Network Analysis della modalità predefinita rete tramite connettività funzionale MRI in epilessia del lobo temporale

L'obiettivo generale del seguente esperimento è ottenere mappe statistiche. Confrontando la differenza tra scansioni fMRI dello stato di riposo tra soggetti sani e pazienti con epilessia. Questo viene raggiunto acquisendo dati fMRI da soggetti con epilessia del lobo temporale, nonché da soggetti di controllo sani.

Come secondo passaggio, la FMRI viene pre-elaborata, un processo che prepara i dati per l'analisi statistica. Successivamente, i dati FMRI pre-elaborati vengono analizzati al fine di ottenere confronti statisticamente validi tra i due gruppi. I risultati ottenuti mostrano differenze nelle reti cerebrali tra pazienti con epilessia e le reti cerebrali di soggetti sani di controllo.

In base alle differenze statistiche nelle mappe delle reti cerebrali tra questi due gruppi, è diventato sempre più evidente che anche le epilessie manifestate da crisi focali siano proprietà emergenti di disturbi diffusi a livello della rete. L'idea di questa tecnica è emersa dopo aver riconosciuto l'importanza della rete DEF Favo durante le crisi e aver ipotizzato se la rete LO predefinita fosse anomala tra una crisi e l'altra nell'epilessia del lobo temporale. La popolazione oggetto dello studio per questo protocollo dovrebbe includere tre gruppi, giusto?

Pazienti con epilessia del lobo temporale, pazienti con epilessia del lobo temporale sinistro, nonché controlli sani. Si raccomanda un totale di circa 35 soggetti. I gruppi di soggetti con epilessia devono includere pazienti ai quali è stata diagnosticata l'epilessia del lobo temporale, ad esempio candidati a una resezione anteriore del lobo temporale, come determinato mediante video, monitoraggio EEG, imaging PET e test neuropsicologici; si deve inoltre assicurare che tutti i soggetti abbiano risonanze magnetiche cerebrali normali ed essere privi di malattie neurologiche diverse dall'epilessia nei gruppi di pazienti.

Ottenere l'approvazione del comitato etico e il consenso informato scritto da tutti i soggetti prima dell'imaging e verificare la compatibilità con la risonanza magnetica. I pazienti dovrebbero continuare a prendere i farmaci di uso abituale durante la scansione con fMRI e non dovrebbero essere sottoposti a scansione immediatamente dopo un attacco epilettico. Per tutte le immagini descritte in questo protocollo, si dovrebbe utilizzare un sistema di risonanza magnetica da tre Tesla.

Acquisire sezioni assiali per le immagini funzionali utilizzando una sequenza di imaging eco-planare e per le immagini anatomiche utilizzare una sequenza gradient recalled con saturazione. Chiedere ai partecipanti di rilassarsi e di rimanere immobili a occhi chiusi ed eseguire l'imaging funzionale utilizzando i parametri mostrati qui. Utilizzare inoltre i seguenti parametri per l'immaging strutturale T1 pesato ad alta risoluzione S PGR.

Ogni sessione di imaging dovrebbe durare circa 20 minuti. Iniziare pre-elaborando i dati FMRI utilizzando il software FSL First. Utilizzare FSL MFL per rimuovere l'artefatto dovuto al movimento della testa.

Quindi utilizzare lo strumento di estrazione del cervello FSL o BET per rimuovere i tessuti non cerebrali con l'opzione -F per file bold. Questo consente ulteriori passaggi di analisi esclusivamente sul tessuto cerebrale. Successivamente, in FEAT, eseguire un'analisi con elaborazione minima mediante registrazione.

Selezionare l'analisi di primo livello e modificare l'analisi completa in pre-statistica utilizzando i due pulsanti in alto. Quindi, nella scheda pre-statistica, deselezionare l'estrazione del cervello con bet e selezionare nessuna correzione del movimento, poiché queste operazioni sono già state eseguite. Successivamente, registrare le immagini funzionali con le immagini anatomiche e quindi con un'immagine standard MNI.

Questo porta alla generazione di matrici di trasformazione, che vengono utilizzate successivamente durante l'analisi per deformare il seed selezionato nello spazio standard nello spazio cerebrale del soggetto. Successivamente, utilizzare la matrice di trasformazione generata denominata standard to example funk dot mat ed effettuare la trasformazione delle ROI del LCS e della sostanza bianca nello spazio BOLD individuale. Quindi, mediante il comando FSL mean TS, estrarre le serie temporali dalle ROI del LCS e della sostanza bianca.

Utilizzando la ROI nello spazio individuale del soggetto come maschera, normalizzare le serie temporali estratte utilizzando il software R. Queste serie temporali verranno successivamente utilizzate come regressori nel modello lineare generale per rimuovere i segnali artifatti corrispondenti dall'analisi. Il passo successivo consiste nella rimozione degli artefatti legati al movimento del soggetto. Per la regressione dei parametri di movimento.

Impostare quanto segue in FSL prima di eseguirlo per la prima volta nella scheda dei dati: utilizzare come input i file corretti per il movimento ed estratti per il cervello e impostare il valore di TR in base al proprio set di dati. Impostare il filtro passa-alto utilizzando un filtro di 102° ordine, che rimuoverà i segnali a bassissima frequenza non rilevanti. Un filtro passa-basso per rimuovere i segnali ad alta frequenza verrà applicato successivamente nella scheda prestat.

Scegliere nessuna sotto correzione del movimento e deselezionare, ma mantenere l'estrazione del cervello. Poiché questi passaggi sono già stati eseguiti, effettuare la filtratura spaziale utilizzando una larghezza massima a metà altezza di cinque millimetri. Quindi, all'interno della scheda stats, eseguire la regressione dei sei parametri di movimento e delle loro derivate temporali.

Selezionare "nessuno" per la convoluzione e spuntare "applica filtro temporale". Utilizzare l'output di F selmic flirt per ottenere file di testo dei parametri di movimento, che potranno poi essere inseriti nell'analisi feet per regressione in un modello lineare generale. Inoltre, aggiungere i segnali del liquor (CSF) e della sostanza bianca estratti e normalizzati nei passaggi precedenti al GLM.

Selezionare "nessuno" per la convoluzione. Aggiungere la derivata temporale e deselezionare l'applicazione del filtraggio temporale. I residui del pre-elaborazione descritto in precedenza devono essere utilizzati per la correlazione basata su seed.

Questi residui devono essere prima filtrati con un filtro low-pass di 0,1 hertz, quindi centrati sottraendo la media, dividendo per la deviazione standard e poi scalati aggiungendo 100. Il seed deve essere definito con un diametro di sei millimetri nello spazio MNI standard. Utilizzando il software MRIcron, i seed posteriore e anteriore devono corrispondere alle coordinate qui mostrate.

Si noti che queste posizioni di seed sono state definite all'interno di soggetti controllo sani. I seed devono successivamente essere trasformati nello spazio cerebrale funzionale individuale di ogni soggetto, a partire dallo spazio standard MNI. A tale scopo, utilizzare la matrice di trasformazione precedentemente generata per convertire il seed dallo spazio standard MNI allo spazio funzionale individuale.

Successivamente, utilizzare il comando FSL mean Ts per estrarre la serie temporale dal residuo precedentemente centrato e scalato, usando il seed nello spazio del singolo soggetto come maschera. Normalizzare la serie temporale estratta utilizzando il software R; le correlazioni parziali tra i voxel del seed e tutti i voxel cerebrali devono essere calcolate separatamente per ciascun soggetto e per ciascuna sessione.

A questo scopo, all'interno dell'interfaccia FSL feet, selezionare prima l'analisi di primo livello e poi stats plus post stats all'interno della scheda dati. Utilizzare come input il residuo già centrato e normalizzato. Impostare la soglia del filtro passa-alto a 10.000 poiché il residuo è già stato filtrato con un passa-alto di 100 secondi all'interno della scheda stats.

Deselezionare l'opzione di pre-sbiancamento del filmato e utilizzare le serie temporali dei semi precedentemente estratte e normalizzate. Nel modello lineare generale (GLM) all'interno della scheda post stats, impostare la soglia statistica Z desiderata a un valore di 2,0 prima di eseguire l'analisi di gruppo. Combinando le esecuzioni all'interno dei soggetti, si dovrebbe effettuare una trasformazione Z di Fisher sul contrasto delle stime dei parametri.

File generato dall'analisi di correlazione; copiare i dati di registrazione dalla directory reg dell'analisi dei piedi nell'esecuzione della correlazione. Eseguire un'analisi di livello superiore combinando le esecuzioni all'interno di ogni soggetto. Per prima cosa, selezionare l'analisi di livello superiore, quindi statistica più post-statistica.

Quindi, all'interno della scheda dati, selezionare le directory di livello inferiore come input e inserire le sessioni del soggetto all'interno della scheda delle statistiche. Scegliere effetti misti. Impostare un modello OLS semplice come effetto medio e inserire un valore di uno per ciascuna delle sessioni dei soggetti.

Per combinare i dati di overrun tra soggetti, si dovrebbe utilizzare un'analisi semplice a effetti misti con metodo dei minimi quadrati ordinari; a tale scopo, selezionare l'analisi a livello superiore e stats plus post stats all'interno della scheda dati. Nella scheda stats, selezionare come input le directory dei piedi a livello inferiore e inserire le prove combinate dei soggetti, quindi scegliere effetti misti. Nel modello OLS semplice, impostare il modello come tre gruppi e inserire il valore uno per il gruppo.

Ogni soggetto appartiene allo zero. In caso contrario, l'analisi di gruppo deve essere eseguita su ogni voxel utilizzando un'analisi della varianza unidirezionale con tre livelli, corrispondenti ai tre gruppi, per la soglia. Le immagini delle statistiche Z utilizzano una soglia di formazione dei cluster di Z maggiore di 2,0 e una soglia di significatività del cluster corretta di P uguale a 0,05 per ottenere i valori Z corretti sulla mappa di correlazione.

Deve essere eseguita una trasformazione inversa di Fisher Z sui risultati. Infine, utilizzare i seguenti contrasti specifici come mostrato sullo schermo qui. Questa figura mostra la rete della modalità predefinita rivelata dalla connettività di un punto di partenza posteriore, inclusi il retro splenio e il precuneo in colori rosso-giallo, e di un punto di partenza anteriore, inclusa la corteccia prefrontale mediale ventrale in colori blu-verde.

La prima riga mostra la rete per i soggetti di controllo, la seconda riga per l'epilessia del lobo temporale sinistro e l'ultima riga per l'epilessia del lobo temporale destro. Le figure seguenti confrontano queste reti tra i tre gruppi. Qui osserviamo le reti della modalità predefinita rivelate mediante un seed anteriore e uno posteriore per l'epilessia del lobo temporale destro e sinistro combinata, rispetto ai controlli sani.

Questa figura mostra le reti della modalità predefinita rivelate con gli stessi punti seme per l'epilessia del solo lobo temporale sinistro rispetto ai controlli sani. Mentre questa figura mostra le reti rivelate per l'epilessia del solo lobo temporale destro rispetto ai controlli sani, e infine qui osserviamo le reti della modalità predefinita rivelate con un seme anteriore e uno posteriore per l'epilessia del lobo temporale sinistro rispetto all'epilessia del lobo temporale destro. Gli studi sulla connettività funzionale che includono l'intero cervello sono essenziali per comprendere i meccanismi fondamentali dell'epilessia.

Abbiamo utilizzato una tecnica basata su seed in questo esperimento per valutare la connettività con la rete della modalità predefinita. Sarà interessante osservare come altri metodi si confrontano nei risultati nello studio dell'epilessia del lobo temporale.