ניתוח רשת של ברירת מחדל מצב הרשת באמצעות קישוריות ה-MRI התפקודי באונה הטמפורלית אפילפסיה

המטרה הכללית של הניסוי הבא היא להפיק מפות סטטיסטיות, המשוות את ההבדלים בסריקות FMRI במצב מנוחה בין קבוצת ביקורת בריאה לבין חולים באפילפסיה. דבר זה מושג על ידי השגת נתוני FMRI מנבדקים עם אפילפסיה של האונה הרקתית, כמו גם מנבדקי ביקורת בריאים.

כשלב שני, ה-FMRI עובר עיבוד מקדמי, המכין את הנתונים לניתוח סטטיסטי. לאחר מכן, נתוני ה-FMRI שעברו עיבוד מקדמי מנותחים כדי להפיק השוואות בעלות תוקף סטטיסטי בין שתי הקבוצות. התוצאות המתקבלות מראות הבדלים ברשתות המוחיות בקרב חולי אפילפסיה בהשוואה לרשתות מוחיות של נבדקי ביקורת בריאים.

בהתבסס על הבדלים סטטיסטיים במפות רשתות מוחיות בין שתי קבוצות אלו, הולך ומתברר שגם אפילפסיה המתבטאת בהתקפים מוקדיים היא תכונה מגיחה של הפרעות רשת дифוזיות. הרעיון לטכניקה זו עלה לאחר זיהוי חשיבותה של רשת ה-DEF Favo במהלך התקפים, ותהייה האם רשת ה-LO ברירת המחדל אינה תקינה בין התקפים באפילפסיה של האונה הרקתית. אוכלוסיית המחקר עבור פרוטוקול זה צריכה לכלול שלוש קבוצות, נכון?

חולים עם אפילפסיה של האונה הרקתית, חולים עם אפילפסיה של האונה הרקתית השמאלית, וכן קבוצות ביקורת בריאות. מומלץ לגייס סך כולל של כ-35 נסיינים. קבוצות חולי האפילפסיה צריכות לכלול מטופלים המאובחנים עם אפילפסיה של האונה הרקתית, כגון מועמדים לכריתה של האונה הרקתית הקדמית כפי שנקבע באמצעות ניטור וידאו ו-EEG, הדמיית PET ובדיקות נוירופסיכולוגיות. יש לוודא כי לכל הנסיינים יש תמונות MRI תקינות של המוח וכי הם נקיים ממחלות נוירולוגיות אחרות מלבד אפילפסיה בקבוצות המטופלים.

יש להשיג אישור מוועדה להגנה על נסיינים (IRB) והסכמה מדעת בכתב מכל הנבדקים לפני הדמיה, ולבצע סינון לבטיחות MRI. על המטופלים להמשיך בנטילת התרופות הרגילות שלהם במהלך סריקת ה-FMRI, ואין לסרוק אותם מיד לאחר התקף. יש להשתמש במערכת MRI בעוצמה של 3 Tesla עבור כל ההדמיות המתוארות בפרוטוקול זה.

השג חתכים אקסיאליים עבור תמונות פונקציונליות באמצעות רצף echo planar imaging ועבור תמונות אנטומיות, השתמש ברצף spoiled gradient recalled. בקש מהמשתתפים להירגע ולהישאר ללא תנועה בעיניים עצומות, ובצע הדמיה פונקציונלית באמצעות הפרמטרים המוצגים כאן. השתמש בנוסף בפרמטרים הבאים עבור הדמיה מבנית ברזולוציה גבוהה מסוג S PGR T one weighted.

כל סשן דימות צריך להימשך כ-20 דקות. התחל בעיבוד מקדמי של נתוני ה-FMRI באמצעות תוכנת FSL First. השתמש ב-FSL MFL כדי להסיר ארטיפקטים של תנועת ראש.

לאחר מכן, השתמש בכלי חילוץ המוח של FSL או ב-BET כדי להסיר רקמות שאינן רקמת מוח, באמצעות האפשרות dash F עבור קבצי bold. פעולה זו מאפשרת שלבי ניתוח נוספים על רקמת המוח בלבד. לאחר מכן, ב-feet, הרץ ניתוח עם רישום (registration) שעבר עיבוד מינימלי.

בחרו בניתוח ברמה הראשונה (first level analysis) ושנו את הניתוח המלא (full analysis) ל-pre stats באמצעות שני הכפתורים העליונים. לאחר מכן, תחת לשונית pre stats, הסירו את הסימון מ-bet brain extraction, ובחרו ב-none עבור תיקון תנועה (motion correction), מכיוון שאלה כבר בוצעו. לאחר מכן, בצעו רישום (register) של התמונות הפונקציונליות לתמונות האנטומיות, ואז לתמונת MNI סטנדרטית.

תהליך זה מוביל להיווצרות מטריצות טרנספורמציה, המשמשות מאוחר יותר במהלך הניתוח כדי לעוות (warp) את ה-seed שנבחר במרחב הסטנדרטי אל מרחב המוח של הנבדק. לאחר מכן, השתמש במטריצת הטרנספורמציה שהופקה בשם standard to example funk dot mat והעבר את ה-ROIs של ה-CSF והחומר הלבן למרחב ה-bold האינדיבידואלי. לאחר מכן, באמצעות הפקודה FSL mean TS, חלץ את סדרות הזמן מה-ROIs של ה-CSF והחומר הלבן.

השתמשו ב-ROI במרחב של כל נבדק כבסיס למסכה (mask), ונרמלו את סדרות הזמן שחולצו באמצעות תוכנת R. סדרות זמן אלו ישמשו מאוחר יותר כרגרסורים במודל הליניארי הכללי (general linear model), כדי להסיר מהניתוח את האותים הארטפקטואליים המתאימים. השלב הבא הוא הסרת ארטפקטים הקשורים לתנועת הנבדק. עבור רגרסיה של פרמטרי התנועה.

הגדירו את הפרמטרים הבאים ב-FSL feet לפני ההרצה הראשונה בלשונית הנתונים (data tab); השתמשו בקובץ שתוקן תנועתית (motion corrected) ובוצע לו חילוץ מוח (brain extracted) כקבצי קלט, והגדירו את ערך ה-TR כך שיתאים למערך הנתונים שלכם. הגדירו סינון מעביר גבוה (high pass filtering) באמצעות מסנן ב-102 שניות, אשר יסיר אותות בתדר נמוך מאוד שאינם רלוונטיים. מסנן מעביר נמוך (lowpass filter) להסרת אותות בתדר גבוה יוחל מאוחר יותר בלשונית הסטטיסטיקה המקדימה (pres stats tab).

בחר באפשרות "none" תחת תיקון תנועה (motion correction) ובטל את הסימון, אך השאר את סימון חילוץ המוח (brain extraction). מכיוון ששלבים אלה כבר בוצעו, בצע החלקה מרחבית (spatial smoothing) באמצעות רוחב חצי מקסימום (FWHM) של 5 mm. לאחר מכן, בלשונית הסטטיסטיקה (stats), בצע רגרסיה לששת פרמטרי התנועה ולנגזרות הזמניות שלהם.

בחר באפשרות none עבור convolution וסמן את apply temporal filtering. השתמש בפלט של F selmic flirt כדי לקבל קבצי טקסט של פרמטרי תנועה, אותם ניתן להזין לאחר מכן ל-feet analysis כדי לבצע להם רגרסיה במודל ליניארי כללי (general linear model). כמו כן, הוסף למודל ה-GLM את אותות ה-CSF והחומר הלבן שחולצו ונורמלו בשלבים קודמים.

בחר none עבור convolution. הוסף temporal derivative ובטל את הסימון של apply temporal filtering. יש להשתמש בשאריות (residuals) מהעיבוד המקדים שתואר לעיל עבור seed based correlation.

יש להעביר שאריות אלו תחילה דרך מסנן PESS נמוך של 0.1 hertz, לאחר מכן לבצע נרמול על ידי חיסור הממוצע, חלוקה בסטיית התקן וסריקה על ידי הוספת 100; יש להגדיר את ה-seed בקוטר של ששה מילימטרים. במרחב MNI סטנדרטי. באמצעות תוכנת MRI crown, על ה-seeds האחורי והקדמי להתאים לקואורדינטות כפי שמוצג כאן.

שימו לב שמיקומי הגרעינים (seeds) הללו הוגדרו בתוך קבוצת ביקורת בריאה. לאחר מכן, יש להעביר את הגרעינים מהמרחב הסטנדרטי של MNI למרחב המוח התפקודי האינדיבידואלי של כל נבדק. לשם כך, השתמשו במטריצת הטרנספורמציה שנוצרה בעבר כדי להעביר את הגרעין ממרחב m ו-i הסטנדרטי למרחב התפקודי האינדיבידואלי.

בשלב הבא, השתמש בפקודה FSL mean Ts כדי להוציא את סדרת הזמן מהשארית שהוצאה ממנה הממוצע ונורמלה קודם לכן. השתמש בגרעין (seed) במרחב של הנבדק הבודד כמסכה. נרמל את סדרת הזמן שהוצאה באמצעות התוכנה R; יש לחשב קורלציות חלקיות בין ווקסלי הגרעין לבין כל ווקסלי המוח בנפרד עבור כל נבדק ובכל הרצה.

לשם כך, בתוך ממשק FSL FEAT, בחרו ב-first level analysis ולאחר מכן ב-stats plus post stats תחת לשונית data. יש להשתמש בשארית (residual) שעברה קודם לכן את תהליכי ה-demeaning וה-scaling כקלט. הגדירו את סף מסנן התדרים הגבוהים (high pass filter cutoff) ל-10,000, מכיוון שהשארית כבר עברה סינון תדרים גבוהים ב-100 שניות תחת לשונית stats.

בטלו את הבחירה ב-use film pre whitening והשתמשו בסדרות הזמנים של ה-seed שחולצו ונורמלו קודם לכן. ב-GLM, בתוך לשונית ה-post stats, הגדירו את סף ה-Z stat הרצוי לערך של 2.0 לפני הרצת ניתוח קבוצתי. בעת שילוב הרצות בתוך נבדקים, יש לבצע טרנספורמציית Fisher Z על הניגודיות (contrast) של הערכות הפרמטרים.

קובץ שהופק מניתוח המתאם, העתק את נתוני הרישום (registration data) מספריית הרישום של ניתוח הרגליים אל הרצת המתאם. בצע ניתוח ברמה גבוהה יותר על ידי שילוב הרצות בתוך כל נבדק. ראשית, בחר ב-higher level analysis ולאחר מכן ב-stats plus post stats.

לאחר מכן, בלשונית הנתונים (data), בחרו באפשרות שבה הקלטים הם תיקיות ברמה נמוכה יותר של רגליים, והזינו את הריצות של הנבדק בלשונית הסטטיסטיקה (stats). בחרו באפקטים מעורבים (mixed effects). הגדירו מודל OLS פשוט כאפקט ממוצע, והזינו ערך של 1 עבור כל אחת מהריצות של הנבדקים.

כדי לשלב נתוני חריגה (overrun) בין נבדקים, יש להשתמש בניתוח השפעות מעורבות פשוט בשיטת ריבועים פחותים רגילים (OLS). לשם כך, יש לבחור בניתוח ברמה גבוהה (higher level analysis) וב-stats plus post stats תחת לשונית הנתונים (data tab). יש לבחור את תיקיות הרגליים ברמה הנמוכה (lower level feet directories) כקלטים, ולהזין את הריצות המשולבות של הנבדקים תחת לשונית הסטטיסטיקה (stats tab), שם יש לבחור ב-mixed effects. בהגדרת מודל OLS פשוט, הגדירו שלוש קבוצות והזינו ערך של 1 עבור הקבוצה.

כל נסיינbelongs ל-0. אחרת, יש לבצע ניתוח קבוצתי עבור כל ווקסל באמצעות ANOVA חד-כיווני עם שלושה רמות התואמות לשלוש הקבוצות לצורך סף סינון. תמונות הסטטיסטיקה של Z משתמשות בסף להיווצרות אשכולות של Z הגדול מ-2.0 ובסף מובהקות מתוקן לאשכולות של P השווה ל-0.05, כדי לקבל ערכי Z נכונים במפת המתאם.

יש לבצע טרנספורמציית fisher Z הפוכה על התוצאות. לבסוף, השתמשו בניגודים הספציפיים הבאים כפי שמוצגים כאן על המסך. איור זה מציג את רשת מצב המנוחה (default mode network) שנחשפה באמצעות קישוריות מגרעין אחורי, כולל ה-retro splenium וה-precuneus בצבעי אדום-צהוב, ומגרעין קדמי, כולל ה-vent medial prefrontal cortex בצבעי כחול-ירוק.

השורה הראשונה מציגה את הרשת עבור נבדקי הביקורת, השורה השנייה עבור אפילפסיה של האונה הרקה השמאלית, והשורה התחתונה עבור אפילפסיה של האונה הרקה הימנית. הדמויות הבאות משוות רשתות אלו בין שלוש קבוצות אלו. כאן אנו רואים את רשתות מצב המנוחה (default mode networks) שזוהו באמצעות זרעים קדמיים ואחוריים עבור שילוב של אפילפסיה של האונה הרקה הימנית והשמאלית בהשוואה לנבדקים בריאים.

איור זה מציג את רשתות מצב המנוחה (default mode networks) שנחשפו באמצעות אותן נקודות זרע עבור אפילפסיה של האונה הרקתית השמאלית בלבד בהשוואה לבקרים בריאים. איור זה מציג את הרשתות שנחשפו עבור אפילפסיה של האונה הרקתית הימנית בלבד בהשוואה לבקרים בריאים, ולבסוף, כאן אנו רואים את רשתות מצב המנוחה שנחשפו עם נקודת זרע קדמית ואחורית עבור אפילפסיה של האונה הרקתית השמאלית בהשוואה לאפילפסיה של האונה הרקתית הימנית. מחקרים של קישוריות תפקודית הכוללים את המוח כולו חיוניים להבנת המנגנונים הבסיסיים של אפילפסיה.

בניסוי זה השתמשנו בטכניקה מבוססת גרעין (seed based technique) כדי להעריך את הקישוריות לרשת ברירת המחדל (default mode network). יהיה מעניין לבחון כיצד טכניקות אחרות ישוו בתוצאותיהן בעת חקר אפילפסיה של האונה הטמפורלית.