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 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.