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

이 Granger Causality Analysis의 전반적인 목표는 알츠하이머병 진행과 관련된 뇌의 지시된 기능적 연결성을 연구하여 질병의 중증도를 평가하기 위한 새로운 객관적 기반을 확립하는 것입니다. 이 방법은 PCC와 전뇌 영역 간의 지시된 연결과 같은 알츠하이머병 분야의 핵심 질문에 답하는 데 도움이 될 수 있습니다. 이 기술의 주요 장점은 FMRI 시계열의 인과 효과를 측정하고 불량 신호의 역학과 방향을 보여준다는 것입니다.

이 기술의 의미는 알츠하이머병의 진행성 진단으로 확장되는데, 이는 AD, MCI 및 대조군 간의 지시된 기능적 연결성을 비교하기 때문입니다. 이 방법을 통해 알츠하이머병의 지시된 기능적 연결성 확장에 대한 통찰력을 제공할 수 있으며, 전기 세팔로그램 연구와 같은 다른 시스템에도 적용할 수 있습니다. 일반적으로 이 방법을 처음 사용하는 개인은 소프트웨어 작동에 익숙하지 않은 경우 어려움을 겪을 것입니다.

먼저 학기 동안 여기에 추가한 다음 Granger Causality Analysis에 대한 이전 문헌을 평가합니다. 이 방법을 실제로 시연하는 동안에는 텍스트에 쓸 수 있는 것 이상으로 주목해야 할 여러 가지가 있기 때문에 중요합니다. 소프트웨어를 통해 RESTplus를 열고 파이프라인을 마우스 왼쪽 버튼으로 클릭하여 시작합니다.

관련 파일을 RESTplus로 가져옵니다. 작업 디렉토리를 선택한 다음 시작 EPI 및 T1 디렉토리를 선택합니다. 다음으로, Dicom 파일을 Nifti로 변환하려면 전처리에서 DicomToNifti 상자를 선택합니다.

그리고 EPI Dicom에서 Nifiti로, T1에서 Nifiti로 매개변수를 확인합니다. RemoveFirstTimePoints를 확인하고 end 매개 변수를 10으로 설정하여 처음 10개의 시간 지점을 제거합니다. 그런 다음 슬라이스 타이밍 상자를 선택합니다.

스터디의 RS FMRI 파라미터에 따라 슬라이스 번호를 설정하고 슬라이스 순서를 입력합니다. 재정렬을 확인하여 시간과 머리 움직임을 수정합니다. 그런 다음 Normalize를 선택하여 공간 정규화를 수행하고 기본 매개 변수를 맨 아래에 둡니다.

매개 변수를 선택하여 T1 이미지 통합 세분화 및 모든 헤드를 동일한 공간으로 표준화하여 사용합니다. T1 이미지 통합 세분화 및 유럽식을 사용하여 정규화합니다. 그런 다음 smooth를 선택하여 전체 너비가 절반 최대 6mm인 등방성 가우스 커널을 사용하여 공간 스무딩을 수행합니다.

Detrend를 선택하여 선형 추세를 제거합니다. 신호 대 잡음비를 증가시키기 위해 6개의 머리 모션 매개변수, 전역 평균 신호, 백질 신호 및 뇌척수액 신호에서 성가신 공변량 회귀를 선택합니다. 마지막으로, 0.01Hz에서 0.08Hz 사이의 신호를 유지하는 필터를 선택합니다.

고주파 생리적 노이즈를 제거하고 저주파 드리프트를 제거합니다. REST 도구 상자에서 REST GCA를 사용하여 복셀별 Granger Causality Analysis(GCA)를 수행하여 시작합니다. Postprocessing 상자에서 GCA를 선택합니다.

순서를 기본값으로 설정합니다. Define ROI를 선택하고 관심 영역을 정의할 구형 ROI를 선택합니다. 다음을 선택합니다.

알려진 데이터를 기반으로 시드 ROI의 중심 좌표와 반경을 설정하여 후방 특이 피질 또는 PCC에서 관심 있는 시드 지점을 식별하고 확인을 선택합니다. 그런 다음 실행 및 확인을 선택하여 프로그램을 실행합니다. 그런 다음 관련 파일 데이터를 처리한 후 ZGCA 및 GCA라는 폴더를 찾습니다. ZGCA의 파일을 정렬하고 그에 따라 XX, XY, YX, YY의 4개의 하위 폴더로 분류합니다.

소프트웨어 내에서 RESTplus를 열고 통계 분석을 마우스 왼쪽 버튼으로 클릭합니다. REST Two-Sample T-Test를 마우스 왼쪽 버튼으로 클릭합니다. 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. 그런 다음 마우스 왼쪽 버튼을 클릭하여 마스크 폴더에서 BrainMask 하위 파일을 엽니다. 그런 다음 컴퓨팅을 선택하여 프로그램을 실행합니다.

출력 결과의 이름을 T2XY로 지정하고 출력 디렉토리를 설정합니다. Add Group Images(그룹 이미지 추가)를 마우스 왼쪽 버튼으로 클릭하여 AD Results 폴더에서 XY 하위 폴더를 엽니다. MCI 결과 폴더의 XY 하위 폴더입니다.

브레인 마스크 파일의 계산을 반복하여 총 6개의 파일에 대한 T3XY, T1YX, T2YX 및 T3YX에 대한 출력을 얻습니다. RESTplus 뷰어를 마우스 왼쪽 버튼으로 클릭하여 결과 파일을 봅니다. Underlay에서 Ch2라는 템플릿을 가져옵니다.

마지막으로 출력 디렉토리에서 6개의 결과 파일을 찾아 오버레이를 하나씩 채웁니다. 6개의 출력 파일을 사용하여 최종 그래프를 만듭니다. 전체 뇌의 활성 노드가 처음 확인된 후, GCA 기술을 사용하여 PCC에서 전체 뇌로의 지시된 기능적 연결성을 확인했습니다.

그리고 전체 뇌에서 AD, MCI 및 대조군의 PCC에 이르기까지. 전체 뇌에서 PCC로의 지시된 연결성은 정상 대조군에 비해 AD 그룹에서 향상되었으며 주로 DMN 외부의 양측 소뇌 영역에 집중되었습니다. PCC에서 전체 뇌로의 지시된 연결성은 DMN에 속하는 우측 전두회(right precuneus) 및 좌측 메타 전두회(left meta frontal gyrus)와 같은 주요 영역이 있는 대조군에 비해 AD 그룹에서 현저히 감소했습니다.

마스터하는 동안 이 기술은 제대로 수행되면 14시간 안에 완료할 수 있습니다. 이 절차를 시도하는 동안 모든 파일과 사진 이름은 영어로 되어 있어야 하며 공백을 사용할 수 없다는 점을 기억하는 것이 중요합니다. 개발 후, 이 기술은 FMRI 분야의 연구자들이 알츠하이머병의 진행에서 지시된 파벌 연결성을 탐구할 수 있는 길을 열었습니다.

이 비디오를 시청한 후에는 AD 진행과 관련된 뇌의 지시된 파벌 연결을 시작하는 방법을 잘 이해하게 될 것입니다. 이를 통해 질병의 중증도를 평가하기 위한 좁고 객관적인 근거를 확립할 수 있습니다.