Artykuł metodologiczny

Analiza sieciowa sieci w trybie domyślnym z wykorzystaniem rezonansu magnetycznego łączności funkcjonalnej w padaczce skroniowej

DOI:

10.3791/51442

⸱

5 sierpnia 2014

 ,  ,  ,  , 
1Department of Neurology, Baylor College of Medicine, 2Neurology Care Line, Michael E. DeBakey VA Medical Center, 3Semel Institute for Neuroscience and Human Behavior, University of California, Los Angeles, 4Department of Neurology, University of California, Los Angeles

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sieć trybu domyślnego (DMN) w padaczce skroniowej (TLE) jest analizowana w stanie spoczynku mózgu za pomocą rezonansu magnetycznego (fcMRI) opartego na nasionach.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Funkcjonalna łączność MRI (fcMRI) to metoda fMRI, która bada połączenia różnych obszarów mózgu na podstawie korelacji fluktuacji sygnału BOLD w czasie. Padaczka skroniowa (TLE) jest najczęstszym rodzajem padaczki u dorosłych i obejmuje wiele sieci mózgowych. Sieć trybu domyślnego (DMN) bierze udział w świadomym poznawaniu w stanie spoczynku i uważa się, że jest zaburzona w TLE, gdzie napady powodują upośledzenie świadomości. DMN w padaczce badano za pomocą fcMRI na bazie nasion. W tej analizie jako nasiona wykorzystano przednie i tylne piasty DMN. Wyniki wskazują na rozłączenie między przednimi i tylnymi piastami DMN w TLE w stanie podstawowym. Ponadto ujawnia się zwiększona łączność DMN z innymi obszarami mózgu w lewym TLE wraz ze zmniejszoną łącznością w prawym TLE. Analiza pokazuje, w jaki sposób fcMRI oparte na nasionach można wykorzystać do badania sieci mózgowych w zaburzeniach mózgu, takich jak TLE.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Funkcjonalna łączność MRI (fcMRI) to stosunkowo nowe podejście analityczne do danych fMRI, które określa ilościowo związek między różnymi regionami mózgu na podstawie podobieństwa ich szeregów czasowych sygnałów zależnych od poziomu natlenienia krwi (BOLD) - nazywa się to "funkcjonalną" łącznością i można ją odróżnić od anatomicznej łączności, która opisuje istnienie fizycznych połączeń między regionami (np., włókna istoty białej). W szczególnym zastosowaniu tego podejścia szeregi czasowe są zbierane, gdy uczestnik nie jest zaangażowany w zadanie lub znajduje się w tak zwanym "stanie spoczynku".

Chociaż po raz pierwszy opisany w 1995roku 1, zainteresowanie fcMRI było ogromne, co zaowocowało około 1000 publikacji związanych z tą techniką w 2012 roku. fcMRI ma wewnętrzne zalety w porównaniu z fMRI opartym na zadaniach, ponieważ (1) nie ma konkretnego zadania do wykonania, (2) współpraca z podmiotem nie jest konieczna, (3) zestawy danych mogą być używane do przeszukiwania kilku różnych sieci, (4) lepszy stosunek sygnału do szumu występuje prawdopodobnie ze względu na różnice w zaangażowanej energetyce mózgowej oraz (5) obejście zakłóceń związanych z zadaniami2. Jako dowód słuszności tej koncepcji, wykazano, że zmiany w fcMRI odpowiadają zmianom wEEG3 i lokalnych potencjałachpola4 w mózgu.

Techniki analizy fcMRI obejmują techniki oparte na ROI/nasionach, analizę niezależnych składowych (ICA), analizę teorii grafów, analizę przyczynowości Grangera, metody lokalne (amplituda fluktuacji o niskiej częstotliwości, analiza jednorodności regionalnej) i inne5. Żadna pojedyncza technika nie wykazała jeszcze wyraźnej wyższości nad inną, chociaż najpopularniejszymi metodami są metody oparte na nasionach i metody ICA6. Oparty na nasionach fcMRI koreluje czasowe fluktuacje sygnału BOLD z wcześniej wybranej części badanej domniemanej sieci, zwanej "ziarnem" lub "regionem zainteresowania (ROI)" do wszystkich innych części mózgu. Uważa się, że obszary mózgu wykazujące sygnał BOLD korelujący z obszarem zalążkowym wyznaczają części zaangażowanej sieci. W przeciwieństwie do tego, ICA wykorzystuje bezmodelową analizę opartą na danych do wyodrębnienia czasowo skorelowanych przestrzennie obszarów mózgu (Independent Components, ICs) poprzez analizę charakterystyki sygnału hemodynamicznego całego mózgu5.

W obecnym manuskrypcie przedstawiono opis metod użytych w wcześniej opublikowanym badaniu analizy połączeń DMN w stanie spoczynku na podstawie nasionw TLE 7. TLE jest najczęstszą postacią padaczki u dorosłych. Oprócz napadów padaczkowych, TLE powoduje dysfunkcję wielu sieci mózgowych, w tym pamięci, zachowania, myśli i funkcji sensorycznych8. DMN składa się z obszarów mózgowych podporządkowujących się świadomemu poznaniu w stanie spoczynku. Doniesiono, że DMN bierze udział w napadach związanych ze zmniejszeniem świadomości9,10. Ponadto hipokamp jest kluczową strukturą zaangażowaną w TLE i uważa się, że jest składnikiem DMN. Jednak połączenie PCC z formacją hipokampa jest słabsze niż w przypadku innych składników DMN, takich jak przyśrodkowa kora przedczołowa i dolna kora ciemieniowa. Sugeruje to, że hipokamp jest albo podsiecią DMN, albo siecią oddziałującą11,12. Te podobieństwa między TLE i DMN zwiększają prawdopodobieństwo, że funkcjonalna łączność DMN jest zmieniona w TLE. Analiza ta porównuje DMN osób z TLE ze zdrowymi osobami z grupy kontrolnej, aby uzyskać wgląd w udział DMN w TLE. Przeanalizowano łączność nasion umieszczonych w głównych węzłach DMN - przednich i tylnych regionach węzła12. Nasiona umieszczono w tylnym piaście składającym się z retrosplenium/przedklinka (Rsp/PCUN), a także w przednim piaście składającym się z brzuszno-przyśrodkowej kory przedczołowej (vmPFC) u pacjentów z TLE i w zdrowych osobach kontrolnych w celu zidentyfikowania tylnej i przedniej podsieci DMN.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Tematy

  1. Badana populacja składająca się z 36 osób obejmuje 3 grupy: prawe TLE (n=11), lewe TLE (n=12) i zdrowe (n=13). Uzyskaj pisemną świadomą zgodę od wszystkich uczestników. Badanie jest zgodne z wytycznymi Institutional Review Board Uniwersytetu Kalifornijskiego w Los Angeles (UCLA).
  2. Grupami pacjentów z padaczką powinni być pacjenci, którzy są kandydatami do resekcji przedniego płata skroniowego, zgodnie z ustaleniami za pomocą monitorowania wideo-EEG, rezonansu magnetycznego mózgu, obrazowania PET i testów neuropsychologicznych. Pacjenci powinni kontynuować przyjmowanie zwykłych leków podczas badania fMRI i nie powinni być badani bezpośrednio po napadzie. Upewnij się, że wszyscy pacjenci mają prawidłowy rezonans magnetyczny mózgu i są wolni od chorób neurologicznych (innych niż padaczka w grupach pacjentów) lub stosują leki neurologiczne.

2. Obrazowanie

  1. Do obrazowania należy użyć systemu MRI o mocy 3 Tesli. Uzyskaj przekroje osiowe dla obrazów funkcjonalnych przy użyciu sekwencji obrazowania echa płaskiego (EPI) oraz dla obrazów anatomicznych przy użyciu sekwencji przywołanej w uszkodzonym gradimencie (SPGR).
  2. Wykonaj obrazowanie funkcjonalne przy użyciu następujących parametrów: TR = 2 000 ms, TE = 30 ms, FOV = 210 mm, matryca = 64 x 64, grubość warstwy 4 mm, 34 warstwy. Do obrazowania strukturalnego w wysokiej rozdzielczości należy użyć następujących parametrów: TR = 20 ms, TE = 3 ms, FOV = 256 mm, matryca = 256 x 256, grubość plastra 1 mm, 160 warstw.
  3. Każda sesja obrazowania powinna trwać 20 minut. Poproś uczestników, aby zrelaksowali się z zamkniętymi oczami. Nie jest wymagane żadne specjalne wejście słuchowe.

3. Wstępne przetwarzanie danych BOLD

  1. Wstępnie przetwórz dane fMRI przy użyciu oprogramowania FSL (fMRIB Software Library) w wersji 4.1.6 (Oxford, Wielka Brytania, www.fmrib.ox.ac.uk/fsl)13,14. Etapy przetwarzania wstępnego powinny obejmować następujące elementy: Użyj FSL MCFLIRT, aby usunąć artefakt ruchu głowy15. Użyj FSL BET, aby usunąć tkankę niemózgową16 z opcją BET -F dla plików BOLD. Pomaga to w przeprowadzaniu dalszych etapów analizy samej tkanki mózgowej.
  2. W FEAT uruchom minimalnie przetworzoną analizę z rejestracją. Wybierz "Analiza pierwszego poziomu" i zmień "Pełna analiza" na "Statystyki wstępne" z dwóch górnych przycisków.
    1. W zakładce Pre-stats odznacz "Ekstrakcja mózgu BET" i wybierz "Brak" dla "Korekcji ruchu" (tak jak to już zostało zrobione powyżej). Zarejestruj obrazy funkcjonalne (BOLD) na obrazach anatomicznych (SPGR), a następnie na obrazie standardowym (MNI). Powoduje to wygenerowanie macierzy transformacji, które są używane później podczas analizy do wypaczania nasion wybranych w przestrzeni standardowej do przestrzeni mózgowej badanego.
  3. Użyj wygenerowanej macierzy transformacji (o nazwie "standard2example_func.mat") i przekształć zwrot z inwestycji w płyn mózgowo-rdzeniowy i istotę białą w indywidualną przestrzeń BOLD.
    1. Wyodrębnij szeregi czasowe z ROI płynu mózgowo-rdzeniowego i istoty białej za pomocą polecenia fslmeants, używając zwrotu z inwestycji w indywidualnej przestrzeni obiektu jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania "R". Te szeregi czasowe są później używane jako regresory w OML w celu usunięcia odpowiednich sygnałów artefaktów z analizy.
  4. Następnym krokiem jest usunięcie artefaktów związanych z ruchem obiektu. Aby uzyskać regresję parametrów ruchu, przed uruchomieniem FSL FEAT należy ustawić następujące elementy.
    1. Na karcie danych użyj pliku z korekcją ruchu i wyodrębnionym mózgiem jako danych wejściowych, ustaw wartość TR tak, aby odpowiadała zestawowi danych. Ustaw filtrowanie górnoprzepustowe przy użyciu filtru 100 sekund. Filtrowanie górnoprzepustowe usunie sygnały, które nie są interesujące, które mają bardzo niską częstotliwość. Filtr dolnoprzepustowy do usuwania sygnałów o wysokiej częstotliwości zostanie zastosowany w dalszej części kroku 4.1.
    2. W zakładce Pre-stats wybierz "Brak" w sekcji "Korekcja ruchu", tak jak to już zostało zrobione. Odznacz "Ekstrakcja mózgu BET", ponieważ zostało to już zrobione. Wygładzanie przestrzenne należy wykonać przy użyciu półmaksimum (FWHM) przy pełnej szerokości 5 mm.
    3. W zakładce statystyk przeprowadź regresję 6 parametrów ruchu i ich pochodnych czasowych. Wybierz "Brak" dla konwolucji i zaznacz "Zastosuj filtrowanie czasowe". Użyj danych wyjściowych FSL MCFLIRT, aby uzyskać pliki tekstowe z parametrami ruchu, które można następnie wprowadzić do modelu analizy FEAT w celu ich regresji w ogólnym modelu liniowym (GLM)
    4. Dodaj również sygnały płynu mózgowo-rdzeniowego i istoty białej, które zostały wyodrębnione i znormalizowane w poprzednich krokach, do GLM. Wybierz "Brak" dla konwolucji, dodaj pochodną czasową i odznacz "Zastosuj filtrowanie czasowe".

4. Metody statystyczne

  1. Pozostałości z przetwarzania wstępnego opisane powyżej powinny być wykorzystane do korelacji opartej na nasionach. Reszty te należy najpierw przepuścić przez filtr dolnoprzepustowy 0,1 Hz, następnie pomniejszać przez odjęcie średniej, podzielenie przez odchylenie standardowe, a następnie przeskalowanie przez dodanie 100. Nasiona powinny być zdefiniowane o średnicy 6 mm w standardowej przestrzeni MNI za pomocą oprogramowania MRICron.
  2. Nasiona tylne i przednie powinny odpowiadać następującym współrzędnym: (1) region RSP / PCUN (x = 2, y = -60, z = 36) i (2) brzuszno-przyśrodkowa kora przedczołowa (vmPFC; x = 3, y = 60, z = -1). Te lokalizacje nasion zostały zdefiniowane w kontrolkach w dobrej kondycji i są przekształcane do przestrzeni tematu w następnym kroku17-19.
    1. Nasiona powinny być następnie przekształcone do indywidualnej funkcjonalnej przestrzeni mózgu każdego badanego ze standardowej przestrzeni MNI. W tym celu należy użyć wygenerowanej powyżej macierzy transformacji (o nazwie "standard2example_func.mat"), aby przekształcić ziarno z przestrzeni standardowej (MNI) do przestrzeni indywidualnej funkcjonalnej (BOLD).
    2. Użyj polecenia fslmeants, aby wyodrębnić szereg czasowy z poprzednio pomniejszonej i przeskalowanej reszty, używając ziarna w indywidualnej przestrzeni podmiotu jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania "R".
  3. Częściowe korelacje między wokselami nasiennymi a wszystkimi innymi wokselami mózgu powinny być obliczane oddzielnie dla każdego badanego dla każdego przebiegu. W tym celu w FSL FEAT GUI wybierz "Analiza pierwszego poziomu", a następnie "Statystyki + Post-statystyki". W zakładce Dane, poprzednio zdegradowana i przeskalowana reszta powinna być używana jako dane wejściowe do FEAT.
  4. Ustaw odcięcie filtra górnoprzepustowego na 10 000, ponieważ pozostałość jest już wysoko przekroczona po 100 sekundach. Na karcie Statystyki odznacz opcję "Użyj wstępnego wybielania FILMU" i użyj wcześniej wyodrębnionych i znormalizowanych szeregów czasowych nasion w GLM. Na karcie Post-stats ustaw żądany próg Z-stat na wartość 2.0.
  5. Przed przeprowadzeniem analizy grupowej łączącej przebiegi w obrębie badanych należy przeprowadzić transformację Z Fishera na pliku COPE (Contrast of Parameter Estimates) wygenerowanym na podstawie poprzednio przeprowadzonej analizy korelacji (krok 4.3). Skopiuj dane rejestracyjne z katalogu "reg" analizy FEAT wykonanej w kroku 3.1 do przebiegu korelacji w kroku 4.3.
  6. Przeprowadź analizę wyższego poziomu, łącząc przebiegi w ramach każdego tematu. W tym celu w FSL FEAT GUI wybierz "Analiza wyższego poziomu", a następnie "Statystyki + Post-statystyki". W zakładce "Dane" wybierz "Dane wejściowe są katalogami FEAT niższego poziomu" i wprowadź przebiegi tematu z kroku 4.4. W zakładce "Statystyki" wybierz "Efekty mieszane: Prosty OLS". Ustawianie modelu jako efektu średniego; Wprowadź wartość 1 dla każdego przebiegu tematu.
  7. Aby połączyć dane z różnych obiektów, należy użyć zwykłej analizy najmniejszych kwadratów (OLS) prostej analizy efektów mieszanych. W tym celu w FSL FEAT GUI wybierz "Analiza wyższego poziomu" i "Statystyki + Post-statystyki". Na karcie Dane wybierz opcję "Dane wejściowe są katalogami FEAT niższego poziomu" i wprowadź łączone przebiegi tematów z kroku 4.5.
  8. Na karcie Statystyki wybierz "Efekty mieszane: prosty OLS" Ustaw model jako 3 grupy; wprowadź wartość 1 dla grupy, do której należy każdy temat, w przeciwnym razie 0. Analiza grupowa powinna być przeprowadzona na każdym wokselu przy użyciu jednokierunkowej ANOVA z trzema poziomami, które odpowiadały trzem grupom (prawe TLE, lewe TLE i zdrowe grupy kontrolne).
  9. Do progowania obrazów statystycznych Z wykorzystuje się próg tworzenia klastrów Z > 2,0 i skorygowany próg istotny dla klastra p=0,05 20. Aby uzyskać poprawne wartości Z na mapie korelacji, należy wykonać odwrotną transformację Z Fishera na wynikach.
  10. Należy porównać następujące specyficzne kontrasty: (1) prawe kontrole TLE >; (2) lewe elementy sterujące > TLE; (3) prawy TLE > lewy TLE; (4) lewe TLE > prawe TLE; (5) sterowanie > prawe TLE; (6) sterowanie > lewym TLE; (7) TLE (kombinowany prawy i lewy) > sterowania; oraz (7) sterowanie > TLE (kombinowane w prawo i w lewo).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rycina 1 przedstawia DMN ujawnioną za pomocą łączności z tylnego ziarna (Rsp/ PCUN, kolory czerwono-żółte) oraz przedniego ziarna (vmPFC, kolory niebiesko-zielone) i porównuje sieci znalezione w różnych grupach badanych (Ryciny 1A-C) oraz między sobą, mianowicie zdrowe osoby kontrolne w porównaniu ze wszystkimi pacjentami z TLE (Ryciny 1D i 1E), a następnie zdrowe osoby kontrolne w porównaniu osobno z lewostronną TLE (Ryciny 1F i 

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uważa się, że padaczka jest chorobą sieciową, a nieprawidłowości zaangażowanych sieci są obecne podczas napadów i w stanie międzynapadowym21. Oparty na zadaniach fMRI został wykorzystany do analizy nieprawidłowości w sieciach językowych i pamięciowych w TLE8. FcMRI ma nieodłączne zalety w badaniu DMN12 , ponieważ jest to sieć aktywna głównie w stanie spoczynku. DMN to sieć regionów mózgu, która okazała się aktywna u osób obudzonych, które nie są zakłócone i są zaangażowane w spontaniczne ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dr Engel jest finansowany przez NIH Grants P01 NS02808, R01 NS33310 i U01 NS42372, posiada patenty WO 2009/123734A1 i WO 2009/123735A1, otrzymuje tantiemy od MedLink, Wolters Kluwer, Blackwell i Elsevier oraz otrzymał honoraria od Medtronics, Wolters Kluwer i Best Doctors. Dr Stern służył jako płatny konsultant dla UCB i Lundbeck. Dr Stern jest redaktorem MedLink Neurology i otrzymał tantiemy od Wolters Kluwer i McGraw-Hill. Pozostali autorzy nie mają żadnych ujawnień ani konfliktów interesów, które mogliby zadeklarować.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Finansowanie tych badań zostało zapewnione przez The Epilepsy Foundation of America, Baylor College of Medicine Computational and Integrative Biomedical Research Center (CIBR) Seed Grant Awards (ZH); NIH-NINDS K23 Grant NS044936 (JMS); oraz The Leff Family Foundation (JMS). Pozyskiwanie danych pomogło: Elizabeth Pierce (UCLA).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Stacja robocza MRI
z systemem Linux z zainstalowanym
oprogramowaniem do analizy obrazu

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn. Reson. Med. 34, 537-541 (1995).
  2. Fox, M. D., Greicius, M. Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 1-13 (2010).
  3. Laufs, H., et al. Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest. Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).
  4. Shmuel, A., Leopold, D. A. Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest. Hum. Brain Mapp. 29, 751-761 (2008).
  5. Margulies, D. S., et al. Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity. Magn. Mater. Phys. Biol. 23, 289-307 (2010).
  6. Biswal, B. B., et al. Toward discovery science of human brain function. Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).
  7. Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. Effect of lateralized temporal lobe epilepsy on the default mode network. Epilepsy Behav. 25, 350-357 (2012).
  8. Pillai, J. J., Williams, H. T., Faro, S. Functional imaging in temporal lobe epilepsy. Semin. Ultrasound. CT MR. 28, 437-450 (2007).
  9. Blumenfeld, H., et al. Positive and negative network correlations in temporal lobe epilepsy. Cereb. Cortex. 14, 892-902 (2004).
  10. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).
  11. Fransson, P., Marrelec, G. The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis. Neuroimage. 42, 1178-1184 (2008).
  12. Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. The brain's default network. Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).
  13. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimage. 14, 1370-1386 (2001).
  14. Forman, S. D., et al. Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold. Magn. Reson. Med. 33, 636-647 (1995).
  15. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage. 17, 825-841 (2002).
  16. Smith, S. M. Fast robust automated brain extraction. Hum. Brain Mapp. 17, 143-155 (2002).
  17. Raichle, M. E., et al. A default mode of brain function. Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).
  18. Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. Functional connectivity of default mode network components: correlation. Hum. Brain Mapp. 30, 625-637 (2009).
  19. Singh, K. D., Fawcett, I. P. Transient and linearly graded deactivation of the human default-mode network by a visual detection task. Neuroimage. 41, 100-112 (2008).
  20. Worsley, K. J., Evans, A., Marrett, S., Neelin, P. A three-dimensional statistical analysis for CBF activation studies in human brain. J. Cereb. Blood Flow Metab. 12, 900-918 (1992).
  21. Spencer, S. S. Neural networks in human epilepsy: evidence of and implications for treatment. Epilepsia. 43, 219-227 (2002).
  22. Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI. Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).
  23. Kennedy, D. P., Redcay, E., Courchesne, E. Failing to deactivate: resting functional abnormalities in autism. Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).
  24. Garrity, A. G., et al. Aberrant "default mode" functional connectivity in schizophrenia. Am. J. Psychiatry. 164, 450-457 (2007).
  25. Mannell, M. V., et al. Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls. Hum. Brain Mapp. 31, 424-437 (2010).
  26. Jones, D., et al. Age-related changes in the default mode network are more advanced in Alzheimer disease. Neurology. 77, 1524-1531 (2011).
  27. Kobayashi, Y., Amaral, D. G. Macaque monkey retrosplenial cortex II. Cortical afferents. J. Comp. Neurol. 466, 48-79 (2003).
  28. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).
  29. Laufs, H., et al. Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions. Hum. Brain Mapp. 28, 1023-1032 (2007).
  30. Morgan, V. L., Gore, J. C., Abou-Khalil, B. Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI. Epilepsy Res. 88, 168-178 (2010).
  31. Gotman, J., et al. Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain. Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).
  32. Hamandi, K., et al. EEG-fMRI of idiopathic and secondarily generalized epilepsies. Neuroimage. 31, 1700-1710 (2006).
  33. Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. Patterns of altered functional connectivity in mesial temporal lobe epilepsy. Epilepsia. 53, 1013-1023 (2012).
  34. Liao, W., et al. Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI. Hum. Brain Mapp. 32, 883-895 (2011).
  35. Pereira, F. R., et al. Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI. BMC Neurosci. 11, 1-13 (2010).
  36. Dupont, S., et al. Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy. J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).
  37. Vlooswijk, M. C., et al. Functional MRI in chronic epilepsy: associations with cognitive impairment. Lancet Neurol. 9, 1018-1027 (2010).
  38. McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy. Epilepsia. 54, (2013).
  39. Zhang, Z., et al. Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy. Brain Res. 1323, 152-160 (2010).
  40. Horovitz, S. G., et al. Decoupling of the brain's default mode network during deep sleep. Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).
  41. Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. Altered local coherence in the default mode network due to sevoflurane anesthesia. Brain Res. 1318, 110-121 (2010).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Korelacja oparta na ziarniefMRI stanu spoczynkuanaliza sieci m zgowychw z y przednio tylneprzetwarzanie wst pne funkcjonalnego MRIanaliza oprogramowaniem FSLstatystyka por wna grupowych

Powiązane artykuły