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

次の実験の全体的な目標は、統計マップを取得することです。健常対照者とてんかん患者との間の安静時FMRIスキャンの違いの比較。これは、側頭葉てんかんの被験者と健康な対照被験者のFMRIデータを取得することによって達成されます。

2番目のステップとして、FMRIは前処理され、統計的に分析されるデータが準備されます。次に、前処理されたFMRIデータを分析して、2つのグループ間の統計的に有効な比較を取得します。てんかん患者と健常対照被験者の脳ネットワークに差があることを示す結果が得られました。

これら2つのグループ間の脳ネットワークマップの統計的な違いに基づいて、限局性発作によって現れるてんかんでさえ、びまん性ネットワーク障害の創発的特性であることがますます明らかになってきています。この手法のアイデアは、発作中の DEF Favo ネットワークの重要性を認識し、側頭葉てんかんの発作間のデフォルトの LO ネットワークが異常であるかどうか疑問に思った後に生まれました。このプロトコルの研究集団には、3つのグループを含める必要がありますよね?

側頭葉てんかん患者、左側頭葉てんかん患者、および健康なコントロール。合計約35科目が推奨されます。てんかんの被験者グループは、側頭葉てんかんと診断された患者であるべきであり、ビデオ、EEGモニタリング、PETイメージング、神経心理学的検査によって決定される前側頭葉切除術の候補など、すべての被験者が正常な脳MRIを持ち、患者グループでてんかん以外の神経疾患がないことを確認します。

MRIのイメージングとスクリーニングの前に、すべての被験者からIRBの承認と書面によるインフォームドコンセントを取得します。安全。患者はFMRIスキャン中も通常の投薬を継続し、発作の直後にスキャンを受けるべきではありません。このプロトコルに記載されているすべてのイメージングには、3テスラMRIシステムを使用する必要があります。

エコー平面イメージングシーケンスを使用して機能画像用の軸スライスを取得し、解剖学的画像用のアキシャルスライスを取得するには、甘やかされた勾配リコールシーケンスを使用します。参加者にリラックスして目を閉じてじっとしているように依頼し、ここに示されているパラメーターを使用して機能的なイメージングを実行します。また、S PGR T one weighted High Resolution Structural Imagingには、次のパラメータを使用します。

各イメージングセッションは約20分続きます。まず、FSLソフトウェアを使用してFMRIデータを前処理します。FSL MFLを使用して、頭部の動きのアーチファクトを除去します。

次に、FSL脳抽出ツールまたはBETを使用して、太字のファイル用のオプションdash Fを使用して非脳組織を除去します。これにより、脳組織のみでのさらなる解析ステップが可能になります。次に、レジストレーションを使用して最小限の処理の解析を実行します。

最初のレベルの分析を選択し、上部の2つのボタンから完全な分析を事前統計に変更します。次に、[pres stats]タブで、[bet brain extraction]のチェックを外し、[モーション補正]で[なし]を選択します。これらはすでに実行されているためです。次に、機能画像を解剖学的画像に登録し、次に標準MNI画像に登録します。

これにより、変換行列が生成され、後で分析中に標準空間で選択されたシードを被験者の脳空間にワープするために使用されます。次に、生成された standard という名前の変換行列を使用して、ファンク ドット マットを例示し、CSF と白質の ROI を個々の太字の空間に変換します。次に、FSL mean TS コマンドを使用して、CSF と白質 ROI から時系列を抽出します。

個々の被験者空間のROIをマスクとして使用し、ソフトウェアR.These時系列を使用して抽出された時系列を正規化します。これらの時系列は、後で一般線形モデルのリグレッサーとして使用され、対応するアーティファクト信号を分析から除去します。次のステップは、被写体の動きに関連するアーティファクトの除去です。モーションパラメータの回帰用。

FSL フィート内で以下を設定してから、まずデータ タブで実行し、モーション補正およびブレイン抽出されたファイルを入力として使用し、データセットに対応するように TR 値を設定します。102番目のフィルターを使用してハイパスフィルタリングを設定すると、関心のない非常に低い周波数の信号が除去されます。高周波信号を除去するローパスフィルターは、後で「pres stats」タブで適用されます。

モーション補正でなしを選択し、チェックを外しますが、脳の抽出を行います。これらの手順を実行したので、5 ミリメートルの全幅の半値を使用して空間スムージングを実行します。次に、[統計] タブで、6 つのモーション パラメーターとその時間的導関数を回帰します。

畳み込みには none を選択し、 [時間フィルタリングの適用] をオンにします。F selmic flirt の出力を使用して、移動パラメータのテキスト ファイルを取得し、それを足の解析に入力して、一般的な線形モデルでこれらを回帰させることができます。また、前の手順で抽出して正規化した CSF 信号と白質シグナルを GLM に追加します。

畳み込みの場合は none を選択します。時間的導関数を追加し、[時間的フィルタリングを適用] のチェックを外します。上記の前処理からの残差は、シードベースの相関に使用する必要があります。

これらの残差は、最初に0.1ヘルツの低PESSフィルターを通過し、次に平均を差し引いて侮辱し、標準偏差で割ってから、100シードを追加してスケーリングする必要があります6ミリメートルの直径で定義する必要があります。標準的なMNIスペースで。MRIクラウンソフトウェアを使用すると、後部と前部の種子は、ここで見られるように座標に対応している必要があります。

これらのシード位置は、正常なコントロール内で定義されていることに注意してください。その後、種子は、標準のMNI空間から各被験者の個々の機能的な脳空間に変換されるべきです。このためには、以前に生成された変換行列を使用して、シードを標準の m 空間と i 空間から個々の関数空間に変換します。

次に、FSL mean Ts コマンドを使用して、以前に劣化しスケーリングされた残差から時系列を抽出します。個々の被写体空間のシードをマスクとして使用します。ソフトウェアを使用して抽出された時系列を正規化する R シード ボクセルとそのすべての脳ボクセルとの間の部分相関は、各実行の被験者ごとに個別に計算する必要があります。

このためには、FSL フィート インターフェース内で、データ タブ内で最初のレベルの分析を選択し、次に統計とポスト統計を選択します。以前に侮辱され、スケーリングされた残差は、入力として使用する必要があります。ハイパスフィルターのカットオフを10, 000に設定します。残差はすでに高く、統計タブ内で100秒で渡されます。

「フィルムのプレホワイトニングを使用」の選択を解除し、以前に抽出して正規化したシード時系列を使用します。ポスト統計タブ内のGLMで、グループ分析を実行する前に、目的のZ統計しきい値を2.0に設定します。被験者内の実行を組み合わせて、パラメータ推定値の対比に対してフィッシャーZ変換を実行する必要があります。

相関分析から生成されたファイルで、フィート分析の reg ディレクトリから登録データを相関実行にコピーします。各被験者内の実行を組み合わせて、より高いレベルの分析を実行します。まず、上位レベルの分析を選択し、次に統計とポスト統計を選択します。

次に、[データ]タブで[入力は下位レベルのフィートディレクトリ]を選択し、[統計]タブ内に被験者の実行を入力します。[混合効果]を選択します。単純なOLSは、モデルを平均効果として設定し、被験者の実行ごとに1の値を入力します。

被験者間でオーバーランしたデータを組み合わせるには、通常の最小二乗単純混合効果分析を使用する必要があります。データタブ内で高レベルの分析と統計とポスト統計を選択します。入力は下位レベルのフィートディレクトリであり、統計タブ内に被験者の結合された実行を入力し、混合効果を選択します。単純な OLS は、3 つのグループとしてモデルを設定し、グループに 1 の値を入力します。

各サブジェクトは 0 に属します。それ以外の場合は、グループ分析は、しきい値の 3 つのグループに対応する 3 つのレベルを持つ一元配置 innova を使用して、各ボクセルで実行する必要があります。Z 統計量イメージでは、2.0 より大きい Z のクラスター形成しきい値と、P の修正されたクラスター有意しきい値が 0.05 に等しいことを使用して、相関マップ上の正しい Z 値を取得します。

結果に対してリバース フィッシャー Z 変換を実行する必要があります。最後に、この画面に表示される次の特定のコントラストを使用します。この図は、赤黄色のレトロ脾臓と楔前膜を含む後部種子からの接続性で明らかにされたデフォルト モード ネットワークと、青緑色のベント内側前頭前皮質を含む前部種子を示しています。

最初の行は対照被験者のネットワーク、2 行目は左側頭葉てんかん、下の行は右側頭葉てんかんを示しています。次の図は、これら 3 つのグループ間でこれらのネットワークを比較したものです。ここでは、健康なコントロールと比較して、左右の側頭葉てんかんを組み合わせた前部シードと後部シードで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、左側頭葉てんかんについて同じシードポイントで明らかにされたデフォルトモードネットワークを、健康なコントロールと比較してのみ示しています。この図は、右側頭葉てんかんについて明らかにされたネットワークを健康なコントロールと比較してのみ示していますが、最後に、ここでは、右側頭葉てんかんと比較して、左側頭葉てんかんの前種と後方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を示しています。てんかんの根本的なメカニズムを理解するためには、脳全体を含む機能的結合性の研究が不可欠です。

この実験では、シードベースの手法を使用して、デフォルトモードネットワークへの接続性を評価しました。側頭葉てんかんを研究する際に、他の手法が結果でどのように比較されるかを見るのは興味深いでしょう。