Mappatura dell'omogeneità regionale e della connettività funzionale della corteccia visiva nella risonanza magnetica funzionale in stato di riposo

Summary

Presentiamo un protocollo per l'analisi dei dati di risonanza magnetica funzionale per studiare le alterazioni spontanee dell'attività neurale nei pazienti con retinite pigmentosa utilizzando un metodo combinato di omogeneità regionale e connettività funzionale.

Abstract

Un metodo combinato di omogeneità regionale (ReHo) e connettività funzionale (FC), un tipo di metodo di risonanza magnetica funzionale non invasiva (fMRI), è stato utilizzato per valutare i cambiamenti sincroni dell'attività neuronale nella retinite pigmentosa (RP). Lo scopo di questo studio è quello di descrivere il nostro metodo per l'analisi delle sincronizzazioni intra e interregionali dei cambiamenti nell'attività neuronale nei pazienti con RP. I vantaggi del metodo combinato ReHo e FC sono che è sia non invasivo che sufficientemente sensibile per studiare i cambiamenti nell'attività neuronale sincrona cerebrale in vivo. Qui, 16 pazienti con RP e 14 controlli sani strettamente abbinati per età, sesso e istruzione sono stati sottoposti a scansioni fMRI in stato di riposo. Sono stati condotti due t-test campione per confrontare ReHo e FC tra i gruppi. I nostri risultati hanno mostrato che la disconnessione della rete visiva e la riorganizzazione della via retino-talamocorticale e del flusso visivo dorsale si sono verificate nei pazienti con RP. Qui descriviamo i dettagli di questo metodo, il suo utilizzo e l'impatto dei suoi parametri chiave in modo dettagliato.

Introduction

La risonanza magnetica funzionale (fMRI) è un metodo non invasivo che può essere utilizzato per studiare le alterazioni della funzione e della struttura cerebrale in vivo. L'omogeneità regionale (ReHo) e la connettività funzionale (FC) sono spesso utilizzate per valutare le sincronizzazioni intra e interregionali dell'attività cerebrale. ReHo, una metodologia fMRI in stato di riposo, viene utilizzata per calcolare la somiglianza tra la serie temporale di un dato voxel e i suoi vicini più prossimi, che riflette la sincronizzazione locale delle attività cerebrali¹. FC viene utilizzato per studiare la somiglianza tra le serie temporali regionali spazialmente remote².

La tecnologia fMRI può offrire una valutazione oggettiva della funzione visiva nel contesto della gestione delle malattie oculari. Qui, presentiamo un protocollo metodologico che combina i metodi ReHo e FC per condividere questa esperienza e supportare la diffusione delle nostre competenze. Nel presente lavoro, abbiamo utilizzato il protocollo ReHo e FC in soggetti con retinite pigmentosa (RP) e controlli sani (HC) per elaborare i dettagli della procedura. La RP è una grave malattia ereditaria dell'occhio caratterizzata da un'alterata visione notturna e dalla progressiva perdita della vista ^3,4. La mutazione genetica è il principale fattore di rischio per la RP. La morte delle cellule fotorecettrici dei bastoncelli e dei coni porta alla perdita della visione periferica e infine alla cecità nei pazienti con RP. Precedenti studi di neuroimaging hanno mostrato anomalie strutturali e funzionali nella corteccia visiva e nel percorso visivo dei pazienti con RP ^5,6,7. Inoltre, l'imaging del tensore di diffusione è stato utilizzato per studiare l'integrità dei fasci di fibre della sostanza bianca. I pazienti con RP hanno mostrato un coefficiente di diffusione apparente significativamente più alto, un autovalore principale e un autovalore ortogonale, nonché un'anisotropia frazionaria significativamente più bassa nei nervi ottici, rispetto agli HC⁸.

Qui, il nostro obiettivo era l'esplorazione delle sincronizzazioni intra- e interregionali dell'attività neuronale. Abbiamo studiato se i valori medi di ReHo e i valori medi di FC fossero correlati con variabili cliniche nei pazienti con RP. Il nostro metodo potrebbe consentire ai ricercatori di ottenere importanti informazioni sul meccanismo neurale della perdita della visione periferica nei pazienti con RP.

Protocol

Il protocollo di ricerca è stato approvato dal comitato di etica medica dell'ospedale Renmin dell'Università di Wuhan. Tutti i partecipanti hanno compilato un modulo di consenso scritto.

1. Classificazione e screening dei partecipanti

1. Arruolare soggetti RP e HC strettamente abbinati per età, sesso e istruzione.
2. Assicurarsi che tutti i partecipanti soddisfino i seguenti criteri: 1) in grado di essere scansionati con uno scanner MRI (ad esempio, nessun pacemaker cardiaco o dispositivi metallici impiantati); 2) nessuna claustrofobia; 3) nessuna malattia cardiaca, ipertensione o malattie cerebrali.

2. Acquisizione dei dati fMRI

NOTA: In questo protocollo viene utilizzato uno scanner MRI da 3 T con bobina di testa a otto canali.

1. Chiedi a ciascun partecipante di rimuovere gli oggetti metallici prima di entrare nella sala scanner MRI dopo un controllo di sicurezza finale.
2. Istruire il partecipante a sdraiarsi sul letto e assicurarsi che la linea orbitomeatale sia perpendicolare al letto. Quindi posizionare i cuscinetti in schiuma nella regione temporale bilaterale della testa per impedire il movimento della testa e fornire tappi per le orecchie per ridurre il rumore dello scanner.
3. Istruire il partecipante a sdraiarsi a riposo, a tenere gli occhi chiusi senza addormentarsi e a non pensare a nulla in particolare durante la scansione.
4. Regolare la posizione della testa del partecipante attraverso la luce di posizionamento. Assicurarsi che il cursore di posizionamento dell'asse sia parallelo al canto laterale e che il cursore di posizionamento sagittale coincida con la linea mediana del viso. Quindi, spostare il letto in modo che il cursore di posizionamento dell'asse rimanga 2 cm sopra o sotto le sopracciglia del partecipante.
5. Avvisare il partecipante dell'inizio della sessione di scansione. Utilizzando la console di scansione, avviare la scansione del localizzatore strutturale per determinare la posizione della testa dei partecipanti nello scanner e consentire la pianificazione delle successive scansioni strutturali e funzionali.
6. Eseguire la fMRI con le seguenti sequenze e parametri.
   1. Eseguire l'imaging tridimensionale del volume cerebrale (3D-BRAVO) MRI con i seguenti parametri: tempo di ripetizione (TR)/tempo di eco (TE) = 8,5 ms/3,3 ms; spessore = 1,0 mm; nessuna fessura di intersezione; matrice di acquisizione = 256 x 256; campo visivo = 240 x 240 mm²; e angolo di ribaltamento = 12°.
   2. Ottenere immagini funzionali utilizzando l'imaging EPI-BOLD, imaging ecoplanare a gradiente, dipendente dal livello di ossigenazione del sangue (EPI-BOLD) con i seguenti parametri: TR/TE = 2.000 ms/25 ms; spessore = 3,0 mm; distanza = 1,2 mm; matrice di acquisizione = 256 x 256; campo visivo = 240 x 240 mm²; dimensione voxel = 3,6 x 3,6 x 3,6 mm³; e 35 fette assiali.
7. Tieni d'occhio le condizioni del partecipante durante la durata della scansione, istruiscilo a muoversi il meno possibile e interrompi la scansione se il partecipante ha qualche disagio.
8. Rimuovi il partecipante dallo scanner e chiedigli di sedersi con attenzione alla fine dell'esperimento.

3. Pre-elaborazione dei dati e preparazione del software

NOTA: Le immagini funzionali analizzate in questo protocollo sono pre-elaborate da SPM8 e dal toolbox for Data Processing & Analysis for Brain Imaging (DPABI, http://rfmri.org/dpabi)⁹ basato su MATLAB 2013a. Eseguire i seguenti passaggi di pre-elaborazione separatamente per ogni sessione fMRI.

1. Aprire il software DPABI nel terminale MATLAB facendo clic su dpabi, quindi scegliere DPARSF 4.3 Advanced Edition e importare la cartella "FunRaw" (Figura 1).
   NOTA: La cartella FunRaw contiene il file DICOM per ogni partecipante.
2. Fare clic su FunRaw per importare i file di scansione fMRI in DPABI con uno schema di numerazione coerente (ad esempio, "sub0001", "sub0002", ecc.). Selezionate la directory di lavoro e le directory EPI e T1 iniziali e continuate a selezionare tutti i parametri desiderati nei passaggi 3.3-3.9 prima di fare clic su Esegui nella sezione 4.
3. Digitare i parametri: Punti di temporizzazione = 240 e TR = 2 (Figura 2). Selezionare EPI DICOM in NIFTI per convertire le immagini funzionali dal formato DICOM al formato NIFTI e rimuovere i primi 10 volumi di ciascuna immagine funzionale.
4. Selezionare le caselle per Temporizzazione fetta e Riallineamento nel software DPABI per correggere i restanti 230 volumi di immagini dipendenti dal livello di ossigenazione del sangue funzionale per gli effetti di temporizzazione della fetta e il movimento della testa corretti.
   NOTA: Per il movimento della testa, devono essere esclusi i dati dei partecipanti con movimento della testa >2 mm o rotazione di >2° durante la scansione. Per l'ordine delle fette, la sequenza di numeri nel vettore è l'ordine temporale di acquisizione di questi strati. Il numero della sezione selezionata è 40, l'ordine delle sezioni è [1:2:39,2:2,40] e la sezione di riferimento è 39.
5. Selezionare Normalizza con DARTEL con il software DPABI.
   NOTA: Selezionando questa opzione, il software eseguirà automaticamente la normalizzazione spaziale utilizzando singole immagini strutturali pesate in T1 registrate nei dati fMRI medi. Le immagini orientate pesate in T1 risultanti vengono segmentate utilizzando il toolbox DARTEL per una maggiore precisione spaziale durante la normalizzazione dei dati fMRI. I dati normalizzati (nello spazio 152 del Montreal Neurological Institute [MNI]) vengono ritagliati a una risoluzione di 3 x 3 x 3 mm³.
6. Per rimuovere l'andamento lineare, selezionare Detrend nel software DPABI.
7. Seleziona la casella per la regressione delle covariate fastidiose e seleziona i seguenti parametri: modello di movimento della testa, segnale della sostanza bianca, segnale medio globale e segnale del liquido cerebrospinale.
8. Selezionare la casella Scrubbing per rimuovere i punti di tempo errati dovuti al movimento della testa nel software DPABI.
9. Mantenere i segnali tra 0,01 e 0,08 Hz selezionando la casella Filtro [0,01-0,08] nel software DPABI per rimuovere il rumore fisiologico ad alta frequenza e la deriva a bassa frequenza.
   NOTA: Dopo la preparazione dei dati, è possibile eseguire l'analisi ReHo e FC.

4. Analisi ReHo e FC

1. Per il calcolo ReHo, apri il software DAPABI tramite MATLAB e seleziona 27 voxel nel cluster. Fare clic con il pulsante sinistro del mouse su ReHo e levigare [6*6*6], quindi selezionare Esegui.
   NOTA: Il coefficiente di concordanza di un Kendall viene assegnato a un dato voxel calcolando il coefficiente di concordanza di Kendall di una serie temporale di 27 voxel e dei loro vicini più prossimi. Per ridurre l'influenza delle variazioni individuali sui confronti statistici tra i gruppi, le mappe ReHo di ciascun voxel sono trasformate in z utilizzando la trasformazione r-to-z di Fisher. Le restanti mappe z ReHo sono smussate spazialmente utilizzando un kernel gaussiano di 6*6*6 a tutta larghezza a metà del massimo.
2. Per il calcolo delle FC, aprire il software DAPABI tramite MATLAB e definire le regioni cerebrali ReHo alterate tra i due gruppi come regioni di interesse (ROI). Fare clic su Connettività funzionale e definire il ROI (centrato su x = 0, y = -69 e z = -3 con raggio = 10 mm), quindi selezionare Esegui.
   NOTA: L'analisi di correlazione dell'andamento temporale per ciascun partecipante viene eseguita tra la regione del seme sferico e i voxel dell'intero cervello. Tutte le mappe FC sono trasformate in z dalla trasformazione r-to-z di Fisher per ridurre l'influenza delle variazioni individuali sul confronto statistico tra i gruppi. Il raggio delle ROI attorno alle coordinate dovrebbe essere di 10 mm (X = 0, Y = -69, Z = -3).

5. Analisi statistica

1. Trova le cartelle denominate ReHo e FC dopo aver elaborato i dati del file pertinenti. Ordina i file di zReHo.nii e zFC.nii, classificandoli in quattro sottocartelle: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" e "HC-group-FC".
2. Apri DPABI tramite MATLAB per eseguire un t-test di un campione.
   1. Fare clic con il pulsante sinistro del mouse su Analisi statistica, quindi fare clic su un campione t-test. Assegna al risultato dell'output il nome "one-sample-t-test-RP" e imposta la directory di output.
   2. Fare clic con il pulsante sinistro del mouse su Aggiungi immagini di gruppo e aprire la sottocartella "RP-group-ReHo".
   3. Nell'opzione File maschera , fare clic con il pulsante sinistro del mouse per aprire il file secondario "BrainMask-05-61*73*61" nella cartella "maschera".
   4. Selezionare Calcola per eseguire il programma. Eseguire la stessa procedura per il gruppo "one-sample-t-test-HC".
      NOTA: Il t-test a campione singolo viene utilizzato per analizzare e visualizzare le mappe ReHo medie di ciascun gruppo nel software DPABI.
3. Apri DPABI tramite MATLAB per eseguire un t-test su due campioni.
   1. Fare clic con il pulsante sinistro del mouse su Analisi statistica, quindi selezionare il test t a due campioni. Assegna al risultato dell'output il nome "two-sample-t-test-ReHo" e imposta la directory di output.
   2. Fare clic con il pulsante sinistro del mouse su Aggiungi immagini di gruppo e aprire le sottocartelle "RP-group-ReHo" e "HC-group-ReHo".
   3. Nell'opzione File maschera , fare clic con il pulsante sinistro del mouse per aprire il file secondario "BrainMask-05-61*73*61" nella cartella "maschera".
   4. Selezionare Calcola per eseguire il programma. Eseguire la stessa procedura per il "two-sample-t-test-FC". Fare clic su Analisi statistica e correzione del campo casuale gaussiano (GRF) [a due code, a livello di voxel (0,01) e a livello di voxel (0,05)] , quindi fare clic su Esegui.
      NOTA: Le differenze tra i gruppi di mappe zReHo e zFC sono confrontate mediante due t-test campione. La GRF viene utilizzata per correggere confronti multipli e covariate regredite di età e sesso con il software DPABI.
4. Utilizzare il software BrainNet Viewer (https://www.nitrc.org/projects/bnv/) per mostrare i risultati.
   1. Apri BrainNet tramite MATLAB e fai clic su Carica file. Per i file di superficie, fare clic su Sfoglia e selezionare BrainMesh-ICBM152-smoothed.nv, quindi fare clic su OK; per i file di volume, selezionare spm-T.nii (inclusi i risultati ReHo e FC), quindi fare clic su Ok.
5. Utilizzare un software statistico per elaborare i dati ottenuti dal passaggio precedente.
   NOTA: Il test del chi quadrato viene utilizzato per i confronti dei sessi, mentre i test t su campioni indipendenti vengono utilizzati per altre variabili cliniche. Le variabili continue sono rappresentate da medie e deviazioni standard.
6. Esegui l'analisi del coefficiente di correlazione di Pearson per identificare le relazioni tra i valori zReHo e i valori zFC di diverse regioni del cervello e i dati delle misurazioni visive utilizzando un software statistico.
   1. Ottieni segnali ROI dei valori zReHo e zFC in ciascun partecipante tramite il software DPABI. Fare clic su Estrattore segnali ROI e Aggiungi directory con il file ROI mask.nii.
      NOTA: I valori di P di <0,05 devono essere considerati statisticamente significativi.

Results

Nel nostro studio, 16 individui RP e 14 controlli sani strettamente abbinati per età, sesso e istruzione sono stati sottoposti a scansioni fMRI in stato di riposo. I metodi ReHo e FC sono stati utilizzati per esplorare l'attività neuronale intra e intersincrona in individui RP. Differenze significative nella BCVA sono state osservate tra l'occhio destro (P < 0,001) e l'occhio sinistro (P < 0,001), ma la differenza di sesso, età o peso tra i gruppi non era significativa.

Gli RP e gli HC m...

Discussion

Questo rapporto descrive un protocollo per il calcolo dei valori ReHo e FC per i gruppi RP e HC e ha mostrato valori ReHo e FC significativamente diversi tra i due gruppi. In particolare, una fase importante di questo processo è la classificazione e lo screening dei campioni prima dell'esperimento. Quando abbiamo applicato questo protocollo per la nostra analisi, tutti i soggetti con RP sono stati diagnosticati da due oftalmologi esperti. Sono stati esclusi i pazienti con RP con altre ma...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
	National Key Laboratory of Cognition, Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer è uno strumento di visualizzazione della rete cerebrale per visualizzare modelli di connettività strutturale e funzionale
DPABI software Institute	of Psychology, CAS, Beijing, China	DPABI 4.3	DPABI è un toolbox per l'elaborazione e l'analisi dei dati dell'imaging cerebrale.
MATLAB	MathWorks, Natick, MA, USA	2013a	MATLAB è un linguaggio di calcolo tecnico di alto livello e un ambiente interattivo per lo sviluppo di algoritmi, la visualizzazione e la visualizzazione e il calcolo numerico.
Scanner MRI	GE Healthcare, Milwaukee	Software SPM MRI 3.0
Wellcome	Centre for Human Neuroimaging, UCL	SPM8 SPM8	è un importante aggiornamento del software SPM, contenente sostanziali miglioramenti teorici, algoritmici, strutturali e di interfaccia rispetto alle versioni precedenti.
SPSS	IBM, Chicago, IL, USA	SPSS versione 20.0	piattaforma software SPSS offre analisi statistiche avanzate, analisi del testo, estensibilità open source, integrazione con big data e distribuzione senza soluzione di continuità nelle applicazioni.