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

L’objectif général de l’expérience suivante est d’obtenir des cartes statistiques. Comparaison de la différence d’IRMf à l’état de repos entre les témoins sains et les patients épileptiques. Ceci est réalisé en obtenant des données IRMf chez des sujets atteints d’épilepsie du lobe temporal, ainsi que chez des sujets témoins sains.

Dans un deuxième temps, l’IRMF est prétraité, ce qui prépare les données à analyser statistiquement. Ensuite, les données FMRI prétraitées sont analysées afin d’obtenir des comparaisons statistiquement valides entre les deux groupes. On obtient des résultats qui montrent des différences dans les réseaux cérébraux chez les patients épileptiques par rapport aux réseaux cérébraux de sujets témoins sains.

Sur la base des différences statistiques dans les cartes des réseaux cérébraux entre ces deux groupes, il est devenu de plus en plus évident que même les épilepsies qui se manifestent par des crises focales sont des propriétés émergentes de perturbations diffuses du réseau. L’idée de cette technique est venue après avoir reconnu l’importance du réseau DEF Favo pendant les crises et s’être demandé si le réseau LO par défaut n’était pas anormal entre les crises dans l’épilepsie du lobe temporal. La population étudiée pour ce protocole devrait inclure trois groupes, n’est-ce pas ?

Patients atteints d’épilepsie du lobe temporal, patients atteints d’épilepsie du lobe temporal gauche, ainsi que des témoins sains. Au total, environ 35 sujets sont recommandés. Les groupes de sujets épileptiques doivent être des patients diagnostiqués comme atteints d’épilepsie du lobe temporal, tels que les candidats à la résection du lobe temporal antérieur déterminée par vidéo, la surveillance EEG, l’imagerie TEP et les tests neuropsychologiques garantissent que tous les sujets ont des IRM cérébrales normales et sont exempts de maladie neurologique autre que l’épilepsie dans les groupes de patients.

Obtenir l’approbation de l’IRB et le consentement éclairé écrit de tous les sujets avant l’imagerie et le dépistage de l’IRM. Sécurité. Les patients doivent continuer à prendre leurs médicaments habituels pendant l’IRMf et ne doivent pas être scannés immédiatement après une crise. Un système d’IRM à trois Tesla doit être utilisé pour toutes les images décrites dans ce protocole.

Obtenez des coupes axiales pour les images fonctionnelles à l’aide d’une séquence d’imagerie écho planaire et pour les images anatomiques, utilisez une séquence de rappel de gradient gâté. Demandez aux participants de se détendre et de rester immobiles, les yeux fermés, et d’effectuer une imagerie fonctionnelle à l’aide des paramètres présentés ici. Utilisez également les paramètres suivants pour l’imagerie structurelle haute résolution pondérée S PGR T one.

Chaque séance d’imagerie devrait durer environ 20 minutes. Commencez par prétraiter les données FMRI à l’aide du logiciel FSL First. Utilisez FSL MFL pour supprimer l’artefact de mouvement de la tête.

Ensuite, utilisez l’outil d’extraction de cerveau FSL ou BET pour supprimer le tissu non cérébral avec l’option dash F pour les fichiers en gras. Cela permet d’effectuer d’autres étapes d’analyse sur le tissu cérébral seul. Ensuite, en pieds, exécutez une analyse minimalement traitée avec enregistrement.

Sélectionnez l’analyse de premier niveau et remplacez l’analyse complète par les pré-statistiques à partir des deux boutons supérieurs. Ensuite, sous l’onglet des statistiques principales, décochez l’extraction du cerveau de pari et sélectionnez aucun pour la correction de mouvement car ceux-ci ont déjà été effectués. Enregistrez ensuite les images fonctionnelles dans les images anatomiques, puis dans une image MNI standard.

Cela aboutit à la génération de matrices de transformation, qui sont utilisées plus tard au cours de l’analyse pour déformer la graine sélectionnée dans l’espace standard dans l’espace cérébral du sujet. Ensuite, utilisez la matrice de transformation générée nommée standard pour exemple le tapis de points funk et transformez les zones d’intérêt du LCR et de la matière blanche en l’espace gras individuel. Ensuite, à l’aide de la commande FSL mean TS, extrayez la série chronologique des ROI du LCR et de la matière blanche.

En utilisant le ROI dans l’espace sujet individuel comme masque, normalisez les séries temporelles extraites à l’aide du logiciel R. Ces séries temporelles seront ensuite utilisées comme régresseurs dans le modèle linéaire général pour supprimer les signaux artificiels correspondants de l’analyse. L’étape suivante consiste à supprimer les artefacts liés au mouvement du sujet. Pour la régression des paramètres de mouvement.

Définissez ce qui suit dans les pieds FSL avant de l’exécuter d’abord dans l’onglet des données, utilisez le fichier corrigé en mouvement et extrait du cerveau comme entrées et réglez la valeur TR pour qu’elle corresponde à votre ensemble de données. Réglez le filtrage passe-haut à l’aide d’un filtre 102e, qui supprimera les signaux de très basse fréquence sans intérêt. Un filtre passe-bas pour supprimer les signaux haute fréquence sera appliqué plus tard dans l’onglet des statistiques de prés.

Choisissez aucun sous correction de mouvement et décochez, mais extraction cérébrale. Au fur et à mesure que ces étapes ont été effectuées, effectuez un lissage spatial à l’aide d’une demi-largeur totale de cinq millimètres maximum. Ensuite, dans l’onglet stats, faites régresser les six paramètres de mouvement et leurs dérivées temporelles.

Sélectionnez aucun pour la convolution et cochez la case Appliquer le filtrage temporel. Utilisez la sortie de F selmic flirt pour obtenir des fichiers texte des paramètres de mouvement, qui peuvent ensuite être entrés dans l’analyse des pieds pour les faire régresser dans un modèle linéaire général. Ajoutez également au GLM les signaux de LCR et de substance blanche qui ont été extraits et normalisés lors des étapes précédentes.

Sélectionnez aucun pour la convolution. Ajoutez une dérivée temporelle et décochez la case Appliquer le filtrage temporel. Les résidus du prétraitement décrit ci-dessus doivent être utilisés pour la corrélation basée sur les graines.

Ces résidus doivent d’abord être passés à travers un filtre PESS faible de 0,1 hertz, puis abaissés en soustrayant la moyenne, en divisant par l’écart-type, puis mis à l’échelle en ajoutant 100 graine doit être défini avec un diamètre de six millimètres. Dans l’espace MNI standard. À l’aide d’un logiciel de couronne IRM, les graines postérieure et antérieure doivent correspondre aux coordonnées indiquées ici.

Il est à noter que l’emplacement de ces graines a été défini dans le cadre de témoins sains. Les graines doivent ensuite être transformées dans l’espace cérébral fonctionnel individuel de chaque sujet à partir de l’espace MNI standard. Pour cela, utilisez la matrice de transformation précédemment générée pour transformer la graine de l’espace standard m et i en espace fonctionnel individuel.

Ensuite, utilisez la commande FSL mean Ts pour extraire la série chronologique du résidu précédemment dégradé et mis à l’échelle. Utiliser la graine dans l’espace du sujet individuel comme un masque. Normaliser la série chronologique extraite à l’aide du logiciel R Les corrélations partielles entre les voxels de départ et tous leurs voxels cérébraux doivent être calculées séparément pour chaque sujet pour chaque exécution.

Pour cela, dans l’interface des pieds FSL, sélectionnez l’analyse de premier niveau, puis les statistiques et les statistiques de publication dans l’onglet des données. Le résidu précédemment abaissé et mis à l’échelle doit être utilisé comme entrée. Réglez la limite du filtre passe-haut à 10 000 car le résidu est déjà élevé, passé à 100 secondes dans l’onglet des statistiques.

Désélectionnez l’option Utiliser un film de préblanchiment et utilisez les séries chronologiques de graines précédemment extraites et normalisées. Dans le GLM de l’onglet Statistiques de publication, définissez le seuil de statistiques Z souhaité sur une valeur de 2,0 avant d’exécuter l’analyse de groupe. En combinant des essais à l’intérieur des 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 du répertoire reg de l’analyse des pieds dans l’exécution de corrélation. Exécutez une analyse de niveau supérieur en combinant des exécutions dans chaque sujet. Tout d’abord, sélectionnez l’analyse de niveau supérieur, puis les statistiques et les statistiques de publication.

Ensuite, dans l’onglet des données, choisissez les entrées sont des répertoires de pieds de niveau inférieur et entrez les courses du sujet dans l’onglet des statistiques. Choisissez des effets mixtes. Des moindres carrés ordinaires simples définissent un modèle comme effet moyen et entrez une valeur de un pour chacun des sujets exécutés.

Pour combiner le dépassement de données entre les sujets, une analyse à effets mixtes simple des moindres carrés ordinaire doit être utilisée pour cela, choisissez l’analyse de niveau supérieur et les statistiques plus tard dans l’onglet des données. Choisissez les entrées sont des répertoires de pieds de niveau inférieur et entrez les exécutions combinées du sujet dans l’onglet des statistiques, choisissez effets mixtes. Les moindres carrés ordinaires simples permettent de configurer un modèle en trois groupes, en entrant la valeur un pour le groupe.

Chaque sujet appartient à zéro. Sinon, l’analyse de groupe doit être effectuée sur chaque voxel à l’aide d’un innova unidirectionnel à trois niveaux qui correspondent aux trois groupes à seuil. Les images statistiques Z utilisent un seuil de formation de cluster Z supérieur à 2,0 et un seuil significatif de cluster corrigé de P égal à 0,05 pour obtenir des valeurs Z correctes sur la carte de corrélation.

Une transformation en Z de Fisher inversée doit être effectuée sur les résultats. Enfin, utilisez les contrastes spécifiques suivants, comme on le voit à l’écran ici. Cette figure montre le réseau du mode par défaut révélé avec la connectivité d’une graine postérieure, y compris le rétro splénium et le précuneus en couleurs rouge jaune et dans la graine antérieure, y compris le cortex préfrontal médial de l’évent en couleurs bleu-vert.

La première rangée révèle le réseau pour les sujets témoins, la deuxième rangée pour l’épilepsie du lobe temporal gauche et la rangée du bas pour l’épilepsie du lobe temporal droit. Les figures suivantes comparent ces réseaux entre ces trois groupes. Ici, nous voyons les réseaux de mode par défaut révélés avec une graine antérieure et une graine postérieure pour l’épilepsie combinée des lobes temporaux droit et gauche par rapport aux témoins sains.

Cette figure montre les réseaux du mode par défaut révélés avec les mêmes points de départ pour l’épilepsie du lobe temporal gauche uniquement par rapport aux témoins sains. Alors que cette figure montre les réseaux révélés pour l’épilepsie du lobe temporal droit uniquement par rapport aux témoins sains, et enfin nous voyons ici les réseaux du mode par défaut révélés avec une graine antérieure et postérieure pour l’épilepsie du lobe temporal gauche par rapport à l’épilepsie du lobe temporal droit. L’étude de la connectivité fonctionnelle qui inclut l’ensemble du cerveau est essentielle pour comprendre les mécanismes fondamentaux de l’épilepsie.

Dans cette expérience, nous avons utilisé une technique basée sur les graines pour évaluer la connectivité au réseau en mode par défaut. Il sera intéressant de voir comment d’autres techniques se comparent dans leurs résultats lors de l’étude de l’épilepsie du lobe temporal.