측두엽 간질의 기능적 연결성 MRI를 사용하여 기본 모드 네트워크의 네트워크 분석

다음 실험의 전반적인 목적은 통계 지도를 얻는 것입니다. 건강한 대조군과 뇌전증 환자 간의 휴지기 fMRI 스캔 차이를 비교합니다. 이는 측두엽 뇌전증 환자 및 건강한 대조군 피험자로부터 fMRI 데이터를 획득함으로써 수행됩니다.

두 번째 단계로, 데이터를 통계적으로 분석할 수 있도록 FMRI 전처리를 수행합니다. 다음으로, 전처리된 FMRI 데이터를 분석하여 두 집단 간의 통계적으로 유효한 비교 결과를 얻습니다. 이를 통해 뇌전증 환자의 뇌 네트워크가 건강한 대조군의 뇌 네트워크와 비교하여 어떤 차이를 보이는지에 대한 결과를 얻게 됩니다.

이 두 그룹 간의 뇌 네트워크 맵에서 나타나는 통계적 차이를 바탕으로, 국소 발작으로 나타나는 뇌전증조차 확산된 네트워크 교란의 창발적 특성이라는 점이 점점 더 분명해지고 있습니다. 이 기술에 대한 아이디어는 발작 중 DEF Favo 네트워크의 중요성을 인식하고, 측두엽 뇌전증 환자의 발작 간기(interictal period)에 기본 LO 네트워크가 비정상적인지 궁금해하면서 시작되었습니다. 이 프로토콜의 연구 대상으로는 세 그룹이 포함되어야 하겠지요?

측두엽 뇌전증 환자, 좌측 측두엽 뇌전증 환자 및 건강한 대조군을 대상으로 합니다. 총 약 35명의 피험자를 권장합니다. 뇌전증 피험자 군은 비디오, EEG 모니터링, PET 영상 및 신경심리학적 검사로 결정된 전측두엽 절제술 대상자와 같이 측두엽 뇌전증으로 진단받은 환자여야 하며, 모든 피험자의 뇌 MRI가 정상이고 환자 군에서 뇌전증 외의 다른 신경학적 질환이 없음을 확인해야 합니다.

영상 촬영 전 모든 피험자로부터 IRB 승인 및 서면 동의서를 받고 MRI 안전성 스크리닝을 실시하십시오. 환자는 FMRI 스캔 동안 평소 복용하던 약물을 계속 복용해야 하며, 발작 직후에는 스캔을 진행해서는 안 됩니다. 본 프로토콜에 설명된 모든 영상 촬영에는 3 Tesla MRI 시스템을 사용해야 합니다.

에코 플래너 이미징(echo planar imaging) 시퀀스를 사용하여 기능적 영상의 축상면 슬라이스를 얻고, 해부학적 영상의 경우 스포일드 그래디언트 리콜(spoiled gradient recalled) 시퀀스를 사용하십시오. 피험자에게 눈을 감은 채 편안하게 정지 상태를 유지하도록 요청하고, 여기에 표시된 파라미터를 사용하여 기능적 영상을 촬영하십시오. 또한 S PGR T1 가중 고해상도 구조 영상 촬영을 위해 다음 파라미터를 사용하십시오.

각 영상 촬영 세션은 약 20분 동안 진행되어야 합니다. 우선 FSL 소프트웨어 First를 사용하여 fMRI 데이터를 전처리하십시오. FSL MFL을 사용하여 머리 움직임 아티팩트를 제거하십시오.

그런 다음 FSL 뇌 추출 도구 또는 BET를 사용하여 -F 옵션으로 비뇌 조직을 제거합니다. 이를 통해 뇌 조직만으로 후속 분석 단계를 수행할 수 있습니다. 이어서 feet에서 등록(registration)을 포함한 최소 처리 분석을 실행하십시오.

상단 두 개의 버튼에서 1단계 분석(first level analysis)을 선택하고 전체 분석(full analysis)을 사전 통계(pre stats)로 변경하십시오. 그런 다음 사전 통계 탭에서 뇌 추출(brain extraction) 체크를 해제하고, 이미 수행된 작업이므로 동작 보정(motion correction)을 '없음(none)'으로 선택하십시오. 이어서 기능적 영상(functional images)을 해부학적 영상(anatomical images)에 등록한 다음, 표준 MNI 영상에 등록하십시오.

그 결과 변환 행렬이 생성되며, 이는 이후 분석 단계에서 표준 공간에서 선택한 시드(seed)를 피험자의 뇌 공간으로 워핑(warp)하는 데 사용됩니다. 다음으로, standard_to_example_func.mat라는 이름으로 생성된 변환 행렬을 사용하여 CSF 및 백질 ROI를 개별 BOLD 공간으로 변환합니다. 그런 다음 FSL mean_ts 명령어를 사용하여 CSF 및 백질 ROI에서 시계열 데이터를 추출합니다.

개별 피험자 공간의 ROI를 마스크로 사용하여 R 소프트웨어로 추출된 시계열 데이터를 정규화합니다. 이 시계열 데이터는 이후 일반 선형 모델(general linear model)의 회귀 분석 변수로 사용되어 분석에서 해당 아티팩트 신호를 제거하는 데 쓰입니다. 다음 단계는 피험자의 움직임과 관련된 아티팩트를 제거하는 것입니다. 움직임 파라미터의 회귀 분석을 위해 다음과 같이 진행합니다.

데이터 탭에서 실행하기 전 FSL feet의 설정을 다음과 같이 지정하십시오. 모션 보정 및 뇌 추출이 완료된 파일을 입력값으로 사용하고, TR 값을 해당 데이터셋에 맞게 설정하십시오. 관심 없는 매우 낮은 주파수 신호를 제거하기 위해 102nd 필터를 사용하여 하이패스 필터링을 설정하십시오. 고주파 신호를 제거하기 위한 로우패스 필터는 이후 pres stats 탭에서 적용됩니다.

모션 보정(motion correction) 항목에서는 'none'을 선택하고 체크를 해제하되, 뇌 추출(brain extraction)은 체크하십시오. 이러한 단계들이 이미 수행되었으므로, 5 mm의 반치전폭(full width half maximum)을 사용하여 공간 평활화(spatial smoothing)를 수행합니다. 그 다음 통계(stats) 탭에서 6개의 모션 파라미터와 그 시간적 도함수(temporal derivatives)를 회귀 분석하십시오.

convolution은 'none'으로 선택하고 temporal filtering의 'apply'를 체크하십시오. F slrmic flirt의 출력물을 사용하여 움직임 파라미터의 텍스트 파일을 생성하고, 이를 feet analysis에 입력하여 일반 선형 모델(general linear model)에서 해당 변수들을 회귀 분석하십시오. 또한, 이전 단계에서 추출 및 정규화한 CSF와 백질(white matter) 신호를 GLM에 추가하십시오.

컨볼루션(convolution)에 대해 'none'을 선택하십시오. 시간적 미분(temporal derivative)을 추가하고 시간적 필터링 적용(apply temporal filtering) 항목의 체크를 해제하십시오. 위에 설명한 전처리 과정에서 얻은 잔차(residuals)를 시드 기반 상관관계 분석(seed based correlation)에 사용해야 합니다.

이 잔차들은 먼저 0.1 hertz의 저역 PESS 필터를 통과시킨 후, 평균을 빼서 평균을 0으로 만들고 표준편차로 나누어 표준화한 다음, 100을 더해 스케일을 조정해야 합니다. 시드(seed)는 표준 MNI 공간에서 직경 6 mm로 정의되어야 합니다. MRIcron 소프트웨어를 사용하여, 후방 및 전방 시드는 여기에서 보이는 좌표와 일치시켜야 합니다.

이러한 시드 위치는 건강한 대조군 내에서 정의되었음을 유의하십시오. 시드는 이후 표준 MNI 공간에서 각 피험자의 개별 기능적 뇌 공간으로 변환되어야 합니다. 이를 위해, 시드를 표준 m 및 i 공간에서 개별 기능적 공간으로 변환하기 위해 이전에 생성된 변환 행렬을 사용하십시오.

다음으로, FSL mean Ts 명령어를 사용하여 앞서 평균이 제거되고 스케일링된 잔차에서 시계열을 추출합니다. 이때 개별 피험자 공간의 시드(seed)를 마스크로 사용합니다. 추출된 시계열은 소프트웨어 R을 사용하여 정규화합니다. 시드 복셀과 뇌의 모든 복셀 간의 부분 상관관계는 각 피험자의 각 런(run)별로 각각 계산해야 합니다.

이를 위해 FSL FEAT 인터페이스의 데이터 탭에서 먼저 first level analysis를 선택한 다음 stats plus post stats를 선택하십시오. 이전에 평균 제거 및 스케일 조정(demeaned and scaled)을 거친 잔차(residual)를 입력값으로 사용해야 합니다. 잔차가 이미 100초에서 하이패스 필터링되었으므로, stats 탭에서 하이패스 필터 차단 주파수(high pass filter cutoff)를 10,000으로 설정하십시오.

'use film pre whitening' 선택을 해제하고 이전에 추출 및 정규화된 시드 시계열을 사용하십시오. post stats 탭 내의 GLM에서 그룹 분석을 실행하기 전, 원하는 Z stat 임계값을 2.0으로 설정하십시오. 피험자 내의 런(run)들을 결합할 때, 파라미터 추정치의 대비(contrast)에 대해 Fisher Z 변환을 수행해야 합니다.

상관 분석을 통해 생성된 파일이며, feet 분석의 reg 디렉토리에서 등록 데이터를 상관 분석 실행 단계로 복사하십시오. 각 피험자 내의 실행 파일들을 결합하여 상위 수준 분석을 수행하십시오. 먼저 상위 수준 분석(higher level analysis)을 선택한 다음, 통계 및 사후 통계(stats plus post stats)를 선택하십시오.

그런 다음 데이터 탭에서 입력값이 하위 수준의 피트 디렉토리(feet directories)인지 선택하고, 통계 탭에서 피험자의 런(run) 데이터를 입력하십시오. 혼합 효과(mixed effects)를 선택하십시오. 단순 OLS(Simple OLS)의 경우 평균 효과로 모델을 설정하고, 각 피험자의 런에 대해 1의 값을 입력하십시오.

피험자 간의 데이터 오버런을 결합하려면 일반 최소제곱 단순 혼합 효과 분석을 사용해야 합니다. 이를 위해 데이터 탭에서 상위 수준 분석(higher level analysis)과 통계 및 사후 통계(stats plus post stats)를 선택하십시오. 입력값으로 하위 수준 피트 디렉토리(lower level feet directories)를 선택하고 통계 탭에서 피험자의 결합 런(combined Runs)을 입력한 후 혼합 효과(mixed effects)를 선택하십시오. 단순 OLS 모델을 3개 그룹으로 설정하고 그룹 값으로 1을 입력하십시오.

각 피험자는 0에 속합니다. 그렇지 않은 경우, 각 복셀에 대해 세 그룹에 해당하는 세 수준의 일원 분산 분석(one-way ANOVA)을 수행하여 임계값을 설정하는 그룹 분석을 실시해야 합니다. Z 통계 이미지에서는 Z > 2.0의 클러스터 형성 임계값과 P = 0.05의 보정된 클러스터 유의성 임계값을 사용하여 상관 맵에서 정확한 Z 값을 얻습니다.

결과에 대해 역 피셔 Z 변환(reverse fisher Z transform)을 수행해야 합니다. 마지막으로, 여기 화면에 보이는 다음과 같은 특정 대비(contrasts)를 사용하십시오. 이 그림은 후방 시드(posterior seed)로부터의 연결성으로 나타난 디폴트 모드 네트워크를 보여주며, 여기에는 적황색으로 표시된 후방 팽대(retro splenium)와 전대상피질(precuneus)이 포함됩니다. 또한 전방 시드(anterior seed)로부터의 연결성에는 청록색으로 표시된 복내측 전전두엽 피질(vent medial prefrontal cortex)이 포함됩니다.

첫 번째 행은 대조군 피험자의 네트워크를, 두 번째 행은 좌측 측두엽 뇌전증 피험자의 네트워크를, 그리고 마지막 행은 우측 측두엽 뇌전증 피험자의 네트워크를 나타냅니다. 다음 그림들은 이 세 그룹 간의 네트워크를 비교한 것입니다. 여기서는 건강한 대조군과 비교하여, 우측 및 좌측 측두엽 뇌전증 통합 그룹에서 전방 및 후방 시드(seed)를 통해 나타난 디폴트 모드 네트워크를 확인할 수 있습니다.

이 그림은 건강한 대조군과 비교하여 좌측 측두엽 뇌전증 환자에서만 동일한 시드 지점으로 나타난 디폴트 모드 네트워크를 보여줍니다. 다음 그림은 건강한 대조군과 비교하여 우측 측두엽 뇌전증 환자에서만 나타난 네트워크를 보여주며, 마지막으로 좌측 측두엽 뇌전증과 우측 측두엽 뇌전증을 비교했을 때 전방 및 후방 시드로 나타난 디폴트 모드 네트워크를 확인할 수 있습니다. 뇌 전체를 포함하는 기능적 연결성 연구는 뇌전증의 근본적인 기전을 이해하는 데 필수적입니다.

본 실험에서는 디폴트 모드 네트워크(default mode network)와의 연결성을 평가하기 위해 시드 기반 기술(seed based technique)을 사용하였습니다. 측두엽 뇌전증을 연구할 때 다른 기술들의 결과가 어떻게 비교될지 확인하는 것은 흥미로울 것입니다.