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

L'obiettivo generale dell'esperimento seguente è ottenere mappe statistiche. Confronto della differenza delle scansioni FMRI in stato di riposo tra controlli sani e pazienti con epilessia. Ciò si ottiene ottenendo i dati FMRI in soggetti con epilessia del lobo temporale, nonché in soggetti di controllo sani.

In una seconda fase, viene pre-elaborato l'FMRI, che prepara i dati da analizzare statisticamente. Successivamente, i dati FMRI pre-elaborati vengono analizzati al fine di ottenere confronti statisticamente validi tra i due gruppi. Si ottengono risultati che mostrano differenze nelle reti cerebrali tra i pazienti con epilessia rispetto alle reti cerebrali di soggetti sani di controllo.

Sulla base delle differenze statistiche nelle mappe della rete cerebrale tra questi due gruppi, è diventato sempre più evidente che anche le epilessie che si manifestano con convulsioni focali sono proprietà emergenti dei disturbi della rete diffusa. L'idea di questa tecnica è nata dopo aver riconosciuto l'importanza della rete DEF Favo durante le convulsioni e dopo essersi chiesta se la rete LO predefinita fosse anormale tra le convulsioni nell'epilessia del lobo temporale. La popolazione in studio per questo protocollo dovrebbe includere tre gruppi, giusto?

Pazienti con epilessia del lobo temporale, pazienti con epilessia del lobo temporale sinistro e controlli sani. Si raccomandano un totale di circa 35 soggetti. I gruppi di soggetti con epilessia dovrebbero essere pazienti a cui viene diagnosticata l'epilessia del lobo temporale, come i candidati per la resezione del lobo temporale anteriore come determinato da video, monitoraggio EEG, imaging PET e test neuropsicologici assicurano che tutti i soggetti abbiano una risonanza magnetica cerebrale normale e siano liberi da malattie neurologiche diverse dall'epilessia nei gruppi di pazienti.

Ottenere l'approvazione dell'IRB e il consenso informato scritto da tutti i soggetti prima dell'imaging e dello screening per la risonanza magnetica. Sicurezza. I pazienti devono continuare i loro farmaci abituali durante la scansione FMRI e non devono essere sottoposti a scansione immediatamente dopo un attacco. Per tutte le immagini descritte in questo protocollo deve essere utilizzato un sistema di risonanza magnetica a tre Tesla.

Ottenere fette assiali per immagini funzionali utilizzando una sequenza di imaging planare eco e per immagini anatomiche, utilizzare una sequenza di richiamo a gradiente rovinato. Chiedi ai partecipanti di rilassarsi e rimanere fermi con gli occhi chiusi ed eseguire l'imaging funzionale utilizzando i parametri come mostrato qui. Utilizzare anche i seguenti parametri per l'imaging strutturale ad alta risoluzione pesato S PGR T one.

Ogni sessione di imaging dovrebbe durare circa 20 minuti. Inizia pre-elaborando i dati FMRI utilizzando prima il software FSL. Usa FSL MFL per rimuovere gli artefatti del movimento della testa.

Quindi utilizzare lo strumento di estrazione cerebrale FSL o BET per rimuovere il tessuto non cerebrale con l'opzione trattino F per i file in grassetto. Ciò consente ulteriori fasi di analisi sul solo tessuto cerebrale. Successivamente, in piedi, eseguire un'analisi minimamente elaborata con registrazione.

Seleziona l'analisi di primo livello e cambia l'analisi completa in pre-statistiche dai due pulsanti in alto. Quindi, nella scheda delle statistiche pres, deseleziona l'estrazione del cervello della scommessa e seleziona nessuno per la correzione del movimento poiché questi sono già stati eseguiti. Quindi registrare le immagini funzionali nelle immagini anatomiche e quindi in un'immagine MNI standard.

Ciò si traduce nella generazione di matrici di trasformazione, che vengono utilizzate successivamente durante l'analisi per deformare il seme selezionato nello spazio standard nello spazio cerebrale del soggetto. Successivamente, utilizza la matrice di trasformazione generata denominata standard per l'esempio funk dot mat e trasforma il CSF e le ROI della materia bianca nel singolo spazio in grassetto. Quindi, utilizzando il comando FSL mean TS, estrarre le serie temporali dal CSF e dalle ROI della sostanza bianca.

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

Imposta quanto segue all'interno di FSL piedi prima di eseguirlo per la prima volta all'interno della scheda dati, utilizza il file corretto dal movimento ed estratto dal cervello come input e imposta il valore TR in modo che corrisponda al tuo set di dati. Imposta il filtro passa-alto utilizzando un filtro 102°, che rimuoverà i segnali a frequenza molto bassa di nessun interesse. Un filtro passa-basso per rimuovere i segnali ad alta frequenza verrà applicato in seguito all'interno della scheda delle statistiche del pres.

Non scegliere nessuno sotto la correzione del movimento e deselezionare, ma l'estrazione del cervello. Una volta eseguiti questi passaggi, eseguire l'arrotondamento spaziale utilizzando una larghezza massima di cinque millimetri. Quindi, all'interno della scheda delle statistiche, regredisce i sei parametri di movimento e le loro derivate temporali.

Selezionare Nessuno per Convoluzione e selezionare Applica filtro temporale. Usa l'output di F selmic flirt per ottenere file di testo dei parametri di movimento, che possono poi essere inseriti nell'analisi dei piedi per farli regredire in un modello lineare generale. Inoltre, aggiungere al GLM i segnali del liquido cerebrospinale e della sostanza bianca che sono stati estratti e normalizzati nei passaggi precedenti.

Selezionare nessuno per la convoluzione. Aggiungi derivata temporale e deseleziona applica filtro temporale. I residui del pretrattamento sopra descritti devono essere utilizzati per la correlazione basata sulle sementi.

Questi residui devono essere prima fatti passare attraverso un filtro PESS basso di 0,1 hertz, quindi sminuiti sottraendo la media, dividendo per la deviazione standard e quindi scalati aggiungendo 100 semi dovrebbero essere definiti con un diametro di sei millimetri. Nello spazio MNI standard. Utilizzando il software per la risonanza magnetica, i semi posteriori e anteriori dovrebbero corrispondere alle coordinate mostrate qui.

Si noti che queste posizioni dei semi sono state definite all'interno di controlli sani. I semi dovrebbero successivamente essere trasformati nello spazio cerebrale funzionale individuale di ciascun soggetto dallo spazio MNI standard. A tal fine, utilizzare la matrice di trasformazione precedentemente generata per trasformare il seme dallo spazio standard m e i allo spazio funzionale individuale.

Successivamente, utilizzare il comando FSL mean Ts per estrarre la serie temporale dal residuo precedentemente ridotto e ridimensionato. Utilizzo del seme nello spazio tematico individuale come maschera. Normalizzare le serie temporali estratte utilizzando il software R Le correlazioni parziali tra i voxel seed e tutti i loro voxel cerebrali devono essere calcolate separatamente per ogni soggetto per ogni esecuzione.

Per questo, all'interno dell'interfaccia dei piedi FSL, seleziona l'analisi di primo livello e poi le statistiche più le statistiche dei post all'interno della scheda dei dati. Il residuo precedentemente sminuito e scalato deve essere utilizzato come input. Imposta il limite del filtro passa-alto su 10.000 poiché il residuo è già alto, passato a 100 secondi all'interno della scheda delle statistiche.

Deselezionare l'uso del film pre sbiancamento e utilizzare le serie temporali del seme precedentemente estratte e normalizzate. Nel GLM all'interno della scheda delle statistiche dei post, imposta la soglia delle statistiche Z desiderata su un valore di 2,0 prima di eseguire l'analisi del gruppo. Combinando le esecuzioni all'interno dei soggetti, dovrebbe essere eseguita una trasformazione Z di Fisher sul contrasto delle stime dei parametri.

File generato dall'analisi di correlazione, copia i dati di registrazione dalla directory reg dell'analisi dei piedi nell'esecuzione di correlazione. Esegui un'analisi di livello superiore combinando le esecuzioni all'interno di ogni materia. Innanzitutto, seleziona l'analisi di livello superiore e poi le statistiche più le statistiche dei post.

Quindi, all'interno della scheda dati, scegli gli input sono directory di piedi di livello inferiore e inserisci le corse del soggetto all'interno della scheda delle statistiche. Scegli gli effetti misti. Simple OLS imposta un modello come effetto medio e inserisci un valore di uno per ciascuna delle esecuzioni dei soggetti.

Per combinare l'overrun dei dati tra i soggetti, è necessario utilizzare un'analisi ordinaria degli effetti misti dei minimi quadrati, scegliere l'analisi e le statistiche di livello superiore più le statistiche dei post all'interno della scheda dei dati. Scegliere gli input sono directory di piedi di livello inferiore e inserire le corse combinate del soggetto all'interno della scheda delle statistiche, scegliere gli effetti misti. Simple OLS imposta un modello in base ai tre gruppi, immetti un valore di uno per il gruppo.

Ogni materia appartiene a zero. In caso contrario, l'analisi di gruppo dovrebbe essere eseguita su ciascun voxel utilizzando un innova unidirezionale con tre livelli che corrispondono ai tre gruppi alla soglia. Le immagini statistiche Z utilizzano una soglia di formazione del cluster di Z maggiore di 2,0 e una soglia significativa del cluster corretta di P uguale a 0,05 per ottenere valori Z corretti sulla mappa di correlazione.

Sui risultati dovrebbe essere eseguita una trasformata Z fisher inversa. Infine, utilizza i seguenti contrasti specifici come mostrato sullo schermo qui. Questa figura mostra la rete di modalità predefinita rivelata con la connettività da un seme posteriore, inclusi lo splenio posteriore e il precuneo nei colori rosso giallo e nel seme anteriore, inclusa la corteccia prefrontale mediale di sfiato nei colori blu verde.

La prima riga rivela la rete per i soggetti di controllo, la seconda fila per l'epilessia del lobo temporale sinistro e la riga inferiore per l'epilessia del lobo temporale destro. Le figure seguenti confrontano queste reti tra questi tre gruppi. Qui vediamo le reti di modalità predefinite rivelate con un seme anteriore e uno posteriore per l'epilessia combinata del lobo temporale destro e sinistro rispetto ai controlli sani.

Questa figura mostra le reti di modalità predefinite rivelate con gli stessi punti di partenza solo per l'epilessia del lobo temporale sinistro rispetto ai controlli sani. Mentre questa figura mostra le reti rivelate per l'epilessia del lobo temporale destro solo rispetto ai controlli sani, e infine qui vediamo le reti in 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.

In questo esperimento è stata usata una tecnica basata su seed per valutare la connettività alla rete in modalità predefinita. Sarà interessante vedere come altre tecniche si confrontano nei loro risultati quando studiano l'epilessia del lobo temporale.