方法論記事

アルツハイマー病と軽度認知障害の監督機能接続のグレンジャー因果関係分析の応用

DOI：

10.3791/56015

⸱

2017年8月7日

 ,  ,  ,  ,  ,  , 
1Zhejiang Chinese Medical University, 2Department of Psychiatry, Zhejiang Provincial People's Hospital, 3Department of Radiology, Zhejiang Provincial People's Hospital

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

休息状態機能的磁気共鳴イメージング ・ グレンジャー因果関係分析に基づき、後部帯状回皮質とアルツハイマー病 (AD) の患者は、軽度認知障害 (MCI) と健常者と患者の脳全体の監督機能接続変更を調べた。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

障害機能接続デフォルト モード ネットワーク (DMN) ではアルツハイマー病 (AD) の進行に関与する可能性があります。後部帯状皮質 (PCC) は、AD の進行を監視するための潜在的なイメージング マーカーです。PCC と DMN、以外の地域のノードとの間の機能的結合の以前の研究に焦点をしなかったが、我々 の研究はこれらの見落とさの機能の接続を探索する努力。データを収集する機能磁気共鳴イメージ投射 (fMRI) とグレンジャー因果関係分析 (GCA) を使用しました。fMRI は、異なる脳部位間の動的相互作用を研究するための非侵襲的な方法を提供します。GCA は、ワンタイム シリーズは別の予測に有用かどうかを判断するための統計的仮説検定です。簡単に言えば、「既知の最後の瞬間、この時点での X の確率分布上のすべての情報」と「既知の Y、この時点での X の確率分布を除く最後の瞬間にすべての情報」を比較することによって判断される、Y と X と間の因果関係があるかどうかを決定します。この定義は、完全な情報源、および静止した時間的順序に基づいています。この分析の主要なステップは X を使用して回帰方程式を確立し、仮説のテストによって因果関係を描画する Y。GCA は、因果効果を測定することができます、ので機能的結合の異方性を調査し、PCC のハブ機能を探索に使用しました。ここでは、MRI スキャン、116 の参加者で仕切ったし、神経イメージング研究から得られたデータの前処理後、各ノードの因果関係を導き出す GCA を使用します。最後に、ダイレクト接続が脳全体に PCC と PCC に全脳から軽度認知障害 (MCI) と広告グループ間に有意な結論を得ました。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

広告は、病理組織学的、電気生理学、ニューロ イメージングの1を使用して診断することができます中枢神経系の変性疾患です。メモリ関連 DMN は、広告に関連付けられている相互作用する脳の領域の重要なシステムとその機能異常広告2,3の特徴であります。PCC は静止状態では伝統的な既定のネットワークの重要な地域をエピソード記憶、空間的注意、自己評価、その他認知機能4,5,6,7で極めて重要な役割を果たしています。さらに、AD の進行を監視するためのイメージング マーカーしていることがあります。GCA を使用して、遼らは PCC が複数接続を持つ複数の習性の領域であり、脳機能構造8で重要な役割を果たしていることを発見しました。忠らは、PCC が DMN3内の他の領域のほとんどからの相互作用を受け収束の中心地であったことを報告しました。さらに、ミャオ族らは、DMN ハブ地域で PCC が他のノードの9と最大の因果関係を示した。一緒に、この証拠を示します、PCC のダイレクト接続は広告研究の貴重な PCC はさらにする必要がありますすべては DMN の重要な地域として詳細な検討。

前の研究は、PCC と DMN; 内その他の地域間の接続に限られていたしかし、その広告に及ぼす影響と同様に、DMN 外 PCC と脳領域間監督の機能的結合の変化まだされていない探検10。我々 の研究は、健常者、MCI 患者と AD 患者でこの未踏の機能的結合を詳しく調べる。全脳領域と PCC のダイレクト接続を観察することによって広告の進行に関連する脳の機能変化を明らかし、疾患の重症度を評価するため、新規の客観的な根拠を確立することを目指しました。

機能的結合は、脳の血液酸素レベル依存 (BOLD) fMRI 信号の同期の低周波ゆらぎ (LFFs) によって表すことができる地域間の相互作用を指します。したがって、PCC と他の脳部位間の機能的結合を観察するために、我々 は PCC 関心領域 (ROI) として用いた GCA、fMRI による PCC と脳全体のネットワークの間の機能的結合を分析しました。この手法は、直接神経イメージング研究11から取得したデータを使用して各ノードの基本的な関係を派生します。最近では、GCA は、脳波と fMRI 研究脳領域12間の因果の影響を明らかにするために適用されています。すべてのこれらの研究では、GCA 技術が脳の各ノードの因果関係を検出するための最適なことがあります示されています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究は、浙江省人民病院の倫理委員会によって承認されました。登録されたすべての被験者は、書面によるインフォームドコンセントに署名しました。

1. サンプルの分類とスクリーニング

  1. 116人の患者を診断し、ADグループとMCIグループに分けます。
    注:2011年の国立神経学コミュニケーション障害および脳卒中研究所およびアルツハイマー病および関連障害協会(NINCDS-ADRDA)の診断基準およびMCIの同定および分類のためのMini-Mental State Examination(MMSE)基準を使用してください。10
  2. 健康な対照群の参加者を選択します。
    注: 対照群の年齢、性別、および教育レベルは、MCI 群と AD 群の患者と一致しました。
  3. MMSE10 ですべての被験者を評価します。
  4. 選択基準を満たさなかった被験者を除外します。すべての被験者について、除外基準はYu et al.に記載されています。10
  5. MRIを使用して被験者をスキャンし、頭の動きのために使用できないデータを持つ被験者を除外します。
    注:最終的に、MCI患者26人、AD患者32人、および対照58人をスクリーニングしました。

2. ニューロイメージングの獲得

  1. 3.0 T MRIラボに入る前に、金属や磁性体を取り除
    2. いてください。
  2. 磁気共鳴スキャンベッドにMRI受信コイルを取り付けます。受信コイルは、8チャンネルの円偏光ブレインフェーズドアレイコイルです。
  3. 参加者にベッドに横たわり、頭を前にして体の長軸をベッドの長軸に沿って仰向けのままにするように指示します。参加者の頭をコイルのブラケットに置き、眼窩線がベッドに対して垂直であることを確認します。
  4. 参加者に、上肢を体の側面に配置し、目を閉じたまま、特に何も考えず、スキャン中はできるだけ動かないように伝えます。頭の動きを防ぐために頭の両側側頭領域にフォームパッドを置き、参加者のスキャナーノイズを減らすためにヘッドフォンを用意します。
    注:フォームパッドの寸法は、長径= 13 cm、短径= 10 cm、最も厚い厚さ= 7 cm、最も薄い厚さ= 3 cm、平均厚さ= 5 cmです。
  5. ポジショニングライトで頭の位置を調整し、矢状位置決めカーソルが顔の正中線にくっつき、軸ポジショニングカーソルが外側眼角と平行になるようにします。次に、ベッドを動かして、軸位置決めカーソルを眉毛またはその2cm下に保ちます。
  6. ヘッドを磁石の中心に動かします。勾配エコー平面イメージング(EPI-BOLD)および3D-T1-MPRAGEイメージングを含むfMRI脳スキャンを実行します.
    注:次のパラメータを使用します:
    EPI-BOLD: TR/TE = 2,000/30 ms、レイヤーの厚さ/レイヤーピッチ = 3.2/0.8 mm、31 スライス、マトリックス = 64 x 64、FOV = 220 x 220 mm、ボクセルサイズ = 3 x 3 x 4 mm、フリップ角度 = 90°、スキャン時間 484 秒、合計 240 枚のスキャン画像
    3D-T1-MPRAGEイメージング:TR/TE = 8.5/3.2 ms、フリップ角度 = 15°、視野角 = 250 x 250 mm、マトリックス = 256 x 256、スライス数 = 176、スライス厚さ/ギャップ = 1/0 mm、スキャン時間353秒、合計192枚のスキャン画像。
  7. スキャンの終了時に患者がベッドを離れるときは、患者の安全を確保してください。

3. データの前処理

注:安静時fMRI(rs-fMRI)データ分析ツールキットプラス(RESTplus)を使用して、安静時の脳機能の生データを分析します。

  1. MATLABでRESTplusを開き、Pipelineを左クリックします。
  2. 関連ファイルをRESTplusにインポートします。作業ディレクトリを選択し、次に開始 EPI ディレクトリと T1 ディレクトリを選択します。
  3. DICOMファイルをNIFTIに変換します。前処理で「DICOMからNIFTIへ」ボックスをオフにし、「EPI DICOMからNIFTU」および「T1 DICOMからNIFTIへ」パラメータをオフにします。
  4. 最初の 10 個のタイム ポイントを削除するには、[Remove first n time points] をオフにし、n パラメーターを 10 に設定します。
  5. スライスのタイミングは、rs-fMRIのパラメータに従って設定します。[Slice timing] ボックスをオフにします。研究のrs-fMRIパラメータに従ってスライス番号を設定します。スライスの順序を入力します。
    注:脳スキャンの各レイヤーのデータの取得は同じ時点にないため、同じ時点にキャリブレーションする必要があります。
  6. 時間と頭の動きを修正します。Realign.
    にチェックを入れます。 注:過度の頭の動きの除外基準は、>2.0mmの並進または任意の方向に>2.0°回転することでした。RESTplusでは、これはデフォルトのパラメータです(「Realign」のオプションを左クリックします)。
  7. T1 イメージの統合セグメンテーションを使用し、すべてのヘッドを同じ空間に標準化して、空間正規化を実行します。[正規化] をオフにし、デフォルトのパラメータを下部のままにします。T1 イメージの統合セグメンテーションとヨーロッパのパラメーターを使用して正規化を選択します。
    注:3 mm×3 × 3 mmのボクセルでrs-fMRI画像を再サンプリングし、RESTplusの他のパラメータがデフォルトであり、[T1画像統合セグメンテーションを使用して正規化]オプションを左クリックするだけです。
  8. 半値全幅 (FWHM) が 6 mm の等方性ガウス カーネルを使用して空間平滑化を実行します。[スムーズ] をオフにします。
  9. 線形トレンドを削除するには、トレンド除去にチェックを入れます。
  10. 迷惑なリグレッサー(WM、CSF、グローバル)からの信号をリグレッションアウトして、信号対雑音比を向上させます。Nuisance共変量回帰と次のパラメーターをオンにします:6つの頭の動きパラメーター、全体平均信号、白質信号、および脳脊髄液信号<。 注:このステップでは、デフォルトとして「多項式トレンド」を1に設定し、「6ヘッドモーションパラメータ」、「迷惑リグレッサー(WM、CSF、グローバル)」、および「平均バックを追加」をデフォルトとして選択します。
  11. バンドパスフィルタリングを使用して、0.01 〜 0.08 Hz の信号を保持し、高周波の生理ノイズと低周波ドリフトを除去します。[フィルター] をオフにします。

4. 有向接続性解析

注:シード領域の平均BOLD信号強度を抽出した後、全脳の各ボクセルのBOLD信号と組み合わせてGCAを実行します。

  1. ボクセル単位の GCA を実行するには、REST ツールボックスの REST-GCA を使用します。ポストプロセッシングボックスで、GCAをオフにします。
  2. デフォルトでは 'order' を 1 に設定します。入力のパラメータを選択します。
  3. ROIを定義し、PCCのシードポイントを特定します。[Define ROI] を選択し、[Spherical ROI] を選択します。[次へ] を選択します。既知のデータに基づいてシード ROI の中心座標と半径を設定し、 [OK
    ] を選択します。 注:DMNのROIは、以前の研究と同様にPCC(x = 0、y = -53、z = 26、半径= 6 mm)に配置されました13。
  4. [実行] と [OK] を選択してプログラムを実行します。
  5. 関連するファイルデータを処理した後、ZGCAおよびGCAという名前のフォルダを検索します。ZGCAのファイルを整理し、それに応じてxx、xy、yx、yyの4つのサブフォルダに分類します。
    注:後で、主にxyサブフォルダとyxサブフォルダを使用します。3 セットのファイル データ ('AD'、'MCI'、'NC') は、上記の手順 3.1 から 4.5 に従ってすべて処理および並べ替えられます。
  6. MATLABでRESTplusを開き、Statistical Analysisを左クリックします。REST 2サンプルt検定を左クリックします。
  7. 出力結果に T1xy という名前を付け、出力ディレクトリを設定します。[Add Group Images] を左クリックして、AD Results フォルダの xy サブフォルダと NC Results フォルダの xy サブフォルダを開きます。
  8. マスクファイルのオプションで、左クリックして「マスク」フォルダ内のBrainMask_05_61 * 73 * 61サブファイルを開きます。
  9. [コンピューティング] を選択してプログラムを実行します。
  10. 出力結果に T2xy という名前を付け、出力ディレクトリを設定します。[Add Group Images] を左クリックして、AD Results フォルダの xy サブフォルダと MCI Results フォルダの xy サブフォルダを開きます。手順4.8〜4.9を繰り返します。
  11. 出力結果に T3xy という名前を付け、出力ディレクトリを設定します。[Add Group Images] を左クリックして、[MCI Results] フォルダの xy サブフォルダと [NC Results] フォルダの xy サブフォルダを開きます。手順4.8〜4.9を繰り返します。
  12. 出力結果にT1yxという名前を付け、出力ディレクトリを設定します。[Add Group Images]を左クリックして、[AD Results]フォルダのyxサブフォルダと[NC Results]フォルダのyxサブフォルダを開きます。手順4.8〜4.9を繰り返します。
  13. 出力結果にT2yxという名前を付け、出力ディレクトリを設定します。[Add Group Images]を左クリックして、AD ResultsフォルダのyxサブフォルダとMCI Resultsフォルダのyxサブフォルダを開きます。手順4.8〜4.9を繰り返します。
  14. 出力結果にT3yxという名前を付け、出力ディレクトリを設定します。[Add Group Images]を左クリックして、[MCI Results]フォルダのyxサブフォルダと[NC Results]フォルダのyxサブフォルダを開きます。手順4.8〜4.9を繰り返します。
  15. 最後に、手順4.6〜4.14に従って6つの結果ファイルを取得し、RESTplusのビューアを左クリックして結果を表示します。ch2 という名前のテンプレートをアンダーレイにインポートします。
  16. 出力ディレクトリで 6 つの結果ファイルを見つけ、オーバーレイを 1 つずつ入力します。最終結果グラフと、6 つのグラフに対応する 6 つの結果ファイルを取得します。
  17. Statistical Product and Service Solutions(SPSS)を使用して、前のステップで取得したデータを処理します。
    1. 連続変数を平均と標準偏差 (SD) として表示します。
    2. カテゴリ変数を数値とパーセンテージで表し、カイ二乗検定を使用します。
      注:すべてのp値<0.05は統計的に有意であると見なされました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人口統計情報

表1は、主題の特性を示しています。すべての科目は、中学校以上の教育レベルを持っていました。年齢、性別、教育レベルは3つのグループ間で類似していた(P >0.05)が、MMSEスコアは有意に異なっていた(p <0.01)。

指向性脳機能接続性

脳全体の活動ノードが最初に特定されました。GCA技術を使用して、AD、MCI、および対照群のPCCからPCC全体、および全脳からPCCへの指向性機能接続が決定されました（図1、

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

監督機能への接続、PCC から全脳および脳全体から PCC 広告の間の比較のためのプロセスについて述べる MCI とコントロールのグループ。さらに、このプロセスの重要なステップは、分類と実験の前に、サンプルのスクリーニングです。したがって、分類および審査基準は、間違いである場合、結果の精度に影響するので重要に。私たち使用の識別と MCI の分類基準と MMSE、2011 実践 ADRDA 診断基準プロトコルに記載されている、当社の審査基準も、上記プロトコルで呼ばれます。我々 は、裁判には適していたし、正確に分類される残りの患者では、その後の実験のための基礎であるそれらの患者を除外されます。GCA 批判的由来監督機能接続 PCC 全脳および脳全体から PCC 広告、MCI の間とから得られるデータを使用してコントロール グループ脳病態。我々 は、このプロトコルの GCA 分析の詳細を提示しました。この技術は、ダイレクト接続のグループ間に有意差を発見し、よく機能変化と AD の進行度との相関を説明しました。

本研究のデータ分析、個人を除く年齢、性別、教育レベル、のでこれらが 3 つのグ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者は、競合する金融興味を持たないを宣言します。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは、コンピューターのソフトウェア サポートの Gongjun 寺をありがとうございます。この研究は中国の国家自然科学基金 (号 81201156、81271517);、部分的にサポート地方自然科学基礎の中国浙江 (いいえ。LY16H180007、LY13H180016、2013C33G1360236)、および浙江省 (第 2013RCA001、201522257) の保健委員会から科学財団。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
患者116、浙江省人民この研究は、浙江省人民の倫理委員会によって承認されました。の病院。登録されたすべての被験者は、書面によるインフォームドコンセントフォームに署名しました。
シーメンス トリオ 3.0 T MRIスキャナーシーメンス、エアランゲン、ドイツ20571音響ノイズを最大90%低減するAudioComfortを搭載。低騒音レベルで高性能を提供します。超軽量コイル。独自のMRIシーケンスデザイン。制限なしで最大400ポンドをサポートします。
RESTplus杭州師範大学、杭州、浙江省、中国20160122RESTplusは、機能的接続性(FC)、地域均質性(ReHo)、低周波変動の振幅(ALFF)、フラクショナルALFF(fALFF)、グラグナー因果性、次数中心性、ボクセルミラーリングホモトピック接続性(VMHC)を計算し、統計分析を実行するための便利なツールキットであるREST(Resting-State fMRI Data Analysis Toolkit)から発展しました。
DPARSF杭州師範大学、杭州、浙江省、中国130615Data Processing Assistant for Resting-State fMRI (DPARSF) は、SPM に基づく DPABI 内の便利なプラグイン ソフトウェアです。DICOMファイルを整理し、いくつかのボタンをクリックしてパラメータを設定するだけで、DPARSFはすべての前処理データ、機能接続性、ReHo、ALFF / fALFF、次数中心性、ボクセルミラーリングホモトピック接続性(VMHC)の結果を提供します。
SPSSSPSS Inc.、シカゴ、イリノイ州、米国-SPSSは、データをより深く調べ、気付かなかった可能性のある傾向を特定するための詳細な分析オプションを提供します。
人

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Delbeuck, X., Van der Linden, M., Collette, F. Alzheimer's disease as a disconnection syndrome? Neuropsychol Rev. 13 (2), 79-92 (2003).
  2. Wang, K., et al. Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study. Hum Brain Mapp. 28 (10), 967-978 (2007).
  3. Zhong, Y., et al. Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study. Neurosci Lett. 578, 171-175 (2014).
  4. Gusnard, D. A., Raichle, M. E., Raichle, M. E. Searching for a baseline: functional imaging and the resting human brain. Nat Rev Neurosci. 2 (10), 685-694 (2001).
  5. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).
  6. Ries, M. L., et al. Task-dependent posterior cingulate activation in mild cognitive impairment. NeuroImage. 29 (2), 485-492 (2006).
  7. Braak, H., Braak, E. Neuropathological stageing of Alzheimer-related changes. Acta Neuropathol. 82 (4), 239-259 (1991).
  8. Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
  9. Miao, X., Wu, X., Li, R., Chen, K., Yao, L. Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach. PloS one. 6 (10), e25546(2011).
  10. Yu, E., et al. Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment. Curr Alzheimer Res. , (2016).
  11. Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance. Biol Cybern. 85 (2), 145-157 (2001).
  12. Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing. J Neurosci Methods. 203 (2), 418-426 (2012).
  13. Hedden, T., et al. Disruption of functional connectivity in clinically normal older adults harboring amyloid burden. J Neurosci. 29 (40), 12686-12694 (2009).
  14. Liao, W., et al. Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI. NeuroImage. 54 (4), 2683-2694 (2011).
  15. Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
  16. Zhang, H. Y., et al. Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease. Behav Brain Res. 197 (1), 103-108 (2009).
  17. Deshpande, G., Hu, X., Stilla, R., Sathian, K. Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data. NeuroImage. 40 (4), 1807-1814 (2008).
  18. Bressler, S. L., Seth, A. K. Wiener-Granger causality: a well established methodology. NeuroImage. 58 (2), 323-329 (2011).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

MRI

関連記事