Name: 알 츠 하이 머 질환과 경미한 인지 장애에 감독된 기능 연결의 그 랜 저 인과관계 분석의 응용 프로그램 (동영상) | JoVE Journal
Uploaded: 2017-08-07T15:00:00.000+00:00
Duration: 8 min 43 s
Description: 배우세요 알츠하이머병 진행과 관련된 뇌의 지향적 기능 연결성을 Granger 인과관계 분석으로 연구하는 방법입니다. fMRI 데이터를 활용하여 PCC와 전체 뇌 영역 간의 인과적 방향성을 평가하고 질병 중증도에 대한 객관적 바asis를 확립합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

이 연구는 Zhejiang Provincial People's Hospital의 윤리 위원회의 승인을 받았습니다. 등록된 모든 피험자는 서면 동의서에 서명했습니다.
1. 시료 분류 및 스크리닝
<ol>
	<li>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</li>
	<li>정상 제어 그룹에서 참가자를 선택합니다. 
	참고: 대조군의 연령, 성별 및 교육 수준은 MCI 및 AD 그룹의 환자와 일치했습니다.</li>
	<li>MMSE10으로 모든 과목을 평가합니다.</li>
	<li>포함 기준을 충족하지 못한 피험자를 제외합니다. 모든 피험자에 대해 제외 기준은 Yu et al.에 언급되어 있습니다.10</li>
	<li>MRI를 사용하여 피사체를 스캔하고 머리 움직임으로 인해 데이터를 사용할 수 없는 피사체는 제외합니다. 
	참고: 최종적으로 MCI 환자 26명, 알츠하이머병 환자 32명, 대조군 58명을 선별했습니다.</li>
</ol>
2. 신경영상의 획득
<ol>
	<li>3.0 T MRI 실험실에 들어가기 전에 금속 및 자성 물체를 제거하십시오.</li>
	<li>자기공명스캐닝베드에 MRI 수신 코일을 설치합니다. 수신 코일은 8채널 원형 편광 뇌 위상 배열 코일입니다.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>스캔이 끝날 때 환자가 침대를 떠날 때 환자를 안전하게 보호하십시오.</li>
</ol>
3. 데이터 전처리
참고: 휴지 상태 fMRI(rs-fMRI) 데이터 분석 툴킷 플러스(RESTplus)를 사용하여 휴지 상태 뇌 기능에 대한 원시 데이터를 분석합니다.
<ol>
	<li>MATLAB을 통해 RESTplus를 열고 파이프라인을 마우스 왼쪽 버튼으로 클릭합니다.</li>
	<li>관련 파일을 RESTplus로 가져옵니다. 작업 디렉토리를 선택한 다음 시작 EPI 및 T1 디렉토리를 선택합니다.</li>
	<li>DICOM 파일을 NIFTI로 변환합니다. 전처리에서 DICOM to NIFTI 상자를 선택하고 EPI DICOM to NIFTU 및 T1 DICOM to NIFTI 매개변수를 선택합니다.</li>
	<li>처음 n개의 시점 제거를 선택하고 n 매개 변수를 10으로 설정하여 처음 10개의 시점을 제거합니다.</li>
	<li>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.</li>
	<li>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).</li>
	<li>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.</li>
	<li>FWHM(Full-Width at Half Maximum)이 6mm인 등방성 가우스 커널을 사용하여 공간 평활화를 수행합니다. Smooth를 선택합니다.</li>
	<li>Detrend를 선택하여 선형 추세를 제거합니다.</li>
	<li>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.</li>
	<li>대역 통과 필터링을 사용하여 0.01 - 0.08Hz 사이의 신호를 유지합니다. 고주파 생리학적 잡음과 저주파 드리프트를 제거합니다. 필터를 선택합니다.</li>
</ol>
4. 방향성 연결성 분석
참고: 시드 영역에서 평균 BOLD 신호 강도를 추출한 후 전체 뇌의 각 복셀에 대해 BOLD 신호와 결합된 GCA를 수행합니다.
<ol>
	<li>REST 도구 상자에서 REST-GCA를 사용하여 복셀 방향 GCA를 수행합니다. 사후 처리 상자에서 GCA를 선택합니다.</li>
	<li>'order'를 기본값으로 1로 설정합니다. 입력에서 매개변수를 선택합니다.</li>
	<li>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.</li>
	<li>실행 및 확인을 선택하여 프로그램을 실행합니다.</li>
	<li>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.</li>
	<li>MATLAB을 통해 RESTplus를 열고 통계 분석을 마우스 왼쪽 버튼으로 클릭합니다. REST Two-Sample T-Test를 마우스 왼쪽 버튼으로 클릭합니다.</li>
	<li>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.</li>
	<li>마스크 파일 옵션에서 마우스 왼쪽 버튼을 클릭하여 'mask' 폴더의 BrainMask_05_61*73*61 하위 파일을 엽니다.</li>
	<li>컴퓨팅을 선택하여 프로그램을 실행합니다.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>마지막으로 4.6 - 4.14 단계에 따라 6 개의 결과 파일을 얻고 RESTplus 뷰어를 마우스 왼쪽 버튼으로 클릭하여 결과를 봅니다. Underlay에서 ch2라는 템플릿을 가져옵니다.</li>
	<li>output 디렉토리에서 6개의 결과 파일을 찾아 Overlay를 하나씩 채웁니다. 최종 결과 그래프와 6개의 그래프에 해당하는 6개의 결과 파일을 가져옵니다.</li>
	<li>SPSS(Statistical Product and Service Solutions)를 사용하여 이전 단계에서 얻은 데이터를 처리합니다.
	<ol>
		<li>계량형 변수를 평균과 표준 편차(SD)로 제시합니다.</li>
		<li>범주형 변수를 숫자와 백분율로 제시한 다음 카이제곱 검정을 사용합니다. 
		참고: <0.05의 모든 p-값은 통계적으로 유의한 것으로 간주되었습니다.</li>
	</ol>
	</li>
</ol>

<ol><li>Delbeuck, X., Van der Linden, M., Collette, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%27s+disease+as+a+disconnection+syndrome%3F%5BTitle%5D)+AND+%22Neuropsychol+Rev%22%5BJournal%5D)">Alzheimer's disease as a disconnection syndrome?</a> Neuropsychol Rev. 13 (2), 79-92 (2003).</li>
<li>Wang, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+functional+connectivity+in+early+Alzheimer%27s+disease%3A+a+resting-state+fMRI+study%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study.</a> Hum Brain Mapp. 28 (10), 967-978 (2007).</li>
<li>Zhong, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+effective+connectivity+patterns+of+the+default+mode+network+in+Alzheimer%27s+disease%3A+an+fMRI+study%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study.</a> Neurosci Lett. 578, 171-175 (2014).</li>
<li>Gusnard, D. A., Raichle, M. E., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Searching+for+a+baseline%3A+functional+imaging+and+the+resting+human+brain%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Searching for a baseline: functional imaging and the resting human brain.</a> Nat Rev Neurosci. 2 (10), 685-694 (2001).</li>
<li>Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+resting+brain%3A+a+network+analysis+of+the+default+mode+hypothesis%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Functional connectivity in the resting brain: a network analysis of the default mode hypothesis.</a> Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).</li>
<li>Ries, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Task-dependent+posterior+cingulate+activation+in+mild+cognitive+impairment%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Task-dependent posterior cingulate activation in mild cognitive impairment.</a> NeuroImage. 29 (2), 485-492 (2006).</li>
<li>Braak, H., Braak, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuropathological+stageing+of+Alzheimer-related+changes%5BTitle%5D)+AND+%22Acta+Neuropathol%22%5BJournal%5D)">Neuropathological stageing of Alzheimer-related changes.</a> Acta Neuropathol. 82 (4), 239-259 (1991).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Miao, X., Wu, X., Li, R., Chen, K., Yao, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+connectivity+pattern+of+hubs+in+default-mode+network+with+Alzheimer%27s+disease%3A+an+Granger+causality+modeling+approach%5BTitle%5D)+AND+%22PloS+one%22%5BJournal%5D)">Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach.</a> PloS one. 6 (10), e25546(2011).</li>
<li>Yu, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directed+functional+connectivity+of+posterior+cingulate+cortex+and+whole+brain+in+Alzheimer%27s+disease+and+mild+cognitive+impairment%5BTitle%5D)+AND+%22Curr+Alzheimer+Res%22%5BJournal%5D)">Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment.</a> Curr Alzheimer Res. , (2016).</li>
<li>Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+causal+relations+in+neural+systems%3A+granger+causality%2C+directed+transfer+function+and+statistical+assessment+of+significance%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance.</a> Biol Cybern. 85 (2), 145-157 (2001).</li>
<li>Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+implementation+on+MATLAB%3A+a+graphic+user+interface+toolkit+for+fMRI+data+processing%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing.</a> J Neurosci Methods. 203 (2), 418-426 (2012).</li>
<li>Hedden, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Disruption+of+functional+connectivity+in+clinically+normal+older+adults+harboring+amyloid+burden%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Disruption of functional connectivity in clinically normal older adults harboring amyloid burden.</a> J Neurosci. 29 (40), 12686-12694 (2009).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Small-world+directed+networks+in+the+human+brain%3A+multivariate+Granger+causality+analysis+of+resting-state+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI.</a> NeuroImage. 54 (4), 2683-2694 (2011).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Zhang, H. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+PCC+functional+connectivity+characteristics+in+resting-state+fMRI+in+mild+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Behav+Brain+Res%22%5BJournal%5D)">Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease.</a> Behav Brain Res. 197 (1), 103-108 (2009).</li>
<li>Deshpande, G., Hu, X., Stilla, R., Sathian, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+connectivity+during+haptic+perception%3A+a+study+using+Granger+causality+analysis+of+functional+magnetic+resonance+imaging+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data.</a> NeuroImage. 40 (4), 1807-1814 (2008).</li>
<li>Bressler, S. L., Seth, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wiener-Granger+causality%3A+a+well+established+methodology%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Wiener-Granger causality: a well established methodology.</a> NeuroImage. 58 (2), 323-329 (2011).</li>
</ol>

저자는 그들이 하지 않아도 경쟁 금융 관심사 선언 합니다.

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...

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.

<table><tbody><tr><td>환자 116</td>명 <td>저장성 인민' s 병원</td> <td>-</td> <td>이 연구는 Zhejiang Provincial People의 윤리위원회에 의해 승인되었습니다. s 병원. 등록된 모든 피험자는 서면 동의서에 서명했습니다.</td></tr><tr><td>Siemens Trio 3.0 T MRI 스캐너</td><td>Siemens, Erlangen, Germany</td><td>20571</td><td>음향 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.</td></tr><tr><td>RESTPLUS</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>20160122</td><td>RESTplus는 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.</td></tr><tr><td>DPARSF</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>130615</td><td>DPARSF(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.</td></tr><tr><td>SPSS</td><td>SPSS Inc.(미국 일리노이주 시카고</td><td>) -</td> <td>SPSS는 데이터를 더 심층적으로 조사하고 사용자가 알아차리지 못했을 수 있는 추세를 파악할 수 있는 상세한 분석 옵션을 제공합니다.</td></tr></tbody></table>

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

Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment

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.

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 &#62;0.05), MMSE 점수는 유의미한 차이를 보였습니다 (p &#60;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 (<stro...

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.

Impaired functional connectivity in the Default Mode Network (DMN) may be involved in the progression of Alzheimer&#39;s Disease (AD). The Posterior ...

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.

application-granger-causality-analysis-directed-functional-connection

Research

연구

JoVE Journal

Medicine

의학

알츠하이머 병 환자가 인식 메모리 작업을 수행하면서 높은 밀도 이벤트 관련 잠재적인 데이터 수집을위한 방법론을 검토합니다. 이 프로토콜은 주제 준비, 품질 보증, 데이터 수집, 데이터 분석이 포함됩니다.

알츠하이머 병 환자에서 이벤트 관련 후보를 사용하여 에피소드 메모리의 특성을 검토

주성분 분석 (PCA) 등의 다변량 기술은 기능적 뇌 영상에서 지역 변화의 서명 패턴을 식별하는 데 사용되었습니다. 우리는 퇴행성 신경 질환의 진단, 질병의 진행 평가, 환자 집단에서 치료 효과를 객관적으로 평가를 재현 네트워크 생체를 식별하는 알고리즘을 개발했습니다.

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

이 동영상은 대상 작업 / 프로세스에 관여인지 제어 네트워크의 기능적 연결성에 나이와 관련된 변화를 검사하는 방법을 제시한다. 기법의 fMRI 데이터의 다변량 분석에 기초한다.

치수 변경 카드 정렬 성능인지 제어 네트워크 관련의 기능 연결에서 연령 관련 차이점을 조사하는 방법

이 기사에서는 작동하는 allocentric 공간 기억에 대한 해마 의존 테스트인 4MT(4 Mountains Test)에 대해 설명합니다. 해마는 알츠하이머병(AD) 초기에 영향을 받으며, 이 기사는 치매 전 단계의 알츠하이머병 진단에서 4MT의 가치를 입증하는 4MT 방법론과 환자 검사 결과를 간략하게 설명합니다.

4 산맥 테스트 : 알츠하이머 병 전 치매의 진단에 대한 높은 감도와 공간 메모리의 짧은 테스트

이 원고에서는 선택한 근원 지역 및 두뇌의 다른 지역에서 복 간의 기능 연결에 작업 종속 변경 공개 정신 상호 작용 분석을 구현 하는 방법을 설명 합니다. 정신 상호 작용 분석 두뇌 연결, 다른 전통적인 일변량 활성화 효과에 작업 효과 시험 하는 인기 있는 방법입니다.

메모리의 일반화 된 정신 상호 작용 (PPI) 분석 관련 Alzheimer의 질병을 위한 유전 모험에 개인에 연결

망막 뇌와 눈에 띄는 유사성을 공유 하 고 따라서 비 접촉 맥 관 구조와 뇌의 신경 구조를 공부 하는 독특한 창을 나타냅니다. 이 프로토콜에는 망막 이미징 기술을 사용 하 여 치 매를 공부 하는 방법을 설명 합니다. 이 방법은 잠재적으로 치 매 진단 및 위험 평가에 도움이 됩니다.

망막 화상 진 찰을 사용 하 여 치 매 공부 하기

우리는 마우스의 양측 이차 모터 피질 (M2)에서 국소 전위 (LFP)의 생체 내 전기 생리학적 기록을 제시하며, 이는 반구 측면화를 평가하기 위해 적용될 수 있다. 연구 결과는 WT 통제에 비교된 APP/PS1 마우스에 있는 좌우 M2 사이 동기화의 변경한 수준을 밝혔습니다.

마우스의 보조 모터 피질에서 양측 지역 필드 전위 기록을 가진 반구 측면화의 평가

임상 평가 척도는 고기능 뇌졸중 환자의 인지 기능 장애에 충분히 민감하지 않습니다. 이중 작업 패러다임은 인지 기능 장애의 평가 및 인지 훈련에서 이점과 잠재력을 제시합니다. 이 연구는 고기능 뇌졸중 환자의 인지 기능 장애를 식별하기 위한 이중 작업 Stroop 패러다임을 제안합니다.

고기능 뇌졸중 환자의 인지 결함을 감지하기 위한 이중 작업 스트룹 패러다임

이 논문은 인간 두뇌의 공간 탐색을 위한 기능적 네트워크를 조사하기 위한 통합적 접근 방식을 제시합니다. 이 접근 방식은 대규모 신경 영상 메타 분석 데이터베이스, 휴지 상태 기능적 자기 공명 영상, 네트워크 모델링 및 그래프 이론 기술을 통합합니다.

인간 뇌의 공간 탐색을 위한 기능적 네트워크 모델링

웨이블릿 변환 일관성(WTC)은 기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에 사용되는 신호 간의 결합을 평가하는 일반적인 방법론입니다. 이 작업에서는 신호 상호 작용의 방향성을 평가하기 위한 도구 상자를 제공합니다.

기능적 근적외선 분광법(fNIRS) 하이퍼스캐닝 연구에서 교차 뇌 일관성을 이해하기 위한 새로운 프레임워크

DeepOmicsAE는 다중 오믹스 데이터의 차원을 줄이기 위해 딥 러닝 방법(즉, 오토인코더)을 적용하는 데 중점을 둔 워크플로우로, 여러 계층의 오믹스 데이터를 나타내는 예측 모델 및 신호 모듈을 위한 기반을 제공합니다.

DeepOmicsAE: 단백질체학, 대사체학 및 임상 데이터의 딥러닝 분석을 통한 알츠하이머병의 신호 모듈 표현

배우세요 알츠하이머병 진행과 관련된 뇌의 지향적 기능 연결성을 Granger 인과관계 분석으로 연구하는 방법입니다. fMRI 데이터를 활용하여 PCC와 전체 뇌 영역 간의 인과적 방향성을 평가하고 질병 중증도에 대한 객관적 바asis를 확립합니다.

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

더 많은 동영상 탐색