323, 152-160 (2010).</li>
<li>Horovitz, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoupling+of+the+brain%27s+default+mode+network+during+deep+sleep%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Decoupling of the brain's default mode network during deep sleep.</a> Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).</li>
<li>Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+local+coherence+in+the+default+mode+network+due+to+sevoflurane+anesthesia%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered local coherence in the default mode network due to sevoflurane anesthesia.</a> Brain Res. 1318, 110-121 (2010).</li>
</ol>

Dr Engel est financé par des subventions du NIH NS02808 P01, R01 NS33310 et U01 NS42372, a brevets WO 2009/123734A1, et WO 2009/123735A1, reçoit des redevances d&#39;MedLink, Wolters Kluwer, Blackwell, Elsevier et, et a reçu des honoraires de Medtronic , Wolters Kluwer, et Best Doctors. M. Stern a servi comme consultant rémunéré pour UCB et Lundbeck. Dr Stern est un éditeur de MedLink neurologie, et a reçu des redevances de Wolters Kluwer et de McGraw-Hill. Les autres auteurs n&#39;ont aucune divulgation des conflits d&#39;intérêts à déclarer.

L&#39;épilepsie est considérée comme une maladie de réseau, et des anomalies des réseaux impliqués sont présents pendant les crises et à l&#39;état intercritique 21. IRMf à base de tâche a été utilisé pour analyser les anomalies de la langue et des réseaux de mémoire en 8 TLE. FcMRI présente des avantages inhérents à l&#39;étude de la DMN 12 qui est un réseau principalement actif dans l&#39;état de repos. La DMN est un réseau de régions du cerveau qui a été trouvé à être actif chez les i...

Fonctionnelle Connectivité IRM (fcMRI) est une approche relativement récente analytique de données IRMf qui quantifie la relation entre les différentes régions du cerveau en fonction de la similitude de leur niveau d&#39;oxygénation du sang (BOLD) signal de série de temps - c&#39;est ce qu&#39;on appelle la connectivité «fonctionnelle», et est distingue de la connectivité anatomique qui décrit l&#39;existence de connexions physiques entre les régions (par exemple, les fibres de la substance blanche). Dans une application particulière de cette approche, les séries chronologiques sont collectées lorsque le participant n&#39;est pas engagé dans une tâche ou est dans le soi-disant &quot;état de repos&quot;. Bien que décrite pour la première en 1995 1, il a été un immense intérêt dans fcMRI résultant dans environ 1000 publications liées à la technique en 2012. FcMRI présente des avantages intrinsèques sur IRMf basée sur les tâches dans (1) qu&#39;il n&#39;y a pas une tâche spécifique à accomplir, ( 2) l&#39;objet de la coopération estpas nécessaire, (3) ensembles de données peuvent être utilisées pour interroger plusieurs réseaux différents, (4) un meilleur rapport signal sur bruit est présent probablement dû à des différences dans l&#39;énergétique cérébrales impliquées, et (5) le contournement des facteurs de confusion liés à la tâche 2. En tant que preuve de son concept, fcMRI changements se sont avérés correspondre à des changements dans 3 EEG et des potentiels de champ local 4 dans le cerveau. Techniques d&#39;analyse fcMRI comprennent / techniques de ROI à base de graines, analyse en composantes indépendantes (ICA), l&#39;analyse de la théorie des graphes, Granger analyse de causalité, les méthodes locales (amplitude des variations de basse fréquence, analyse régionale de l&#39;homogénéité), et d&#39;autres 5. Aucune technique n&#39;a encore démontré une nette supériorité sur l&#39;autre, bien que les méthodes les plus populaires sont à base de graines et méthodes ICA 6. À base de graines fcMRI corrélation fluctuations temporelles de signal BOLD d&#39;une partie présélectionnée du réseau putatif à l&#39;étude appelle la «semence1; ou &quot;région d&#39;intérêt (ROI)&quot; à toutes les autres parties du cerveau. Zones du cerveau montrant BOLD signal de corrélation à la zone de semences sont pensés pour délimiter les parties du réseau concernées. En revanche, l&#39;ICA utilise une analyse fondée sur les données sans modèle pour extraire les zones du cerveau spatio-temporellement corrélées (composants indépendants, CI) en analysant les caractéristiques des signaux hémodynamiques de l&#39;ensemble du cerveau 5. Dans le manuscrit actuel, une description des méthodes utilisées dans une étude publiée précédemment de repos état ​​à base de graines analyse de la connectivité de la DMN dans TLE est présenté 7. TLE est la forme la plus courante d&#39;épilepsie adulte. En plus de crises, TLE provoque un dysfonctionnement de plusieurs réseaux du cerveau, y compris la mémoire, le comportement, la pensée, et la fonction sensorielle 8. La DMN est constitué par régions cérébrales subserving conscient, l&#39;état de repos de la cognition. La DMN a été signalé à être impliqués dans les convulsions associées avec consc réduiteiousness 9,10. En outre, l&#39;hippocampe est la structure clé impliquée dans TLE et a été pensé pour être le composant de la DMN. Cependant, la connectivité du PCC de la formation hippocampique est plus faible que d&#39;autres composants de DMN, telles que le cortex préfrontal médian et pariétales inférieures. Ceci suggère que l&#39;hippocampe est soit un sous-réseau de l&#39;une ou DMN 11,12 de réseau interactif. Ces points communs entre TLE et DMN soulèvent la possibilité que DMN connectivité fonctionnelle est altérée dans TLE. Cette analyse compare le DMN des sujets avec TLE à des témoins sains afin de mieux comprendre l&#39;implication de DMN dans TLE. La connectivité des graines placées dans les principaux centres de la DMN - les régions de moyeu antérieures et postérieures ont été analysés 12. Les graines ont été placées dans le moyeu postérieur constitué par le retrosplenium / precuneus (Rsp / PCUn) ainsi que le moyeu antérieur constitué par le cortex préfrontal ventro-médian (vmPFC) chez les patients ayant des TLE et ensaine contrôle pour identifier les postérieures et antérieures sous-réseaux de la DMN.

<table><tbody><tr><td>Poste de travail Linux de l’appareil</td> d’IRM avec logiciel d’analyse d’images installé <td></td><td></td><td></td></tr><tr><td></td><td></td><td></td><td></td></tr></tbody></table>

analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle irm en épilepsie du lobe temporal

Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

Connectivité IRM fonctionnelle (fcMRI) est une méthode IRMf qui examine la connectivité des différentes zones du cerveau basé sur la corrélation des fluctuations du signal BOLD dans le temps. Épilepsie du lobe temporal (ELT) est la forme la plus courante d&#39;épilepsie adulte et implique des réseaux cérébraux multiples. Le réseau du mode par défaut (DMN) est impliqué dans conscient, repos cognition de l&#39;Etat et est pensé pour être affectés dans TLE où les crises provoquent troubles de la conscience. La DMN dans l&#39;épilepsie a été examinée à l&#39;aide de semences à base fcMRI. Les antérieurs et postérieurs pôles de la DMN ont été utilisés comme semences dans cette analyse. Les résultats montrent une déconnexion entre la partie antérieure et moyeux postérieurs de la DMN dans TLE pendant l&#39;état basal. En outre, l&#39;augmentation de la connectivité de DMN à d&#39;autres régions du cerveau à gauche TLE avec diminution de la connectivité en droit TLE est révélé. L&#39;analyse montre comment fcMRI à base de graines peuvent être utilisées pour sonder les réseaux cérébraux dans les troubles du cerveau comme la TLE.

La figure 1 montre la DMN a révélé avec une connectivité d&#39;une graine postérieure (RSP / PCUn, couleurs rouge-jaune) et une graine antérieure (vmPFC, couleurs bleu-vert) et compare les réseaux trouvés dans les différents groupes de matières (figures 1A-C) et entre eux, à savoir les contrôles sains par rapport à tous les patients atteints TLE (figures 1D et 1E), puis les témoins sains comparés séparément à TLE gauche (figures 1F et <...

Le Réseau de Mode par défaut (DMN) en épilepsie du lobe temporal (ELT) est analysé à l&#39;état de repos du cerveau en utilisant la connectivité fonctionnelle à base de graines IRM (fcMRI).

Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal ...

L'objectif général de l'expérience suivante est d'obtenir des cartes statistiques permettant de comparer les différences entre les examens IRMf à l'état de repos de sujets témoins sains et de patients épileptiques. Ceci est réalisé en recueillant des données d'IRMf chez des sujets atteints d'épilepsie du lobe temporal, ainsi que chez des sujets témoins sains.En second lieu, l'IRMf est prétraitée, ce qui prépare les données à une analyse statistique. Ensuite, les données d'IRMf prétraitées sont analysées afin d'obtenir des comparaisons statistiquement valides entre les deux groupes. Les résultats obtenus montrent des différences dans les réseaux cérébraux chez les patients épileptiques par rapport aux réseaux cérébraux des sujets témoins sains.Sur la base des différences statistiques observées dans les cartes des réseaux cérébraux entre ces deux groupes, il est devenu de plus en plus évident que même les épilepsies se manifestant par des crises focales sont des propriétés émergentes de troubles diffus au niveau des réseaux. L'idée de cette technique est née après avoir reconnu l'importance du réseau DEF Favo pendant les crises, et en se demandant si le réseau par défaut LO est anormal entre les crises dans l'épilepsie du lobe temporal. La population étudiée pour ce protocole doit inclure trois groupes, n'est-ce pas ?Patients atteints d'épilepsie du lobe temporal, patients atteints d'épilepsie du lobe temporal gauche, ainsi que sujets témoins sains. Un total d'environ 35 sujets est recommandé. Les groupes de patients épileptiques doivent être composés de personnes diagnostiquées avec une épilepsie du lobe temporal, telles que les candidates à une résection antérieure du lobe temporal déterminée par une surveillance vidéo, une EEG, une imagerie par tomographie par émission de positons et des tests neuropsychologiques, assurant que tous les sujets présentent des IRM cérébrales normales et sont exempts de troubles neurologiques autres que l'épilepsie dans les groupes de patients.Obtenir l'approbation du comité d'éthique et le consentement éclairé écrit de tous les sujets avant l'imagerie et procéder au dépistage des contre-indications à l'IRM. Les patients doivent poursuivre leur traitement habituel pendant l'IRMf et ne doivent pas être examinés immédiatement après une crise. Un système d'IRM de 3 Tesla doit être utilisé pour toutes les imageries décrites dans ce protocole.Obtenez des coupes axiales pour les images fonctionnelles à l’aide d’une séquence d’imagerie en écho de spin planaire et pour les images anatomiques, utilisez une séquence de type gradient écho avec suppression du signal des tissus. Demandez aux participants de se détendre, de rester immobiles et de garder les yeux fermés, puis réalisez l’imagerie fonctionnelle en utilisant les paramètres indiqués ici. Utilisez également les paramètres suivants pour l’imagerie structurelle T1 à haute résolution avec séquence S PGR.Chaque séance d'imagerie devrait durer environ 20 minutes. Commencez par prétraiter les données d'IRMf à l'aide du logiciel FSL First. Utilisez FSL MFL pour éliminer les artefacts dus aux mouvements de la tête.Ensuite, utilisez l'outil d'extraction cérébrale FSL ou BET pour supprimer les tissus non cérébraux à l'aide de l'option -F pour les fichiers BOLD. Cela permet d'effectuer des étapes d'analyse supplémentaires uniquement sur le tissu cérébral. Ensuite, dans FEAT, exécutez une analyse avec un traitement minimal comprenant une registration.Sélectionnez l'analyse de premier niveau et modifiez l'analyse complète en « pré-stats » à l'aide des deux boutons supérieurs. Ensuite, sous l'onglet pré-stats, désactivez la case « bet brain extraction » et sélectionnez « aucune » pour la correction du mouvement, car celles-ci ont déjà été effectuées. Ensuite, enregistrez les images fonctionnelles sur les images anatomiques, puis sur une image standard MNI.Cela permet de générer des matrices de transformation, qui seront utilisées ultérieurement lors de l'analyse pour déformer la graine sélectionnée dans l'espace standard vers l'espace cérébral du sujet. Ensuite, utilisez la matrice de transformation générée, nommée standard_to_example_func.mat, pour transformer les régions d'intérêt (ROI) du LCR et de la substance blanche dans l'espace BOLD individuel. Puis, à l'aide de la commande FSL mean TS, extrayez les séries temporelles provenant des régions d'intérêt du LCR et de la substance blanche.À l'aide de la ROI dans l'espace individuel du sujet comme masque, normaliser les séries temporelles extraites à l'aide du logiciel R. Ces séries temporelles seront ultérieurement utilisées comme régresseurs dans le modèle linéaire général afin d'éliminer les signaux indésirables correspondants de l'analyse. L'étape suivante consiste à supprimer les artefacts liés aux mouvements du sujet. Pour la régression des paramètres de mouvement.Définissez les paramètres suivants dans FSL avant la première exécution, sous l'onglet données : utilisez le fichier corrigé pour les mouvements et extrait du crâne comme entrées, et réglez la valeur de TR en fonction de votre jeu de données. Appliquez un filtrage passe-haut à l’aide d’un filtre de 102e ordre, qui éliminera les signaux de très basse fréquence sans intérêt. Un filtre passe-bas destiné à supprimer les signaux à haute fréquence sera appliqué ultérieurement sous l’onglet pré-statistiques.Choisissez aucun sous la correction du mouvement et décochez cette option, mais conservez l'extraction du cerveau. Étant donné que ces étapes ont déjà été effectuées, appliquez un lissage spatial en utilisant une largeur à mi-hauteur de cinq millimètres. Ensuite, dans l'onglet stats, régressez les six paramètres de mouvement ainsi que leurs dérivées temporelles.Sélectionnez « none » pour la convolution et cochez « apply temporal filtering ». Utilisez la sortie de F selmic flirt pour obtenir des fichiers texte des paramètres de mouvement, qui peuvent ensuite être intégrés à l'analyse feet afin de les régresser dans un modèle linéaire généralisé. Ajoutez également les signaux de la substance blanche et du LCR qui ont été extraits et normalisés aux étapes précédentes au modèle linéaire généralisé (GLM).Sélectionnez « aucune » pour la convolution. Ajoutez la dérivée temporelle et décochez l'application du filtrage temporel. Les résidus du prétraitement décrit ci-dessus doivent être utilisés pour la corrélation basée sur une région d'intérêt (seed).Ces résidus doivent d'abord être filtrés par un filtre passe-bas de 0,1 hertz, puis centrés en soustrayant la moyenne, divisés par l'écart type, puis mis à l'échelle en ajoutant 100. Une graine doit être définie avec un diamètre de six millimètres. Dans l'espace MNI standard. À l'aide du logiciel MRI crown, les graines postérieure et antérieure doivent correspondre aux coordonnées indiquées ici.Notez que ces emplacements de graines ont été définis à partir de sujets témoins sains. Les graines doivent ensuite être transformées vers l'espace cérébral fonctionnel individuel de chaque sujet, à partir de l'espace MNI standard. Pour cela, utilisez la matrice de transformation précédemment générée afin de convertir la graine de l'espace MNI standard vers l'espace fonctionnel individuel.Ensuite, utilisez la commande FSL mean Ts pour extraire la série temporelle à partir du résidu précédemment centré et mis à l'échelle. Utilisez la graine dans l'espace du sujet individuel comme masque. Normalisez la série temporelle extraite à l'aide du logiciel R ; les corrélations partielles entre les voxels de la graine et tous les autres voxels cérébraux doivent être calculées séparément pour chaque sujet et pour chaque série.Pour cela, dans l'interface FSL feet, sélectionnez l'analyse de premier niveau, puis stats plus post-stats dans l'onglet données. Le résidu précédemment centré et mis à l'échelle doit être utilisé comme entrée. Réglez le seuil du filtre passe-haut à 10 000, car le résidu a déjà été filtré passe-haut à 100 secondes dans l'onglet stats.Désélectionnez l'option « use film pre whitening » et utilisez les séries temporelles de graines précédemment extraites et normalisées. Dans le modèle linéaire général (GLM), sous l'onglet post-stats, définissez le seuil de statistique Z souhaité à une valeur de 2,0 avant d'exécuter l'analyse de groupe. En combinant les acquisitions intra-sujets, une transformation Z de Fisher doit être effectuée sur le contraste des estimations de paramètres.Fichier généré à partir de l'analyse de corrélation, copiez les données d'enregistrement depuis le répertoire reg de l'analyse des pieds dans l'exécution de la corrélation. Effectuez une analyse de niveau supérieur en combinant les exécutions au sein de chaque sujet. Sélectionnez d'abord l'analyse de niveau supérieur, puis stats plus post stats.Ensuite, dans l'onglet données, sélectionnez les répertoires de niveau inférieur comme entrées et saisissez les séries du sujet dans l'onglet statistiques. Choisissez des effets mixtes. Réglez l'OLS simple pour établir un modèle correspondant à l'effet moyen et entrez une valeur de un pour chacune des séries des sujets.Pour combiner les données débordant entre les sujets, une analyse mixte simple des moindres carrés ordinaires doit être utilisée ; pour cela, choisissez l'analyse de niveau supérieur et stats plus post-stats dans l'onglet données. Sélectionnez les répertoires inférieurs comme entrées et saisissez les séries combinées des sujets dans l'onglet stats, puis choisissez effets mixtes. Configurez le modèle OLS simple en trois groupes en entrant une valeur de un pour le groupe.Chaque sujet appartient à zéro. Sinon, une analyse de groupe doit être effectuée sur chaque voxel en utilisant une ANOVA à un facteur avec trois niveaux, correspondant aux trois groupes, afin de procéder au seuillage. Les images de statistique Z utilisent un seuil de formation de grappes de Z supérieur à 2,0 et un seuil de significativité de grappe corrigé de P égal à 0,05 pour obtenir les valeurs Z correctes sur la carte de corrélation.Une transformation inverse de Fisher Z doit être effectuée sur les résultats. Enfin, utilisez les contrastes spécifiques suivants, tels qu’ils apparaissent à l’écran ici. Cette figure montre le réseau en mode par défaut révélé par la connectivité à partir d’une graine postérieure, incluant le rétrospinal et le précunéus en couleurs rouge jaune, et à partir d’une graine antérieure, incluant le cortex préfrontal médian ventral en couleurs bleu vert.La première ligne montre le réseau des sujets témoins, la deuxième ligne celui de l'épilepsie du lobe temporal gauche, et la dernière ligne celui de l'épilepsie du lobe temporal droit. Les figures suivantes comparent ces réseaux entre ces trois groupes. Ici, nous observons les réseaux du mode par défaut révélés à l'aide d'une graine antérieure et d'une graine postérieure pour l'ensemble des épilepsies des lobes temporaux droit et gauche comparé aux témoins sains.Cette figure montre les réseaux du mode par défaut révélés à l'aide des mêmes points-semailles pour l'épilepsie du lobe temporal gauche uniquement, comparée à des témoins sains. Alors que cette figure présente les réseaux révélés pour l'épilepsie du lobe temporal droit uniquement, comparée à des témoins sains, et enfin, ici, nous observons les réseaux du mode par défaut révélés à l'aide d'un point-semaille antérieur et d'un point-semaille postérieur pour l'épilepsie du lobe temporal gauche comparée à l'épilepsie du lobe temporal droit. Les études de connectivité fonctionnelle incluant l'ensemble du cerveau sont essentielles pour comprendre les mécanismes fondamentaux de l'épilepsie.Nous avons utilisé une technique basée sur une région d'intérêt dans cette expérience afin d'évaluer la connectivité avec le réseau par défaut. Il sera intéressant d'observer comment d'autres techniques se comparent en termes de résultats lors de l'étude de l'épilepsie du lobe temporal.

network-analysis-default-mode-network-using-functional-connectivity

Research

Recherche

JoVE Journal

Medicine

Médecine

Nous utilisons la magnétoencéphalographie (MEG) et l'électroencéphalographie (EEG) pour cartographier les zones du cerveau impliquées dans le traitement de simples stimuli sensoriels.

Cartographie fonctionnelle avec MEG et EEG simultanée

Dans cet article, nous examinons la méthodologie et les considérations pertinentes à la combinaison de TMS et de l'IRMf pour étudier les effets de la stimulation cérébrale sur le réseau par défaut.

Alliant la stimulation magnétique transcrânienne et l&#39;IRMf pour examiner le réseau en mode par défaut

Nous décrivons une nouvelle approche pour l'analyse simultanée des fonctions du cerveau et de la structure à l'aide imagerie par résonance magnétique (IRM). Nous évaluons la structure du cerveau à haute résolution imagerie de diffusion et tractographie de fibres de la substance blanche. Contrairement norme IRM structurelle, ces techniques nous permettent de relier directement la connectivité anatomique à propriétés fonctionnelles des réseaux cérébraux.

Co-analyse de la structure du cerveau et son fonctionnement en utilisant l&#39;IRMf et imagerie de diffusion

Source : Shafi, M. M., et al. Une méthode basée sur l’imagerie multimodale et la stimulation pour évaluer l’excitabilité cérébrale liée à la connectivité chez les patients atteints d’épilepsie. J. Vis. Exp. (2016)La vidéo montre la procédure d’utilisation de la stimulation magnétique transcrânienne (TMS) et de l’électroencéphalographie (EEG) pour évaluer l’excitabilité neuronale chez les patients atteints d’épilepsie. Il détaille les étapes à suivre pour aligner la tête du patient à l’aide d’un...

Évaluation de l’hyperexcitabilité cérébrale par stimulation magnétique transcrânienne et électroencéphalographie

Ce protocole décrit les techniques complémentaires de neuroimagerie de connectivité structurelle à l’état de repos, de désactivation induite par la tâche et d’analyses de connectivité structurelle pour examiner le réseau par défaut dans le trouble de stress post-traumatique. L’utilisation de méthodes synergiques pourrait potentiellement conduire à de meilleurs diagnostics et évaluations de la gravité, des résultats et d’autres facteurs cliniques pertinents.

Développer neuroimagerie phénotypes du défaut réseau mode dans le SSPT: Intégration de l&#39;état de repos, la mémoire de travail, et de la connectivité structurelle

L’IRM de connectivité fonctionnelle à l’état de repos a identifié des anomalies chez des patients atteints d’un large éventail de troubles neuropsychiatriques, y compris l’épilepsie due à des malformations du développement cortical. La stimulation magnétique transcrânienne en combinaison avec l’EEG peut démontrer que les patients atteints d’épilepsie ont une hyperexcitabilité corticale dans les régions où la connectivité est anormale.

Une méthode Multimodal Imaging- et basée Stimulation-de l&#39;évaluation de connectivité liés excitabilité cérébrale chez les patients atteints d&#39;épilepsie

Ce protocole décrit une procédure pour suivre l’évolution des mesures du réseau mésial chez les patients atteints d’épilepsie du lobe temporal (TLE). Il est basé sur la combinaison d’enregistrements intracrâniens avec une nouvelle technique numérique d’analyse de données. Plus précisément, nous présentons un protocole pour l’analyse en réseau des enregistrements de foramen ovales.

Analyse du réseau de foramen ovale électrodes Recordings en résistant aux médicaments épilepsies temporales patients

Un EEG-IRMf multimodal méthode, dite de la source EEG spatio-temporelle sont limitées IRMf imagerie méthode, l’imagerie est décrite ici. La méthode présentée emploie des cartes sous IRMf conditionnellement-active ou prieurs, pour guider la localisation des sources EEG d’une manière qui améliore la spécificité spatiale et limite des résultats erronés.

Simultanées EEG et IRM fonctionnelle enregistrement et analyse d’intégration pour l’imagerie dynamique activité corticale

Les techniques standard d'analyse de l'EEG offrent un aperçu limité de la fonction du système nerveux. La dérivation de modèles statistiques de connectivité corticale offre une capacité beaucoup plus grande d'étudier la dynamique du réseau sous-jacente. L'évaluation fonctionnelle améliorée ouvre de nouvelles possibilités pour le diagnostic, le pronostic, et la prévision de résultat dans les maladies de système nerveux.

Modélisation statistique de la connectivité corticale à l'aide d'électroencéphalogrammes non invasifs

Cet article détaille les procédures d’enregistrement simultanées d’électroencéphalogramme et d’imagerie par résonance magnétique fonctionnelle (EEG-IRMf) qui peuvent être utilisées dans des contextes cliniques et de recherche. Les procédures de traitement EEG pour retirer les artefacts d’imagerie pour examen clinique sont également incluses. Cette étude se concentre sur l’exemple de l’épilepsie pendant la période interictale.

Installation de l’équipement et retrait d’artefacts pour électroencéphalogramme simultané et imagerie par résonance magnétique fonctionnelle pour examen clinique dans l’épilepsie

Un nouveau protocole de stimulation magnétique transcrânienne personnalisée en combinaison avec la cartographie par électroencéphalographie (TMS-EEG) des réseaux corticaux, informé par plusieurs modalités de données d’imagerie par résonance magnétique (IRM).

TMS-EEG guidé par neuroimagerie pour la cartographie du réseau cortical en temps réel

Découvrez l'analyse de la connectivité fonctionnelle IRM pour étudier le réseau de la mode par défaut dans l'épilepsie du lobe temporal. Cette méthode permet de comparer les réseaux cérébraux entre patients et témoins sains.

Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal

Explorer plus de vidéos