側頭葉てんかんにおける機能的結合MRIを用いてデフォルトモードネットワークのネットワーク解析

本実験の全体的な目的は、統計マップを取得することです。これにより、健常対照群とてんかん患者における安静時fMRIスキャンの差を比較します。これは、側頭葉てんかん患者および健常対照群の被験者からfMRIデータを取得することによって達成されます。

第2段階として、統計解析に適した状態にするためにFMRIの前処理を行います。次に、2つのグループ間で統計的に妥当な比較を行うため、前処理済みのFMRIデータを解析します。その結果、健康な対照群の脳ネットワークと比較して、てんかん患者の脳ネットワークに差異があることが示されます。

これら2つのグループ間における脳ネットワークマップの統計的な差異に基づき、焦点発作によって現れるてんかんであっても、広範なネットワーク障害から生じる創発的特性であることがますます明らかになってきました。本手法の着想は、発作時におけるDEF Favoネットワークの重要性を認識し、側頭葉てんかんにおいて発作間にデフォルトLOネットワークの異常があるのではないかと考えたことから得られました。本プロトコルの研究対象集団には、3つのグループを含めるべきであると考えられます。そうでしょうか？

側頭葉てんかん患者、左側頭葉てんかん患者、および健常対照群。合計で約35名の被験者が推奨されます。てんかん被験者群は、ビデオEEGモニタリング、PETイメージング、および神経心理学的検査によって決定された前側頭葉切除術の適応例など、側頭葉てんかんと診断された患者である必要があります。また、すべての被験者の脳MRIが正常であり、患者群においててんかん以外の神経疾患がないことを確認してください。

撮像前にすべての被験者からIRBの承認および書面によるインフォームド・コンセントを得て、MRI安全性のスクリーニングを行う。患者はfMRIスキャン中も通常通り薬を服用し、発作直後のスキャンは避ける必要がある。本プロトコルで説明するすべての撮像には、3 TeslaのMRIシステムを使用すること。

エコープランナーイメージング（EPI）シーケンスを用いて機能画像の軸方向スライスを取得し、解剖学的画像にはスポイルド勾配エコー（SGR）シーケンスを使用します。被験者にはリラックスして目を閉じ、静止した状態で待機してもらい、ここに示されるパラメータを用いて機能撮像を行います。また、S PGR T1強調高解像度構造撮像には、以下のパラメータを使用してください。

各イメージングセッションは約20分間行います。まず、FSLソフトウェアを用いてfMRIデータのプリプロセッシングを開始します。FSL MCFLを使用して、頭部運動アーチファクトを除去してください。

次に、FSLの脳抽出ツール（BET）を使用し、-fオプションでボールドファイルを指定して、脳以外の組織を除去します。これにより、脳組織のみを用いたさらなる解析ステップが可能になります。続いてFSLで、レジストレーションを含む最小限の処理による解析を実行します。

上部の2つのボタンから、解析レベルに「first level analysis」を選択し、「full analysis」を「pre stats」に変更します。次に「pre stats」タブで、「bet brain extraction」のチェックを外し、「motion correction」で「none」を選択します。これらは既に実行済みであるためです。その後、機能画像を解剖学的画像にレジストレーションし、続いて標準MNI画像にレジストレーションします。

これにより変換行列が生成され、後の解析において、標準空間で選択されたシードを被験者の脳空間へとワープさせるために使用されます。次に、standard_to_example_func.mat という名称で生成された変換行列を用いて、CSFおよび白質のROIを個別のBOLD空間に変換します。その後、FSLのmean_tsコマンドを使用して、CSFおよび白質ROIからタイムシリーズを抽出します。

個々の被験者空間におけるROIをマスクとして使用し、ソフトウェアRを用いて抽出した時系列データを正規化します。これらの時系列データは、後に一般線形モデルの回帰変数として使用され、解析から対応するアーティファクト信号を除去するために利用されます。次のステップは、被験者の体動に関連するアーティファクトの除去です。体動パラメータの回帰については以下の通りです。

FSL FEATを実行する前に、データタブで以下の設定を行ってください。入力ファイルとして、モーション補正済みかつブレイン抽出済みのファイルを使用し、TR値をデータセットに合わせて設定します。ハイパスフィルタリングには102秒のフィルタを設定し、関心のない超低周波信号を除去します。高周波信号を除去するためのローパスフィルタは、後ほどPres Statsタブ内で適用されます。

モーション補正（motion correction）は「none」を選択してチェックを外し、脳抽出（brain extraction）のみにチェックを入れます。これらのステップは既に完了しているため、半値全幅（full width half maximum）5 mmを用いて空間平滑化（spatial smoothing）を行います。その後、statsタブ内で、6つのモーションパラメータとその時間微分を回帰させます。

Convolutionについては「none」を選択し、「apply temporal filtering」にチェックを入れます。F SLM flirtの出力を利用して動きパラメータのテキストファイルを取得し、これをFEAT解析に入力して一般線形モデルで回帰させます。また、前のステップで抽出および正規化を行ったCSFおよび白質の信号をGLMに追加します。

畳み込みには「none」を選択します。「temporal derivative」を追加し、「apply temporal filtering」のチェックを外します。上記で説明した前処理による残差を、シードベース相関に使用する必要があります。

これらの残差は、まず0.1 hertzの低域PESSフィルタに通し、平均を減算して平均値をゼロにし、標準偏差で除算した後、100を加算してスケーリングする必要があります。シードは、標準MNI空間において直径6 mmで定義してください。MRIcronソフトウェアを用いて、後方および前方のシードをここに示す座標に設定します。

これらのシード位置は、健常対照群において定義されていることに注意してください。その後、各被験者の個別の機能的脳空間へ、標準MNI空間からシードを変換する必要があります。この際、標準MNI空間から個別の機能的空間へシードを変換するために、以前に作成した変換行列を使用してください。

次に、FSLのmean Tsコマンドを使用して、 previously demeaned and scaled residual（事前に平均除去およびスケーリングされた残差）から時系列を抽出します。その際、個々の被験者空間におけるシード領域をマスクとして使用します。抽出した時系列はソフトウェアRを用いて正規化します。シードボクセルとすべての脳ボクセルとの間の部分相関は、被験者ごとおよびランごとに個別に算出する必要があります。

この操作を行うため、FSL FEATインターフェースの「Data」タブ内で「First-level analysis」を選択し、次に「Stats」および「Post-stats」を選択します。入力には、あらかじめ平均除去およびスケーリングを行った残差を使用してください。「Stats」タブで、ハイパスフィルターのカットオフ値を10,000に設定します。これは、残差に対してすでに100秒でのハイパス処理が適用されているためです。

「use film pre whitening」の選択を解除し、事前に抽出および正規化されたシード時系列データを使用します。ポスト統計（post stats）タブ内のGLMにおいて、グループ解析を実行する前に、希望するZ統計量しきい値を2.0に設定します。被験者内のランを統合する場合、パラメータ推定値のコントラストに対してフィッシャーのZ変換を行う必要があります。

相関分析から生成されたファイルであり、feet解析のregディレクトリから登録データを相関ランにコピーします。各被験者内のランを統合して、ハイアレベル解析を実行します。まず「higher level analysis」を選択し、次に「stats plus post stats」を選択してください。

次に、「data」タブ内で「inputs are lower level feet directories」を選択し、「stats」タブで被験者のランを入力します。「mixed effects」を選択してください。Simple OLSで平均効果としてモデルを設定し、各被験者のランに対して値「1」を入力します。

被験者間のデータオーバーランを統合するには、最小二乗法による単純混合効果分析を用いる必要があります。データタブ内で「higher level analysis」および「stats plus post stats」を選択してください。入力として下位レベルの feet ディレクトリを選択し、stats タブ内で被験者の統合 Run を入力し、「mixed effects」を選択します。単純 OLS では、モデルを 3 つのグループとして設定し、グループに 1 の値を入力してください。

各被験者がゼロに属している場合は除外します。それ以外の場合、各ボクセルに対して、閾値設定のための3つのグループに対応する3水準の一元配置分散分析（one-way ANOVA）を用いてグループ解析を行います。Z統計量画像では、クラスター形成閾値をZ > 2.0とし、補正後のクラスター有意閾値をP = 0.05とすることで、相関マップ上の正確なZ値を得ます。

結果に対して逆フィッシャーZ変換を行う必要があります。最後に、こちらの画面に表示されている特定のコントラストを使用します。この図は、後方のシード（後方帯状回後部や前楔前部を含む赤黄色）および前方のシード（腹内側前頭前皮質を含む青緑色）からのコネクティビティによって明らかにされたデフォルトモードネットワークを示しています。

1行目は対照群のネットワークを、2行目は左側頭葉てんかんのネットワークを、そして最下行は右側頭葉てんかんのネットワークを示しています。以下の図では、これら3群間でのネットワークの比較を行っています。ここでは、健常対照群と比較した、右側頭葉てんかんおよび左側頭葉てんかんの統合群において、前方および後方のシードを用いて明らかにされたデフォルトモードネットワークを示しています。

この図は、健常対照群と比較して、左側頭葉てんかんのみに用いられた同一のシードポイントで明らかになったデフォルトモードネットワークを示しています。こちらの図は、健常対照群と比較して右側頭葉てんかんのみで明らかになったネットワークを示しており、そして最後に、右側頭葉てんかんと比較して、左側頭葉てんかんの前方および後方のシードで明らかになったデフォルトモードネットワークが示されています。脳全体を含む機能的結合の研究は、てんかんの根本的なメカニズムを理解するために不可欠です。

本実験では、デフォルトモードネットワークへの結合性を評価するためにシードベースの手法を用いました。側頭葉てんかんを研究する際、他の手法を用いて得られる結果がどのように異なるかを検証することは興味深いと考えられます。