In kaart brengen van regionale homogeniteit en functionele connectiviteit van de visuele cortex in rusttoestand fMRI

Summary

We presenteren een protocol voor het analyseren van functionele magnetische resonantiebeeldvormingsgegevens om spontane neurale activiteitsveranderingen bij patiënten met retinitis pigmentosa te onderzoeken met behulp van een gecombineerde regionale homogeniteit en functionele connectiviteitsmethode.

Abstract

Een gecombineerde regionale homogeniteit (ReHo) en functionele connectiviteit (FC) methode, een type niet-invasieve functionele magnetische resonantie beeldvorming (fMRI) methode, is gebruikt om synchrone neuronale activiteitsveranderingen in retinitis pigmentosa (RP) te evalueren. Het doel van deze studie is het beschrijven van onze methode voor analyse van intra- en interregionale synchronisaties van veranderingen in neuronale activiteit bij RP-patiënten. De voordelen van de gecombineerde ReHo- en FC-methode zijn dat deze zowel niet-invasief als voldoende gevoelig is om veranderingen in cerebrale synchrone neuronale activiteitsveranderingen in vivo te onderzoeken. Hier ondergingen 16 RP-patiënten en 14 gezonde controles die qua leeftijd, geslacht en opleiding nauw bij elkaar pasten fMRI-scans in rusttoestand. Er werden twee voorbeeld-t-tests uitgevoerd om ReHo en FC in verschillende groepen te vergelijken. Onze resultaten toonden aan dat visuele netwerkontkoppeling en reorganisatie van de retino-thalamocorticale route en dorsale visuele stroom optrad bij de RP-patiënten. Hier beschrijven we stap voor stap de details van deze methode, het gebruik ervan en de impact van de belangrijkste parameters.

Introduction

Functionele magnetische resonantie beeldvorming (fMRI) is een niet-invasieve methode die kan worden gebruikt om veranderingen in de hersenfunctie en -structuur in vivo te onderzoeken. Regionale homogeniteit (ReHo) en functionele connectiviteit (FC) worden vaak gebruikt om intra- en interregionale synchronisaties van hersenactiviteit te beoordelen. ReHo, een fMRI-methodologie in rusttoestand, wordt gebruikt om de gelijkenis te berekenen tussen de tijdreeks van een bepaalde voxel en zijn naaste buren, die de lokale synchronisatie van hersenactiviteiten weerspiegelt¹. FC wordt gebruikt om de gelijkenis tussen ruimtelijk afgelegen regionale tijdreeksen² te onderzoeken.

fMRI-technologie kan een objectieve beoordeling van de visuele functie bieden in de context van de behandeling van oogziekten. Hier presenteren we een methodologisch protocol dat de methoden ReHo en FC combineert om deze ervaring te delen en de verspreiding van onze expertise te ondersteunen. In het huidige werk hebben we het ReHo- en FC-protocol gebruikt bij proefpersonen met retinitis pigmentosa (RP) en gezonde controles (HC's) om de details van de procedure uit te werken. RP is een ernstige erfelijke oogziekte die wordt gekenmerkt door verminderd nachtzicht en progressief verlies van gezichtsvermogen ^3,4. Genetische mutatie is de belangrijkste risicofactor voor RP. De dood van staaf- en kegelfotoreceptorcellen leidt tot verlies van perifeer zicht en uiteindelijk blindheid bij RP-patiënten. Eerdere neuroimaging-onderzoeken hebben structurele en functionele afwijkingen aangetoond in de visuele cortex en het visuele pad van RP-patiënten ^5,6,7. Bovendien werd diffusietensorbeeldvorming gebruikt om de integriteit van witte stofvezelbundels te onderzoeken. RP-patiënten vertoonden een significant hogere schijnbare diffusiecoëfficiënt, hoofdeigenwaarde en orthogonale eigenwaarde, evenals een significant lagere fractionele anisotropie in de oogzenuwen, in vergelijking met HC's⁸.

Hier was ons doel de exploratie van intra- en interregionale synchronisaties van neuronale activiteit. We onderzochten of de gemiddelde ReHo-waarden en gemiddelde FC-waarden gecorreleerd waren met klinische variabelen bij RP-patiënten. Onze methode kan onderzoekers in staat stellen belangrijke inzichten te verkrijgen in het neurale mechanisme van verlies van perifeer gezichtsvermogen bij RP-patiënten.

Protocol

Het onderzoeksprotocol werd goedgekeurd door de medisch-ethische commissie van het Renmin-ziekenhuis van de Universiteit van Wuhan. Alle deelnemers vulden een schriftelijk toestemmingsformulier in.

1. Classificatie en screening van deelnemers

1. Schrijf RP-vakken en HC's in die qua leeftijd, geslacht en opleiding nauw bij elkaar passen.
2. Zorg ervoor dat alle deelnemers aan de volgende criteria voldoen: 1) kunnen worden gescand met een MRI-scanner (bijv. geen pacemakers of geïmplanteerde metalen apparaten); 2) geen claustrofobie; 3) Geen hartaandoeningen, hypertensie of hersenaandoeningen.

2. Verzameling van fMRI-gegevens

OPMERKING: In dit protocol wordt een 3 T MRI-scanner met achtkanaals kopspoel gebruikt.

1. Vraag elke deelnemer om metalen voorwerpen te verwijderen voordat ze de MRI-scannerruimte betreden na een laatste veiligheidscontrole.
2. Instrueer de deelnemer om op het bed te gaan liggen en zorg ervoor dat de orbitomeatale lijn loodrecht op het bed staat. Plaats vervolgens schuimrubberen kussentjes in het bilaterale temporale gebied van het hoofd om hoofdbewegingen te voorkomen en zorg voor oordopjes om het geluid van de scanner te verminderen.
3. Instrueer de deelnemer om in rust te liggen, zijn/haar ogen gesloten te houden zonder in slaap te vallen en tijdens het scannen nergens aan te denken.
4. Pas de hoofdpositie van de deelnemer aan via het positioneringslicht. Zorg ervoor dat de positioneringscursor van de as evenwijdig is aan de laterale canthus en dat de sagittale positioneringscursor samenvalt met de middellijn van het gezicht. Verplaats vervolgens het bed om de cursor voor de positionering van de as 2 cm boven of onder de wenkbrauwen van de deelnemer te laten blijven.
5. Breng de deelnemer op de hoogte van de start van de scansessie. Start met behulp van de scanconsole het scannen van de structurele lokalizer om de positie van het hoofd van de deelnemers in de scanner te bepalen en maak het mogelijk om volgende structurele en functionele scans te plannen.
6. Voer fMRI uit met de volgende sequenties en parameters.
   1. Voer driedimensionale beeldvorming van het hersenvolume (3D-BRAVO) MRI uit met de volgende parameters: herhalingstijd (TR)/echotijd (TE) = 8,5 ms/3,3 ms; dikte = 1,0 mm; geen kruispuntopening; acquisitiematrix = 256 x 256; gezichtsveld = 240 x 240 mm²; en flip hoek = 12°.
   2. Verkrijg functionele beelden met behulp van gradiënt echo-planaire beeldvorming bloedoxygenatieniveau-afhankelijke (EPI-BOLD) beeldvorming met de volgende parameters: TR/TE = 2.000 ms/25 ms; dikte = 3,0 mm; opening = 1,2 mm; acquisitiematrix = 256 x 256; gezichtsveld = 240 x 240 mm²; voxel grootte = 3,6 x 3,6 x 3,6 mm³; en 35 axiale plakjes.
7. Houd de toestand van de deelnemer tijdens de duur van de scan in de gaten, instrueer hem zo min mogelijk te bewegen en stop met scannen als de deelnemer enig ongemak ervaart.
8. Haal de deelnemer uit de scanner en vraag de deelnemer om aan het einde van het experiment voorzichtig rechtop te gaan zitten.

3. Voorverwerking van gegevens en voorbereiding van de software

OPMERKING: De functionele beelden die in dit protocol worden geanalyseerd, worden voorbewerkt door SPM8 en de toolbox for Data Processing & Analysis for Brain Imaging (DPABI, http://rfmri.org/dpabi)⁹ op basis van MATLAB 2013a. Voer de volgende voorbewerkingsstappen afzonderlijk uit voor elke fMRI-sessie.

1. Open de DPABI-software in de MATLAB-terminal door op dpabi te klikken, kies vervolgens DPARSF 4.3 Advanced Edition en importeer de map "FunRaw" (Figuur 1).
   OPMERKING: De FunRaw-map bevat het DICOM-bestand voor elke deelnemer.
2. Klik op FunRaw om de fMRI-scanbestanden in DPABI te importeren met een consistent nummeringsschema (bijv. "sub0001", "sub0002", enz.). Selecteer de werkmap en de initiële EPI- en T1-mappen en ga verder met het selecteren van alle gewenste parameters in de stappen 3.3-3.9 voordat u op Uitvoeren klikt in sectie 4.
3. Typ de parameters: Timingpunten = 240 en TR = 2 (Figuur 2). Selecteer de EPI DICOM naar NIFTI om de functionele afbeeldingen van DICOM naar NIFTI-formaat te converteren en verwijder de eerste 10 volumes van elke functieafbeelding.
4. Vink de vakjes aan voor Slice Timing en Realign in de DPABI-software om de resterende 230 volumes functionele beelden van het bloedoxygenatieniveau te corrigeren voor Slice Timing-effecten en gecorrigeerde hoofdbewegingen.
   OPMERKING: Voor hoofdbewegingen moeten de gegevens van deelnemers met hoofdbeweging >2 mm of rotatie >2° tijdens het scannen worden uitgesloten. Voor de segmentvolgorde is de reeks getallen in de vector de volgorde van de acquisitietijd van deze lagen. Het geselecteerde segmentnummer is 40, de segmentvolgorde is [1:2:39,2:2,40] en het referentiesegment is 39.
5. Selecteer Normaliseren door DARTEL met de DPABI-software.
   OPMERKING: Door deze optie te selecteren, voert de software automatisch ruimtelijke normalisatie uit met behulp van individuele T1-gewogen structurele beelden die zijn geregistreerd op basis van de gemiddelde fMRI-gegevens. De resulterende uitgelijnde T1-gewogen beelden worden gesegmenteerd met behulp van de DARTEL-toolbox voor verbeterde ruimtelijke precisie tijdens de normalisatie van fMRI-gegevens. Genormaliseerde gegevens (in Montreal Neurological Institute [MNI] 152 ruimte) worden opnieuw gesneden met een resolutie van 3 x 3 x 3 mm³.
6. Verwijder de lineaire trend door Detrend te selecteren in de DPABI-software.
7. Vink het vakje aan voor Regressie van hinderlijke covariaten en selecteer de volgende parameters: hoofdbewegingsmodel, wittestofsignaal, globaal gemiddeld signaal en cerebrospinaal vloeistofsignaal.
8. Vink het vakje aan voor Schrobben om de slechte tijdstippen als gevolg van hoofdbewegingen in de DPABI-software te verwijderen.
9. Bewaar signalen tussen 0,01-0,08 Hz door het vakje Filter [0,01-0,08] in de DPABI-software aan te vinken om hoogfrequente fysiologische ruis en laagfrequente drift te verwijderen.
   OPMERKING: Na de gegevensvoorbereiding kunnen ReHo- en FC-analyse worden uitgevoerd.

4. ReHo en FC analyse

1. Open voor de ReHo-berekening de DAPABI-software via MATLAB en selecteer 27 voxels in het cluster. Klik met de linkermuisknop op ReHo en strijk [6*6*6] glad en selecteer vervolgens Uitvoeren.
   OPMERKING: Een concordantiecoëfficiënt van Kendall wordt toegewezen aan een bepaalde voxel door de concordantiecoëfficiënt van de Kendall van tijdreeksen van 27 voxels en hun naaste buren te berekenen. Om de invloed van individuele variaties op statistische vergelijkingen tussen groepen te verminderen, worden ReHo-kaarten van elke voxel z-getransformeerd met behulp van Fisher's r-naar-z-transformatie. De overige z ReHo-kaarten zijn ruimtelijk gladgestreken met behulp van een Gaussiaanse kern van 6*6*6 volledige breedte op maximaal de helft.
2. Open voor de FC-berekening de DAPABI-software via MATLAB en definieer de gewijzigde ReHo-hersengebieden tussen beide groepen als interessegebieden (ROI's). Klik op Functionele connectiviteit en definieer de ROI (centreren op x = 0, y = -69 en z = -3 met straal = 10 mm) en selecteer vervolgens Uitvoeren.
   OPMERKING: Correlatieanalyse van het tijdsverloop voor elke deelnemer wordt uitgevoerd tussen het bolvormige zaadgebied en de voxels van de hele hersenen. Alle FC-kaarten worden z-getransformeerd door Fisher's r-naar-z-transformatie om de invloed van individuele variaties op statistische vergelijking tussen groepen te verminderen. De straal van de ROI's rond de coördinaten moet 10 mm zijn (X = 0, Y = -69, Z = -3).

5. Statistische analyse

1. Zoek de mappen met de naam ReHo en FC na het verwerken van de relevante bestandsgegevens. Sorteer de bestanden van zReHo.nii en zFC.nii en classificeer ze in vier submappen: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" en "HC-group-FC".
2. Open DPABI via MATLAB om een t-test met één monster uit te voeren.
   1. Klik met de linkermuisknop op Statistische analyse en klik vervolgens op de t-toets met één voorbeeld. Geef het uitvoerresultaat een naam "one-sample-t-test-RP" en stel de uitvoermap in.
   2. Klik met de linkermuisknop op Groepsafbeeldingen toevoegen en open de submap "RP-group-ReHo".
   3. Klik in de optie Maskerbestand met de linkermuisknop om het subbestand "BrainMask-05-61*73*61" in de map "masker" te openen.
   4. Selecteer Compute om het programma uit te voeren. Voer dezelfde procedure uit voor de groep "one-sample-t-test-HC".
      OPMERKING: De t-test met één monster wordt gebruikt om gemiddelde ReHo-kaarten van elke groep in DPABI-software te analyseren en weer te geven.
3. Open DPABI via MATLAB om een t-test met twee monsters uit te voeren.
   1. Klik met de linkermuisknop op Statistische analyse en selecteer vervolgens een t-toets met twee steekproeven. Noem het uitvoerresultaat "two-sample-t-test-ReHo" en stel de uitvoermap in.
   2. Klik met de linkermuisknop op Groepsafbeeldingen toevoegen en open de submappen "RP-group-ReHo" en "HC-group-ReHo".
   3. Klik in de optie Maskerbestand met de linkermuisknop om het subbestand "BrainMask-05-61*73*61" in de map "masker" te openen.
   4. Selecteer Compute om het programma uit te voeren. Voer dezelfde procedure uit voor de "two-sample-t-test-FC". Klik op Statistische analyse en Gaussiaanse correctie van willekeurige velden (GRF) [tweezijdig, voxelniveau (0,01) en voxelniveau (0,05)] en klik vervolgens op Uitvoeren.
      OPMERKING: De verschillen tussen groepen zReHo-kaarten en zFC-kaarten worden vergeleken door twee voorbeeld-t-tests. GRF wordt gebruikt om te corrigeren voor meerdere vergelijkingen en regressieve covariabelen van leeftijd en geslacht met DPABI-software.
4. Gebruik BrainNet Viewer software (https://www.nitrc.org/projects/bnv/) om de resultaten te tonen.
   1. Open BrainNet via MATLAB en klik op Bestand laden. Voor oppervlaktebestanden klikt u op Bladeren en selecteert u BrainMesh-ICBM152-smoothed.nv en klikt u vervolgens op Ok; voor volumebestanden selecteert u spm-T.nii (dit geldt ook voor ReHo- en FC-resultaten) en klikt u vervolgens op OK.
5. Gebruik statistische software om de gegevens uit de vorige stap te verwerken.
   OPMERKING: De chi-kwadraattoets wordt gebruikt voor geslachtsvergelijkingen, terwijl onafhankelijke steekproeven t-toetsen worden gebruikt voor andere klinische variabelen. Continue variabelen worden weergegeven door gemiddelden en standaarddeviaties.
6. Voer een Pearson-correlatiecoëfficiëntanalyse uit om de relaties tussen zReHo-waarden en zFC-waarden van verschillende hersengebieden en visuele meetgegevens te identificeren met behulp van statistische software.
   1. Verkrijg ROI-signalen van zReHo-waarden en zFC-waarden bij elke deelnemer door DPABI-software. Klik op ROI-signalenextractor en Map toevoegen met ROI mask.nii-bestand.
      OPMERKING: P-waarden van <0,05 moeten als statistisch significant worden beschouwd.

Results

In onze studie ondergingen 16 RP-individuen en 14 gezonde controles die qua leeftijd, geslacht en opleiding nauw bij elkaar aansloten, fMRI-scans in rusttoestand. ReHo- en FC-methoden werden gebruikt om de intra- en intersynchrone neuronale activiteit bij RP-individuen te onderzoeken. Er werden significante verschillen in BCVA waargenomen tussen het rechteroog (P < 0,001) en het linkeroog (P < 0,001), maar het verschil in geslacht, leeftijd of gewicht tussen de groepen was niet significa...

Discussion

Dit rapport beschrijft een protocol voor het berekenen van ReHo- en FC-waarden voor RP- en HC-groepen en toonde significant verschillende ReHo- en FC-waarden tussen de twee groepen. Een belangrijke stap in dit proces is met name de classificatie en screening van monsters vóór het experiment. Toen we dit protocol toepasten voor onze eigen analyse, werden alle RP-proefpersonen gediagnosticeerd door twee ervaren oogartsen. We hebben RP-patiënten met andere oogziekten zoals glaucoom, staar e...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BrainNet Viewer software	National Key Laboratory of Cognition Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer is een hersennetwerkvisualisatietool om structurele en functionele connectiviteitspatronen te visualiseren
DPABI software	Institute of Psychology, CAS, Beijing, China	DPABI 4.3	DPABI is een toolbox voor gegevensverwerking en analyse van hersenbeeldvorming.
MATLAB	MathWorks, Natick, MA, USA	2013a	MATLAB is een hoogwaardige technische programmeertaal en interactieve omgeving voor algoritmeontwikkeling, gegevensvisualisatie, gegevensanalyse en numerieke berekening.
MRI scanner	GE Healthcare, Milwaukee	MRI 3.0
SPM software	Wellcome Centre for Human Neuroimaging, UCL	SPM8	SPM8 is een belangrijke update van de SPM-software, met substantiële theoretische, algorithmische, structurele en interfaceverbeteringen ten opzichte van eerdere versies.
SPSS	IBM, Chicago, IL, USA	SPSS version 20.0	De SPSS-softwareplatform biedt geavanceerde statistische analyse, tekstanalyse, open-source uitbreidbaarheid, integratie met big data en naadloze implementatie in applicaties.