Netwerk Analyse van de default-Functioneel Connectiviteit MRI in temporale kwab epilepsie

Het algemene doel van het volgende experiment is het verkrijgen van statistische kaarten. Hierbij wordt het verschil in fMRI-scans in rusttoestand vergeleken tussen gezonde controles en patiënten met epilepsie. Dit wordt bereikt door fMRI-gegevens te verzamelen van proefpersonen met temporale kwabbellepilepsie, evenals van gezonde controleproefpersonen.

Als tweede stap wordt de fMRI voorbewerkt, waardoor de gegevens gereed worden gemaakt voor statistische analyse. Vervolgens worden de voorbewerkte fMRI-gegevens geanalyseerd om statistisch valide vergelijkingen tussen de twee groepen te verkrijgen. De resultaten tonen verschillen in hersennetwerken aan bij patiënten met epilepsie vergeleken met de hersennetwerken van gezonde controlesubjecten.

Op basis van statistische verschillen in hersennetwerkkaarten tussen deze twee groepen is het steeds duidelijker geworden dat zelfs epilepsieën die zich manifesteren door focale aanvallen, voortkomen uit diffuse netwerkstoornissen. Het idee voor deze techniek ontstond na het erkennen van het belang van het DEF Favo-netwerk tijdens aanvallen en de vraag of het standaard LO-netwerk abnormaal is tussen de aanvallen door bij temporale kwabbenepilepsie. De studiepopulatie voor dit protocol moet uit drie groepen bestaan, nietwaar?

Patiënten met temporale kwabbepilepsie, patiënten met linkszijdige temporale kwabbepilepsie, alsook gezonde controles. In totaal worden ongeveer 35 proefpersonen aanbevolen. De groepen met epilepsie moeten bestaan uit patiënten die gediagnosticeerd zijn met temporale kwabbepilepsie, zoals kandidaten voor een anteriore temporale lobectomie op basis van video-EEG-monitoring, PET-imaging en neuropsychologisch onderzoek; zorg dat alle proefpersonen normale hersen-MRI's hebben en vrij zijn van neurologische aandoeningen anders dan epilepsie in de patiëntengroepen.

Vraag voorafgaand aan de beeldvorming IRB-goedkeuring en schriftelijke geïnformeerde toestemming aan bij alle proefpersonen en screen deze voor MRI-veiligheid. Patiënten dienen hun gebruikelijke medicatie tijdens de fMRI-scan voort te zetten en mogen niet direct na een aanval worden gescand. Voor alle in dit protocol beschreven beeldvorming dient een MRI-systeem van drie Tesla te worden gebruikt.

Verkrijg axiale coupes voor functionele beelden met een echo-planaire beeldvormingssequentie en voor anatomische beelden met een spoiled gradient recalled sequentie. Verzoek de deelnemers om te ontspannen en stil te blijven liggen met de ogen gesloten, en voer de functionele beeldvorming uit met de parameters zoals hier getoond. Gebruik daarnaast de volgende parameters voor de S PGR T one-gewogen structurele beeldvorming met hoge resolutie.

Elke imagingsessie moet ongeveer 20 minuten duren. Begin met het voorbewerken van de fMRI-gegevens met de FSL-software First. Gebruik FSL MFL om hoofdbewegingsartefacten te verwijderen.

Gebruik vervolgens de FSL-tool voor hersenextractie of BET om niet-hersenweefsel te verwijderen met de optie -f voor bold-bestanden. Dit maakt verdere analysestappen op enkel het hersenweefsel mogelijk. Voer vervolgens in FSL een minimaal bewerkte analyse uit met registratie.

Selecteer eerst de analyse op het eerste niveau en wijzig de volledige analyse in 'pre stats' via de bovenste twee knoppen. Vink vervolgens onder het tabblad 'pres stats' de optie voor hersenextractie uit en selecteer 'none' voor bewegingscorrectie, aangezien deze stappen al zijn uitgevoerd. Registreer daarna de functionele beelden op de anatomische beelden en vervolgens op een standaard MNI-beeld.

Dit resulteert in de generatie van transformatiematrices, die later tijdens de analyse worden gebruikt om het in de standaardruimte geselecteerde seed te vervormen naar de hersenruimte van het subject. Gebruik vervolgens de gegenereerde transformatiematrix genaamd standard to example funk dot mat om de ROI's van het CSF en de witte stof te transformeren naar de individuele bold-ruimte. Extraheer vervolgens met het FSL mean TS-commando de tijdreeksen uit de ROI's van het CSF en de witte stof.

Normaliseer de geëxtraheerde tijdreeksen met behulp van de software R, waarbij de ROI in de individuele subjectruimte als masker wordt gebruikt. Deze tijdreeksen worden later als regressoren in het algemene lineaire model gebruikt om de bijbehorende artefactuele signalen uit de analyse te verwijderen. De volgende stap is het verwijderen van artefacten die gerelateerd zijn aan de beweging van het subject. Voor de regressie van de bewegingsparameters.

Stel het volgende in binnen FSL feet voordat u het voor het eerst uitvoert in het tabblad 'data'; gebruik het bewegingsgecorrigeerde en hersen-geëxtraheerde bestand als inputs en stel de TR-waarde zo in dat deze overeenkomt met uw dataset. Stel hoogpassfiltratie in met een 102e filter, waardoor zeer lage frequentiesignalen zonder relevantie worden verwijderd. Een laagdoorlaatfilter om hoge frequentiesignalen te verwijderen zal later in het tabblad 'pres stats' worden toegepast.

Select 'none' bij motion correction en vink deze uit, maar laat brain extraction wel aanstaan. Aangezien deze stappen reeds zijn uitgevoerd, voert u spatial smoothing uit met een full width half maximum van vijf millimeter. Regresseer vervolgens binnen het stats-tabblad de zes bewegingsparameters en hun temporele afgeleiden.

Selecteer 'none' voor convolutie en vink 'apply temporal filtering' aan. Gebruik de output van F slm4d flirt om tekstbestanden met bewegingsparameters te verkrijgen, die vervolgens kunnen worden ingevoerd in de FEAT-analyse om deze in een algemeen lineair model te regresseren. Voeg daarnaast de CSF- en witte stof-signalen toe aan het GLM, welke in vorige stappen zijn geëxtraheerd en genormaliseerd.

Selecteer geen optie voor convolutie. Voeg de temporele afgeleide toe en vink paspas temporele filtering uit. De residuen van de hierboven beschreven voorbewerking moeten worden gebruikt voor zaadgebaseerde correlatie.

Deze residuen moeten eerst door een laagdoorlaatfilter (PESS) van 0,1 Hz worden geleid, vervolgens gecentreerd door het gemiddelde af te trekken, gedeeld door de standaarddeviatie en daarna geschaald door 100 op te tellen. De seed moet worden gedefinieerd met een diameter van zes millimeter in de standaard MNI-ruimte. Met behulp van MRIcron-software moeten de posterieure en anterieure seeds overeenkomen met de hier getoonde coördinaten.

Let op dat deze zaadlocaties zijn gedefinieerd binnen gezonde controles. De seeds moeten vervolgens vanuit de standaard MNI-ruimte worden getransformeerd naar de individuele functionele hersenruimte van elk subject. Gebruik hiervoor de eerder gegenereerde transformatiematrix om de seed van de standaard m- en i-ruimte naar de individuele functionele ruimte te transformeren.

Gebruik vervolgens het FSL mean Ts-commando om de tijdserie uit het eerder gedemeande en geschaalde residu te extraheren. Gebruik hiervoor de seed in de individuele subjectruimte als masker. Normaliseer de geëxtraheerde tijdseries met de software R; partiële correlaties tussen de seed-voxels en alle overige hersenvoxels moeten afzonderlijk voor elk subject en voor elke run worden berekend.

Selecteer hiervoor binnen de FSL-interface eerst 'first level analysis' en vervolgens 'stats' en 'post stats' onder het tabblad 'data'. Het eerder gecentreerde en geschaalde residu moet als input worden gebruikt. Stel de afkapwaarde van het hoogdoorlaatfilter in op 10.000 in het tabblad 'stats', aangezien het residu al een hoogdoorlaatfilter van 100 seconden heeft ondergaan.

Selecteer 'use film pre whitening' niet en gebruik de eerder geëxtraheerde en genormaliseerde zaadtijdreeksen. Stel in de GLM binnen het tabblad 'post stats' de gewenste Z-statistiekdrempel in op een waarde van 2,0 voordat de groepanalyse wordt uitgevoerd. Bij het combineren van runs binnen proefpersonen moet een Fisher Z-transformatie worden uitgevoerd op het contrast van de parameterschattingen.

Bestand gegenereerd vanuit de correlatieanalyse; kopieer de registratiegegevens vanuit de reg-directory van de voetanalyse naar de correlatierun. Voer een analyse op een hoger niveau uit door runs binnen elk subject te combineren. Selecteer eerst 'higher level analysis' en vervolgens 'stats plus post stats'.

Kies vervolgens in het tabblad 'data' voor de optie dat de inputs mappen op een lager niveau zijn en voer de runs van het subject in binnen het tabblad 'stats'. Kies voor 'mixed effects'. Stel bij 'Simple OLS' een model in als het gemiddelde effect en voer voor elke run van de subjecten een waarde van één in.

Om data-overrun tussen proefpersonen te combineren, dient een eenvoudige mixed-effects analyse via ordinary least square te worden gebruikt; kies hiervoor de hogere-orde analyse en 'stats plus post stats' binnen het tabblad data. Selecteer als inputs de lagere-orde voetdirectories en voer de gecombineerde runs van de proefpersonen in; kies binnen het tabblad stats voor 'mixed effects'. Stel bij de eenvoudige OLS een model in met drie groepen en voer een waarde van één in voor de groep.

Elk subject behoort tot nul. Anders moet de groepsanalyse voor elke voxel worden uitgevoerd met een eenweg-ANOVA met drie niveaus, die overeenkomen met de drie groepen voor drempelwaardebepaling. De Z-statistiekbeelden maken gebruik van een clusterbentukende drempelwaarde van Z groter dan 2,0 en een gecorrigeerde drempelwaarde voor clustersignificantie van P gelijk aan 0,05 om correcte Z-waarden op de correlatiekaart te verkrijgen.

Er moet een reverse Fisher Z-transformatie op de resultaten worden uitgevoerd. Gebruik ten slotte de volgende specifieke contrasten, zoals hier op het scherm te zien is. Deze figuur toont het default mode network, onthuld door connectiviteit vanuit een posteriore seed, inclusief het retro splenium en de precuneus in roodgele kleuren, en vanuit een anteriore seed, inclusief de ventromediale prefrontale cortex in blauwgroene kleuren.

De eerste rij toont het netwerk voor de controlegroep, de tweede rij voor linkszijdige temporale kwakkepilepsie en de onderste rij voor rechtszijdige temporale kwabbepilepsie. De volgende figuren vergelijken deze netwerken tussen deze drie groepen. Hier zien we de default mode-netwerken, onthuld met een anterieur en een posterieur seed-punt voor gecombineerde rechts- en linkszijdige temporale kwabbepilepsie vergeleken met gezonde controles.

Deze figuur toont de default mode networks die zichtbaar worden met dezelfde seed-punten voor uitsluitend linkszijdige temporale kwapepilepsie vergeleken met gezonde controles. Terwijl deze figuur de netwerken toont die zichtbaar worden voor uitsluitend rechtszijdige temporale kwapepilepsie vergeleken met gezonde controles, zien we hier tenslotte de default mode networks die zichtbaar worden met een anterieur en een posterieur seed-punt voor linkszijdige temporale kwapepilepsie vergeleken met rechtszijdige temporale kwapepilepsie. Studies naar functionele connectiviteit die de gehele hersenen omvatten, zijn essentieel voor het begrijpen van de fundamentele mechanismen van epilepsie.

We hebben in dit experiment een seed-gebaseerde techniek gebruikt om de connectiviteit met het default mode network te beoordelen. Het zal interessant zijn om te zien hoe andere technieken zich verhouden in hun resultaten bij het bestuderen van temporale lobepilepsie.