이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

알 츠 하이 머 질환과 경미한 인지 장애에 감독된 기능 연결의 그 랜 저 인과관계 분석의 응용 프로그램

7.8K 조회수

⸱

DOI:

10.3791/56015

⸱

2017년 8월 7일

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

이 논문에서

요약

우리 후부 대상 피 질과 Alzheimer의 질병 (광고) 환자, 가벼운 인지 장애 (MCI)와 건강 한 컨트롤 환자에서 뇌 간의 지시 기능 연결에서 변경 조사 휴식 상태 기능 자기 공명 영상 그레인저 인과 분석을 바탕으로.

초록

장애인된 기능 연결에는 기본 모드 네트워크 (DMN) Alzheimer의 질병 (광고)의 진행에 관련 될 수 있습니다. 후부 대상 피 질 (PCC)은 광고의 진행을 모니터링 하기 위한 잠재적인 이미징 마커입니다. 이전 연구 PCC와 DMN, 외부 지역에서 노드 간의 기능 연결에 초점을 두지 않 하지만 우리의 연구는이 간과 기능 연결을 탐구 하는 노력. 데이터를 수집, 우리는 기능 자기 공명 영상 (fMRI)와 그 랜 저 인과관계 분석 (GCA) 사용. fMRI에는 서로 다른 뇌 영역 간의 동적 상호 작용을 공부 하는 비-침략 적 방법을 제공 합니다. GCA는 일회성 시리즈 다른 예측 하는 데 유용 여부를 확인 하기 위한 통계 가설 시험. 간단한 용어 있음, 그것은 "알려진 마지막 순간에,이 시간에 X의 확률 분포에 대 한 모든 정보"와 "알려진 Y,이 시간에 X의 확률 분포를 제외 하 고 마지막 순간에 대 한 모든 정보"를 비교 하 여 판단, Y와 X 사이의 인과 관계 인지 확인 합니다. 이 정의 완전 한 정보 소스 및 고정 시간 시퀀스를 기반으로 합니다. 이 분석의 주요 단계는 X를 사용 하 고 회귀 방정식을 설정 하 여 가상 테스트 하 여 인과 관계를 그릴 Y. GCA 인과 효과 측정할 수 있는, 이후 우리 기능 연결의 이방성을 조사 하 고 탐구는 PCC의 허브 기능을 그것을 사용. 여기, 우리 검사 MRI 스캔, 116 참가자 그리고 neuroimaging에서 얻은 데이터를 전처리, 후 우리는 각 노드에의 인과 관계를 파생 GCA를 사용. 마지막으로, 우리는 감독 연결이 상당히 가벼운 인지 장애 (MCI) 및 광고 그룹, 전체 두뇌에 PCC에서와 PCC에 전체 뇌에서 사이 다는 결론을 내렸다.

서론

광고는 histopathology, 전기 생리학, 및 neuroimaging1를 사용 하 여 진단 될 수 있다 중앙 신경의 퇴행 성 질환 이다. 메모리 관련 DMN, 광고와 관련 된 상호 작용 두뇌 영역의 중요 한 시스템 이며 비정상적인 기능 광고2,3의 특징입니다. PCC는 휴식 상태에서 전통적인 기본 네트워크의 중요 한 지역 이며 에피소드 메모리, 공간 주의 자기 평가, 그리고 다른 인지 기능4,5,,67에 중추적인 역할을 합니다. 또한, 광고 진행을 모니터링 하기 위한 이미징 마커 수 있습니다. GCA를 사용 하 여, 리아 외 는 PCC 여러 연결을 여러 cytoarchitectonics의 지역 이며, 기능적 뇌 구조8에 중요 한 역할을 발견 하 고. 종 외. 보도 PCC DMN3내 다른 지역의 대부분에서 상호 작용을 받은 컨버전스 센터 했다. 또한, 먀오족 외 DMN 허브 지역에는 PCC는 다른 노드9가장 큰 원인 효과 관계를 설명 했다. 함께,이 증거는 PCC의 감독된 연결 광고 연구에 귀중 한 고는 PCC 더 있이 필요가 나타냅니다 모든 공부는 DMN의 중요 한 영역으로 깊이.

이전 연구는 PCC와 DMN; 내 다른 지역 간의 연결에 국한 되었다 그러나, 외부 광고에 그들 영향 뿐만 아니라 DMN, PCC 및 뇌 영역 간의 감독된 기능 연결에 변경 내용을 아직 되지 않은 탐험된10. 우리의 연구는 더 정상적인 건강 한 컨트롤, MCI, 환자 및 환자와 광고에서이 미개척된 기능 연결을 조사 했다. PCC와 뇌 영역 사이의 직접된 연결을 관찰 하 여 우리 광고 진행에 관련 된 뇌의 기능 변화를 명료 하 게 하 고 그로 인하여 질병의 심각도 평가 하기 위한 새로운 객관적인 기초를 확립을 목적으로.

기능적인 연결 대뇌 혈액 산소 수준 의존 (BOLD) fMRI 신호에 동기 낮은 주파수 변동 (LFFs)에 의해 대표 될 수 있는 국제 상호 작용을 말합니다. 따라서,는 PCC 및 다른 두뇌 지구 사이 기능적인 연결을 관찰 하기 위해 우리는 fMRI GCA, PCC 관심 영역 (ROI)으로 함께 사용 하 여 여는 PCC와 뇌 네트워크 사이의 기능적 연결 분석. 이 기술은 직접 neuroimaging11에서 가져온 데이터를 사용 하 여 각 노드의 기본 관계를 파생 합니다. 최근, GCA 뇌 파 (EEG)와 뇌 영역12간의 인과 효과 나타내기 위해 fMRI 연구에 적용 되었습니다. 이러한 모든 연구 표시 GCA 기술은 뇌의 각 노드에의 인과 관계를 탐지 하기 위한 최적의 수 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 Zhejiang Provincial People's Hospital의 윤리 위원회의 승인을 받았습니다. 등록된 모든 피험자는 서면 동의서에 서명했습니다.

1. 시료 분류 및 스크리닝

  1. 116명의 환자를 진단하고 AD 및 MCI 그룹으로 나눕니다.
    참고: MCI의 식별 및 분류를 위해 2011 National Institute of Neurological and Communicative Disorders and Stroke와 Alzheimer's Disease and Related Disorders Association(NINCDS-ADRDA) 진단 기준 및 MMSE(Mini-Mental State Examination) 기준을 사용하십시오. 이는 Yu et al.에 자세히 설명되어 있습니다.10
  2. 정상 제어 그룹에서 참가자를 선택합니다.
    참고: 대조군의 연령, 성별 및 교육 수준은 MCI 및 AD 그룹의 환자와 일치했습니다.
  3. MMSE10으로 모든 과목을 평가합니다.
  4. 포함 기준을 충족하지 못한 피험자를 제외합니다. 모든 피험자에 대해 제외 기준은 Yu et al.에 언급되어 있습니다.10
  5. MRI를 사용하여 피사체를 스캔하고 머리 움직임으로 인해 데이터를 사용할 수 없는 피사체는 제외합니다.
    참고: 최종적으로 MCI 환자 26명, 알츠하이머병 환자 32명, 대조군 58명을 선별했습니다.

2. 신경영상의 획득

  1. 3.0 T MRI 실험실에 들어가기 전에 금속 및 자성 물체를 제거하십시오.
  2. 자기공명스캐닝베드에 MRI 수신 코일을 설치합니다. 수신 코일은 8채널 원형 편광 뇌 위상 배열 코일입니다.
  3. 참가자에게 침대에 누워 머리를 앞으로 내밀고 침대의 긴 축을 따라 몸의 긴 축을 따라 누운 상태를 유지하도록 지시합니다. 참가자의 머리를 코일의 브래킷에 놓고 안와선이 침대에 수직인지 확인합니다.
  4. 참가자에게 상지를 몸의 측면에 놓고, 눈을 감고, 특별히 아무것도 생각하지 말고, 스캔하는 동안 가능한 한 움직이지 말라고 말합니다.머리의 움직임을 방지하기 위해 양측 측두부의 머리에 폼 패드를 놓고 참가자의 스캐너 소음을 줄이기 위해 헤드폰을 제공합니다.
    참고: 폼 패드의 치수는 긴 직경 = 13cm, 짧은 직경 = 10cm, 가장 두꺼운 두께 = 7cm, 가장 얇은 두께 = 3cm, 평균 두께 = 5cm입니다.
  5. 포지셔닝 라이트를 통해 헤드의 위치를 조정하여 시상 포지셔닝 커서가 얼굴의 정중선에 있고 축 포지셔닝 커서가 측면 각도와 평행하도록 합니다. 그런 다음 침대를 움직여 축 위치 커서를 눈썹 또는 눈썹 아래 2cm에 유지합니다.
  6. 머리를 자석의 중앙으로 이동합니다. EPI-BOLD(gradient Echo-Planar Imaging) 및 3D-T1-MPRAGE imaging을 포함한 fMRI 뇌 스캔을 수행합니다.
    참고: 다음 매개변수를 사용하십시오.
    EPI-BOLD: TR/TE = 2,000/30 ms, 레이어 두께/레이어 피치 = 3.2/0.8 mm, 31 슬라이스, 매트릭스 = 64 x 64, FOV = 220 x 220 mm, 복셀 크기 = 3 x 3 x 4 mm, 플립 각도 = 90 °, 스캔 시간 484초, 총 240개의 스캔 이미지.
    3D-T1-MPRAGE 이미징: TR/TE = 8.5/3.2ms, 플립 각도 = 15°, 시야 = 250 x 250mm, 매트릭스 = 256 x 256, 슬라이스 수 = 176, 슬라이스 두께/간격 = 1/0mm, 스캔 시간 353초, 총 192개의 스캐닝 이미지.
  7. 스캔이 끝날 때 환자가 침대를 떠날 때 환자를 안전하게 보호하십시오.

3. 데이터 전처리

참고: 휴지 상태 fMRI(rs-fMRI) 데이터 분석 툴킷 플러스(RESTplus)를 사용하여 휴지 상태 뇌 기능에 대한 원시 데이터를 분석합니다.

  1. MATLAB을 통해 RESTplus를 열고 파이프라인을 마우스 왼쪽 버튼으로 클릭합니다.
  2. 관련 파일을 RESTplus로 가져옵니다. 작업 디렉토리를 선택한 다음 시작 EPI 및 T1 디렉토리를 선택합니다.
  3. DICOM 파일을 NIFTI로 변환합니다. 전처리에서 DICOM to NIFTI 상자를 선택하고 EPI DICOM to NIFTU 및 T1 DICOM to NIFTI 매개변수를 선택합니다.
  4. 처음 n개의 시점 제거를 선택하고 n 매개 변수를 10으로 설정하여 처음 10개의 시점을 제거합니다.
  5. rs-fMRI 매개변수에 따라 슬라이스 타이밍을 설정합니다. 슬라이스 타이밍 상자를 확인합니다. 스터디의 rs-fMRI 매개변수에 따라 슬라이스 번호를 설정합니다. 슬라이스 순서를 입력합니다.
    참고: 뇌 스캔에서 각 계층의 데이터 수집은 동일한 시점이 아니므로 동일한 시점으로 보정해야 합니다.
  6. 시간과 머리의 움직임을 수정하십시오. Realign.
    확인 알림: 과도한 머리 움직임에 대한 제외 기준은 모든 방향으로 >2.0mm 이동 또는 >2.0° 회전이었습니다. RESTplus에서 이것은 기본 매개 변수입니다 ( 'Realign'옵션을 마우스 왼쪽 버튼으로 클릭하십시오).
  7. T1 이미지 통합 분할을 사용하고 모든 헤드를 동일한 공간으로 표준화하여 공간 정규화를 수행합니다. Normalize 를 선택하고 기본 매개 변수를 맨 아래에 둡니다. T1 이미지 통합 세분화 및 유럽 매개 변수를 사용하여 정규화를 선택합니다.
    참고: 3 × 3 × 3mm의 복셀로 rs-fMRI 이미지를 리샘플링하고 RESTplus의 다른 매개변수는 기본값이며 'T1 이미지 통합 세분화를 사용하여 정규화' 옵션을 마우스 왼쪽 버튼으로 클릭하면 됩니다.
  8. FWHM(Full-Width at Half Maximum)이 6mm인 등방성 가우스 커널을 사용하여 공간 평활화를 수행합니다. Smooth를 선택합니다.
  9. Detrend를 선택하여 선형 추세를 제거합니다.
  10. 신호 대 잡음비를 높이기 위해 불필요한 회귀 변수(WM, CSF, 글로벌)의 신호를 회귀합니다. Nuisance 공변량 회귀 및 6개의 헤드 모션 매개변수, 전역 평균 신호, 백질 신호 및 뇌척수액 신호의 매개변수를 확인합니다.
    참고: 이 단계에서 'Polynomial trend'를 기본값으로 1로 설정하고 '6 head motion parameters', 'Nuisance regressors (WM, CSF, Global)' 및 'add mean back'을 기본값으로 선택합니다.
  11. 대역 통과 필터링을 사용하여 0.01 - 0.08Hz 사이의 신호를 유지합니다. 고주파 생리학적 잡음과 저주파 드리프트를 제거합니다. 필터를 선택합니다.

4. 방향성 연결성 분석

참고: 시드 영역에서 평균 BOLD 신호 강도를 추출한 후 전체 뇌의 각 복셀에 대해 BOLD 신호와 결합된 GCA를 수행합니다.

  1. REST 도구 상자에서 REST-GCA를 사용하여 복셀 방향 GCA를 수행합니다. 사후 처리 상자에서 GCA를 선택합니다.
  2. 'order'를 기본값으로 1로 설정합니다. 입력에서 매개변수를 선택합니다.
  3. ROI를 정의하고 PCC에서 관심 있는 시드 지점을 식별합니다. Define ROI(ROI 정의)를 선택하고 Spherical ROI(구형 ROI)를 선택합니다. 다음을 선택합니다. 알려진 데이터를 기반으로 시드 ROI의 중심 좌표와 반경을 설정하고 OK.
    를 선택합니다. 참고: DMN에 대한 ROI는 이전 연구에서와 같이 PCC(x = 0, y = -53, z = 26, 반경 = 6mm를 중심으로)에 배치했습니다13.
  4. 실행 및 확인을 선택하여 프로그램을 실행합니다.
  5. 관련 파일 데이터를 처리한 후 ZGCA 및 GCA라는 폴더를 찾습니다. ZGCA의 파일을 정렬하고 그에 따라 xx, xy, yx, yy의 4개의 하위 폴더로 분류합니다.
    참고: 나중에 주로 xy 및 yx 하위 폴더를 사용합니다. 세 가지 파일 데이터 세트('AD', 'MCI', 'NC')는 모두 위의 3.1 - 4.5 단계에 따라 처리 및 정렬됩니다.
  6. MATLAB을 통해 RESTplus를 열고 통계 분석을 마우스 왼쪽 버튼으로 클릭합니다. REST Two-Sample T-Test를 마우스 왼쪽 버튼으로 클릭합니다.
  7. 출력 결과의 이름을 T1xy로 지정하고 출력 디렉토리를 설정합니다. Add Group Images(그룹 이미지 추가)를 마우스 왼쪽 버튼으로 클릭하여 AD Results 폴더의 xy 하위 폴더와 NC Results 폴더의 xy 하위 폴더를 엽니다.
  8. 마스크 파일 옵션에서 마우스 왼쪽 버튼을 클릭하여 'mask' 폴더의 BrainMask_05_61*73*61 하위 파일을 엽니다.
  9. 컴퓨팅을 선택하여 프로그램을 실행합니다.
  10. 출력 결과의 이름을 T2xy로 지정하고 출력 디렉토리를 설정합니다. 그룹 이미지 추가를 마우스 왼쪽 버튼으로 클릭하여 AD Results 폴더의 xy 하위 폴더와 MCI Results 폴더의 xy 하위 폴더를 엽니다. 4.8 - 4.9단계를 반복합니다.
  11. 출력 결과의 이름을 T3xy로 지정하고 출력 디렉토리를 설정합니다. 그룹 이미지 추가를 마우스 왼쪽 버튼으로 클릭하여 MCI 결과 폴더의 xy 하위 폴더와 NC 결과 폴더의 xy 하위 폴더를 엽니다. 4.8 - 4.9단계를 반복합니다.
  12. 출력 결과의 이름을 T1yx로 지정하고 출력 디렉토리를 설정합니다. Add Group Images(그룹 이미지 추가)를 마우스 왼쪽 버튼으로 클릭하여 AD Results 폴더의 yx 하위 폴더와 NC Results 폴더의 yx 하위 폴더를 엽니다. 4.8 - 4.9단계를 반복합니다.
  13. 출력 결과의 이름을 T2yx로 지정하고 출력 디렉토리를 설정합니다. 그룹 이미지 추가를 마우스 왼쪽 버튼으로 클릭하여 AD Results 폴더의 yx 하위 폴더와 MCI Results 폴더의 yx 하위 폴더를 엽니다. 4.8 - 4.9단계를 반복합니다.
  14. 출력 결과의 이름을 T3yx로 지정하고 출력 디렉토리를 설정합니다. 그룹 이미지 추가를 마우스 왼쪽 버튼으로 클릭하여 MCI Results 폴더의 yx 하위 폴더와 NC Results 폴더의 yx 하위 폴더를 엽니다. 4.8 - 4.9단계를 반복합니다.
  15. 마지막으로 4.6 - 4.14 단계에 따라 6 개의 결과 파일을 얻고 RESTplus 뷰어를 마우스 왼쪽 버튼으로 클릭하여 결과를 봅니다. Underlay에서 ch2라는 템플릿을 가져옵니다.
  16. output 디렉토리에서 6개의 결과 파일을 찾아 Overlay를 하나씩 채웁니다. 최종 결과 그래프와 6개의 그래프에 해당하는 6개의 결과 파일을 가져옵니다.
  17. SPSS(Statistical Product and Service Solutions)를 사용하여 이전 단계에서 얻은 데이터를 처리합니다.
    1. 계량형 변수를 평균과 표준 편차(SD)로 제시합니다.
    2. 범주형 변수를 숫자와 백분율로 제시한 다음 카이제곱 검정을 사용합니다.
      참고: <0.05의 모든 p-값은 통계적으로 유의한 것으로 간주되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

인구통계학적 정보

표 1은 피험자의 특성을 보여줍니다. 모든 피험자는 중학교 졸업 이상의 교육 수준을 가지고 있었습니다. 연령, 성별 및 교육 수준은 세 그룹 간에 유사하였으나 (P >0.05), MMSE 점수는 유의미한 차이를 보였습니다 (p <0.01).

지향성 뇌 기능적 연결성

먼저 뇌 전체에서 활성 노드를 식별하였습니다. GCA 기술을 사용하여 AD, MCI 및 대조군에서 PCC에서 뇌 전체로, 그리고 뇌 전체에서 PCC로 향하는 유향 기능적 연결성을 결정하였습니다 (

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 보고서는 감독된 기능 연결은 PCC에서 전체 두뇌에 및 전체 두뇌에서 광고, 사이 PCC 비교 하기 위한 과정을 선물 한다 MCI 및 제어 그룹. 또한,이 과정에서 중요 한 단계는 분류 및 실험 전에 샘플의 검사입니다. 따라서 분류 및 심사 기준은 중요 한 경우 잘못 된 결과의 정확도 영향을 받을 수 있기 때문에. 우리 식별 및 분류 MCI;의 2011 NINCDS ADRDA 진단 및 MMSE, 기준과 기준 프로토콜에 나열 된 사용 우리의 심사 기준은 위의 프로토콜에도 라고도 합니다. 우리는 재판에 적합 되었고, 정확 하 게 분류 나머지 환자는 후속 실험에 대 한 근본적인 그 환자 제외. 중요 한 GCA 분석에서에서 파생 되 감독된 기능 연결은 PCC 전체 두뇌 및 전체 두뇌에서 광고, MCI, 사이 PCC에 고에서 얻은 데이터를 사용 하 여 컨트롤 그룹 neuroimaging. 우리는이 프로토콜에서 GCA 분석의 세부 정보를 제시. 이 기술 감독된 연결, 그룹 간의 중요 한 차이점을 발견 하 고 기능 변경 및 광고 진행 간...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 그들이 하지 않아도 경쟁 금융 관심사 선언 합니다.

감사의 글

저자는 컴퓨터 소프트웨어 지원에 대 한 Gongjun 지 감사합니다. 이 연구는 국립 자연 과학 재단의 중국 (no. 81201156, 81271517); 부분적으로 지원 했다 절 강 지방 자연 과학 재단의 중국 (아니. LY16H180007, LY13H180016, 2013C33G1360236), 강성 (no. 2013RCA001, 201522257)의 건강 위원회에서 과학 재단.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
환자 116저장성 인민' s 병원-이 연구는 Zhejiang Provincial People의 윤리위원회에 의해 승인되었습니다. s 병원. 등록된 모든 피험자는 서면 동의서에 서명했습니다.
Siemens Trio 3.0 T MRI 스캐너Siemens, Erlangen, Germany20571음향 소음을 최대 90%까지 줄이는 AudioComfort가 장착되어 있습니다. 낮은 소음 수준에서 높은 성능을 제공합니다. 초경량 코일; 독특한 MRI 시퀀스 디자인; 제한 없이 최대 400파운드를 지원합니다.
RESTPLUSHangzhou Normal University, Hangzhou, Zhejiang, China20160122RESTplus는 FC(Functional Connectivity), ReHo(Regional Homogeneity), ALFF(Amplitude of Low-Frequency Fluctuation), fALFF(Fractional ALFF), Gragner causality, degree centrality, voxel-mirrored homotopic connectivity(VMHC)를 계산하고 통계 분석을 수행하는 편리한 툴킷인 REST(Resting-State fMRI Data Analysis Toolkit)에서 발전했습니다.
DPARSFHangzhou Normal University, Hangzhou, Zhejiang, China130615DPARSF(Data Processing Assistant for Resting-State fMRI)는 SPM을 기반으로 하는 DPABI 내의 편리한 플러그인 소프트웨어입니다. DICOM 파일을 정렬하고 몇 개의 버튼을 클릭하여 매개변수를 설정하기만 하면 DPARSF는 모든 전처리된 데이터, 기능 연결, ReHo, ALFF/fALFF, 차수 중심성, 복셀 미러링 동질성 연결(VMHC) 결과를 제공합니다.
SPSSSPSS Inc.(미국 일리노이주 시카고) -SPSS는 데이터를 더 심층적으로 조사하고 사용자가 알아차리지 못했을 수 있는 추세를 파악할 수 있는 상세한 분석 옵션을 제공합니다.
명

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

MRI
알 츠 하이 머 질환과 경미한 인지 장애에 감독된 기능 연결의 그 랜 저 인과관계 분석의 응용 프로그램
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.