Application de l’analyse de causalité de Granger de la connexion fonctionnelle dirigée dans la maladie d’Alzheimer et des troubles cognitifs légers

L’objectif global de cette analyse de causalité de Granger est d’étudier la connectivité fonctionnelle dirigée dans le cerveau liée à la progression de la maladie d’Alzheimer, établissant ainsi une nouvelle base objective pour évaluer la gravité de la maladie. Cette méthode peut aider à répondre à des questions clés dans le domaine de la maladie d’Alzheimer, telles que la connectivité dirigée entre le PCC et l’ensemble des régions du cerveau. Le principal avantage de cette technique est qu’elle mesure les effets causaux des séries temporelles FMRI et qu’elle montre la dynamique et les directions des signaux faibles.

L’implication de cette technique s’étend au diagnostic de la progression de la maladie d’Alzheimer car elle compare la connectivité fonctionnelle dirigée entre la MA, le TCL et les groupes témoins. Grâce à cette méthode, elle peut fournir un aperçu de la mise à l’échelle de la connectivité fonctionnelle dirigée de la maladie d’Alzheimer, elle peut également être appliquée à d’autres systèmes tels que l’électrolyse des études de céphalogramme. En général, les personnes qui débutent dans cette méthode auront du mal à s’assurer qu’elles ne sont pas familières avec le fonctionnement du logiciel.

Nous avons d’abord ajouté ici pour le semestre, puis nous évaluons les littératures antérieures sur l’analyse de causalité de Granger. Bien qu’il s’agisse d’une démonstration réelle de cette méthode, elle est essentielle car il y en a plusieurs à noter au-delà de ce qui peut être écrit dans le texte. Commencez par ouvrir RESTplus via le logiciel et faites un clic gauche sur Pipeline.

Importez les fichiers pertinents dans RESTplus. Sélectionnez le répertoire de travail, puis les répertoires EPI et T1 de départ. Ensuite, pour convertir des fichiers Dicom en Nifti, cochez la case DicomToNifti dans Prétraitement.

Et cochez les paramètres EPI Dicom à Nifiti et T1 à Nifiti. Supprimez les 10 premiers points temporels en cochant l’option RemoveFirstTimePoints et en définissant le paramètre de fin sur 10. Ensuite, cochez la case Synchronisation de la tranche.

Réglez le numéro de tranche en fonction des paramètres RS FMRI de l’étude et entrez l’ordre des tranches. Cochez la case Réaligner pour corriger le temps et le mouvement de la tête. Ensuite, effectuez la normalisation spatiale en cochant Normaliser et laissez les paramètres par défaut en bas.

Utilisez la segmentation unifiée de l’image T1 et toutes les têtes standardisées dans le même espace en sélectionnant les paramètres. Normalisez à l’aide de l’image T1, de la segmentation unifiée et européenne. Ensuite, sélectionnez lisse pour effectuer un lissage spatial à l’aide d’un effet crénal gaussien isotrope d’une largeur totale à la moitié de 6 mm maximum.

Supprimez la tendance linéaire en cochant l’option Supprimer la tendance. Sélectionnez la régression des covariables nuisibles dans les éléments suivants, six paramètres de mouvement de la tête, le signal moyen global, le signal de substance blanche et le signal de liquide céphalo-rachidien afin d’augmenter le rapport signal/bruit. Enfin, sélectionnez le filtre pour conserver les signaux entre 0,01 et 0,08 hertz.

Supprimez le bruit physiologique à haute fréquence ainsi que la dérive des basses fréquences. Commencez par effectuer l’analyse de causalité de Granger par voxels, ou GCA, à l’aide de la GCA REST dans la boîte à outils REST. Dans la case Post-traitement, cochez GCA.

Définissez l’ordre par défaut. Sélectionnez Définir le retour sur investissement et choisissez le point de retour sur investissement sphérique pour définir la région qui vous intéresse. Sélectionnez Suivant.

Identifiez les points d’intérêt de départ dans le cortex singulier postérieur, ou PCC, en définissant les coordonnées centrales et le rayon de la retour sur investissement de la graine en fonction des données connues, puis sélectionnez OK. Sélectionnez ensuite Exécuter et OK pour exécuter le programme. Ensuite, recherchez les dossiers nommés ZGCA et GCA après le traitement des données de fichier pertinentes. Triez les fichiers de ZGCA et classez-les en quatre sous-dossiers, XX, XY, YX, YY en conséquence.

Dans le logiciel, ouvrez RESTplus et faites un clic gauche sur Analyse statistique. Faites un clic gauche sur REST Two-Sample T-Test. Nommez le résultat de sortie T1XY et définissez le répertoire de sortie.

Cliquez avec le bouton gauche de la souris sur Ajouter des images de groupe pour ouvrir le sous-dossier XY dans le dossier Résultats AD et le sous-dossier XY dans le dossier Résultats CN. Ensuite, faites un clic gauche pour ouvrir le sous-fichier BrainMask dans le dossier du masque. Sélectionnez ensuite Calcul pour exécuter le programme.

Nommez les résultats de sortie T2XY et définissez le répertoire de sortie. Faites un clic gauche sur Ajouter des images de groupe pour ouvrir le sous-dossier XY dans le dossier Résultats AD. Et le sous-dossier XY dans le dossier MCI Results.

Répétez le calcul du fichier de masque cérébral pour obtenir des sorties pour T3XY, T1YX, T2YX et T3YX pour un total de six fichiers. Faites un clic gauche sur Viewer de RESTplus pour afficher les fichiers résultants. Importez le modèle nommé Ch2 dans Sous-couche.

Enfin, trouvez les six fichiers résultants dans le répertoire de sortie et remplissez la superposition un par un. Créez le graphique final à l’aide des six fichiers de sortie. Après l’identification des ganglions actifs dans l’ensemble du cerveau, la technologie GCA a été utilisée pour déterminer la connectivité fonctionnelle dirigée du PCC à l’ensemble du cerveau.

Et de l’ensemble du cerveau au PCC dans la MA, le TCL et les groupes témoins. La connectivité dirigée de l’ensemble du cerveau au CCP a été améliorée dans le groupe AD par rapport au groupe témoin normal et principalement concentrée dans la région cérébelleuse bilatérale en dehors du DMN. La connectivité dirigée du PCC à l’ensemble du cerveau a été significativement réduite dans le groupe AD par rapport aux témoins avec les principales régions telles que le précunéus droit et le méta-gyrus frontal gauche appartenant au DMN.

Bien que maîtrisant, cette technique peut être réalisée en 14 heures si elle est exécutée correctement. Lors de cette procédure, il est important de se rappeler que tous les noms de fichiers et de photos doivent être en anglais et ne peuvent pas avoir d’espaces. Après son développement, cette technique a ouvert la voie aux chercheurs dans le domaine de l’IRMF pour explorer la connectivité factionnelle dirigée dans la progression de la maladie d’Alzheimer.

Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon de démarrer la connectivité factionnelle dirigée dans le cerveau liée à la progression de la MA. Établir ainsi une base objective étroite pour évaluer la gravité de la maladie.