Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Multimodalna metoda obrazowania i stymulacji oceny pobudliwości mózgu związanej z łącznością u pacjentów z padaczką

10.4K wyświetleń

⸱

DOI:

10.3791/53727

⸱

13 listopada 2016

 ,  ,  ,  , 
1Department of Neurology, Harvard Medical School, 2Department of Neurology, Beth Israel Deaconess Medical Center, 3Berenson-Allen Center for Noninvasive Brain Stimulation, Beth Israel Deaconess Medical Center, 4Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology, 5Department of Neurology, Massachusetts General Hospital

W tym artykule

Podsumowanie

Rezonans magnetyczny funkcjonalnej łączności w stanie spoczynku zidentyfikował nieprawidłowości u pacjentów z szerokim zakresem zaburzeń neuropsychiatrycznych, w tym padaczką spowodowaną wadami rozwojowymi kory mózgowej. Przezczaszkowa stymulacja magnetyczna w połączeniu z EEG może wykazać, że pacjenci z padaczką mają nadpobudliwość kory mózgowej w regionach o nieprawidłowej łączności.

Streszczenie

Funkcjonalna łączność w stanie spoczynku MRI (rs-fcMRI) to technika, która identyfikuje połączenia między różnymi regionami mózgu na podstawie korelacji w czasie w sygnale zależnym od poziomu natlenienia krwi. rs-fcMRI jest szeroko stosowany do identyfikacji nieprawidłowości w łącznościach mózgowych w różnych chorobach neurologicznych i psychiatrycznych. Jednak związek między nieprawidłowościami łączności rs-fcMRI, elektrofizjologią mózgu i stanem choroby jest nieznany, częściowo dlatego, że nie ustalono przyczynowego znaczenia zmian w łączności funkcjonalnej w patofizjologii choroby. Przezczaszkowa stymulacja magnetyczna (TMS) to technika wykorzystująca indukcję elektromagnetyczną do nieinwazyjnego wywoływania ogniskowych zmian w aktywności kory mózgowej. W połączeniu z elektroencefalografią (EEG), TMS może być używany do oceny reakcji mózgu na zewnętrzne zakłócenia. W tym miejscu przedstawiamy protokół łączenia rs-fcMRI, TMS i EEG w celu oceny fizjologicznego znaczenia zmian w łączności funkcjonalnej u pacjentów z chorobami neuropsychiatrycznymi. Przedstawiamy reprezentatywne wyniki z wcześniej opublikowanego badania, w którym rs-fcMRI wykorzystano do identyfikacji regionów z nieprawidłową łącznością u pacjentów z padaczką spowodowaną wadą rozwojową kory mózgowej, okołokomorową heterotopią guzkową (PNH). Stymulacja u pacjentów z padaczką skutkowała nieprawidłową aktywnością EEG wywołaną przez TMS w stosunku do stymulacji tych samych miejsc u dopasowanych zdrowych pacjentów kontrolnych, z nieprawidłowym wzrostem późnego składnika potencjału wywołanego TMS, zgodnie z nadpobudliwością kory mózgowej. Ta nieprawidłowość była specyficzna dla regionów z nieprawidłową łącznością funkcjonalną w stanie spoczynku. Analiza źródła elektrycznego u osoby z wcześniej zarejestrowanymi napadami wykazała, że pochodzenie nieprawidłowej aktywności wywołanej przez TMS było współzlokalizowane ze strefą początku napadu, co sugeruje obecność obwodu padaczkowego. Wyniki te pokazują, w jaki sposób rs-fcMRI, TMS i EEG mogą być wykorzystywane razem do identyfikacji i zrozumienia fizjologicznego znaczenia nieprawidłowych połączeń mózgowych w chorobach człowieka.

Wprowadzenie

Przezczaszkowa stymulacja magnetyczna (TMS) to sposób na nieinwazyjną stymulację obszarów kory mózgowej za pomocą indukcji elektromagnetycznej. W TMS duży, ale ograniczony przestrzennie strumień magnetyczny jest używany do indukowania pola elektrycznego w docelowym obszarze kory mózgowej, a tym samym modulowania aktywności leżącej pod spodem tkanki nerwowej. TMS do kory ruchowej powoduje powstanie motorycznych potencjałów wywołanych, które można zmierzyć obwodowo za pomocą elektromiografii (EMG). Stosowany w parach lub trójkach impulsów, TMS może być stosowany do oceny aktywności specyficznych wewnątrzkorowych obwodów GABA-ergicznych i glutaminergicznych1-3, a tym samym do oceny równowagi pobudzenia i hamowania in vivo u ludzi. W szczególności w padaczce badania TMS wykazały, że nadpobudliwość kory mózgowej występuje u pacjentów z padaczką4,5 i może normalizować się po skutecznej terapii lekami przeciwpadaczkowymi, a tym samym przewidywać odpowiedź na lek6. Ponadto pomiary pobudliwości korowej TMS wykazują wartości pośrednie u pacjentów z pojedynczym napadem7 oraz u rodzeństwa pacjentów zarówno z idiopatyczną padaczką uogólnioną, jak i nabytą ogniskową8. Odkrycia te sugerują, że pomiary pobudliwości kory mózgowej TMS mogą pozwolić nam zidentyfikować endofenotypy padaczki. Jednak czułość i swoistość tych pomiarów jest ograniczona, prawdopodobnie dlatego, że TMS-EMG można ocenić tylko za pomocą stymulacji obwodów kory ruchowej, a wielu pacjentów z padaczką ma ogniska napadowe poza korą ruchową.

Elektroencefalografia (EEG) daje możliwość bezpośredniego pomiaru reakcji mózgu na TMS i może być wykorzystana do oceny reaktywności mózgu w szerokich obszarach kory nowej. Badania integrujące TMS z EEG (TMS-EEG) wykazały, że TMS wytwarza fale aktywności, które odbijają się echem w całej korze9,10 i są powtarzalne i niezawodne11-13. Oceniając propagację wywołanej aktywności w różnych stanach behawioralnych i w różnych zadaniach, TMS-EEG został wykorzystany do przyczynowego zbadania dynamicznej efektywnej łączności sieci ludzkiego mózgu10,14-16. Pomiary TMS-EEG wykazały znaczące nieprawidłowości w chorobach od schizofrenii17 do ADHD18 oraz w zaburzeniach świadomości, takich jak utrzymujący się stan wegetatywny19. Ponadto kilka grup zidentyfikowało korelaty EEG wskaźników TMS-EMG dla sparowanego impulsu, które są nieprawidłowe u pacjentów z padaczką20,21. Szczególnie istotne jest to, że wcześniejsze badania sugerowały również, że u pacjentów z padaczką22-25 obserwuje się nieprawidłową aktywność EEG wywołaną stymulacją.

Innym sposobem oceny obwodów mózgowych jest MRI (rs-fcMRI) w stanie spoczynku, technika, która ocenia korelacje w czasie w sygnale zależnym od poziomu natlenienia krwi (BOLD) z różnych regionów mózgu26. Badania z użyciem rs-fcMRI wykazały, że ludzki mózg jest zorganizowany w odrębne sieci oddziałujących na siebie regionów26-29, że choroby neuropsychiatryczne mogą występować w określonych rozproszonych sieciach neuronowych na dużą skalę identyfikowanych przez rs-fcMRI30 oraz że sieci mózgowe identyfikowane za pomocą rs-fcMRI są często nieprawidłowe w stanach choroby neuropsychiatrycznej31,32. Jeśli chodzi o potencjalne zastosowania kliniczne, rs-fcMRI ma kilka zalet w porównaniu z konwencjonalną aplikacją fMRI opartą na zadaniach33, w tym mniejsze poleganie na współpracy z uczestnikami i obawy dotyczące zmiennej wydajności. W związku z tym ostatnio nastąpiła eksplozja badań badających zmiany rs-fcMRI w różnych stanach chorobowych. Jednak jednym z ograniczeń rs-fcMRI jest trudność w ustaleniu, czy i w jaki sposób korelacje (lub antykorelacje) w sygnale BOLD odnoszą się do interakcji elektrofizjologicznych, które stanowią podstawę komunikacji neuronalnej. Powiązanym problemem jest to, że często nie jest jasne, czy zmiany rs-fcMRI obserwowane w różnych stanach chorobowych mają znaczenie fizjologiczne. W szczególności w odniesieniu do padaczki nie jest jasne, czy nieprawidłowości w rs-fcMRI wynikają wyłącznie z przejściowych stanów padaczkowych międzynapadowych, czy też istnieją niezależnie od takich nieprawidłowości elektrofizjologicznych; Potrzebne jest jednoczesne badanie EEG-fMRI, aby pomóc w ocenie między tymi możliwościami34.

Ponieważ TMS może być używany do wytwarzania przejściowych lub trwałych zmian w aktywacjach różnych obszarów kory mózgowej, badania TMS dostarczają środków do przyczynowej oceny znaczenia różnych wzorców połączeń fMRI w stanie spoczynku. Jednym z podejść jest wykorzystanie rs-fcMRI do kierowania działaniami terapeutycznymi w różnych stanach chorobowych; można się spodziewać, że TMS ukierunkowany na regiony, które są funkcjonalnie połączone z obszarami, o których wiadomo, że są zaangażowane w różne stany chorobowe, jest bardziej skuteczny terapeutycznie niż TMS ukierunkowany na regiony bez takiej funkcjonalnej łączności, a kilka badań znalazło na to wstępne dowody35,36. Inne podejście polegałoby na wykorzystaniu TMS-EEG do przyczynowej oceny fizjologicznego znaczenia różnych wzorców fcMRI w stanie spoczynku. W szczególności można przetestować hipotezę, że regiony, które wykazują nieprawidłową łączność funkcjonalną w określonym stanie chorobowym, powinny wykazywać inną reakcję na stymulację u pacjentów niż u osób zdrowych, oraz że te nieprawidłowości fizjologiczne są obecne specyficznie (lub głównie) przy stymulacji nieprawidłowo połączonego regionu.

Aby zilustrować powyższe, podajemy przykład niedawnego badania, w którym połączono rs-fcMRI, TMS i EEG w celu zbadania nadpobudliwości kory mózgowej u pacjentów z padaczką spowodowaną nieprawidłowością rozwojową mózgu okołokomorową heterotopią guzkową (PNH)37. Pacjenci z PNH występują klinicznie z padaczką o początku w wieku młodzieńczym lub dorosłym, trudnościami w czytaniu i normalną inteligencją oraz mają nieprawidłowe guzki istoty szarej przylegające do komór bocznych w neuroobrazowaniu38,39. Wcześniejsze badania wykazały, że te okołokomorowe guzki heterotopowej istoty szarej są strukturalnie i funkcjonalnie połączone z dyskretnymi ogniskami w korze nowej40,41 i że napady padaczkowe mogą pochodzić z obszarów kory nowej, heterotopowej istoty szarej lub obu jednocześnie42, co sugeruje, że epileptogeneza u tych pacjentów jest zjawiskiem obwodowym. Używając fc-MRI w stanie spoczynku do kierowania TMS-EEG, wykazaliśmy, że pacjenci z aktywną padaczką spowodowaną PNH mają dowody na nadpobudliwość kory mózgowej i że ta nadpobudliwość wydaje się być ograniczona do regionów o nieprawidłowej funkcjonalnej łączności z głębokimi guzkami.

Protokół jest przeprowadzany w dwóch oddzielnych sesjach. Podczas pierwszej sesji uzyskuje się strukturalne i spoczynkowe sekwencje MRI z kontrastem zależnym od poziomu natlenienia krwi (BOLD) (dla pacjentów) lub tylko strukturalne sekwencje MRI (dla zdrowych osób z grupy kontrolnej). Pomiędzy pierwszą a drugą sesją stosuje się analizę łączności funkcjonalnej w stanie spoczynku w celu zdefiniowania celów korowych dla pacjentów i uzyskuje się współrzędne MNI dla tych celów. Równoważne cele korowe (na podstawie współrzędnych MNI) są następnie identyfikowane dla każdego zdrowego pacjenta z grupy kontrolnej. W drugiej sesji uzyskuje się dane TMS-EEG.

W przykładzie podanym w tym artykule, analizy MRI z wykorzystaniem wewnętrznego zestawu narzędzi i oprogramowania MRI43,44. Neuronawigowany TMS przeprowadzono za pomocą przezczaszkowego stymulatora magnetycznego z neuronawigacją MRI w czasie rzeczywistym. EEG zostało nagrane za pomocą 60-kanałowego systemu kompatybilnego z TMS, który wykorzystuje obwód próbkowania i wstrzymania, aby uniknąć nasycenia wzmacniacza przez TMS. Dane EEG były analizowane za pomocą niestandardowych skryptów i zestawu narzędzi EEGLAB45 (wersja 12.0.2.4b) działającego w MATLAB R2012b.

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

Protokół

Protokół opisany w niniejszym opracowaniu został zatwierdzony przez komisje etyczne Beth Israel Deaconess Medical Center oraz Massachusetts Institute of Technology.

1. Dobór uczestników

  1. Wybór pacjentów do protokołu badawczego.
    1. Zidentyfikuj pacjentów z aktywną epilepsją (napady w ciągu ostatniego roku) lub z historią dawnej epilepsji (wcześniejsze napady, ale brak napadów w ciągu ostatnich pięciu lat, niezależnie od stosowania leków) oraz z guzkową heterotopią okołokomorową w obrazowaniu strukturalnym mózgu.
    2. Wyklucz pacjentów bez historii napadów. Wyklucz również pacjentów z innymi możliwymi etiologiami napadów (np. historia urazowego uszkodzenia mózgu, udaru, zapalenia opon mózgowo-rdzeniowych i mózgu) lub z wynikami EEG zgodnymi z alternatywną diagnozą (np. idiopatyczna epilepsja uogólniona, epilepsja przyśrodkowego płata skroniowego).
    3. Wyklucz pacjentów z dodatkowymi chorobami neurologicznymi lub psychiatrycznymi, a także z jakimikolwiek innymi niestabilnymi stanami medycznymi. Wyklucz również pacjentów z historią wcześniejszych operacji mózgu, niezdolnych do tolerowania badania MRI, przyjmujących niedawno substancje niedozwolone lub nadużywających alkoholu, lub z konkretnymi przeciwwskazaniami do MRI46 lub TMS47.
  2. Wybór zdrowych osób kontrolnych.
    1. Dla każdego pacjenta z PNH (w naszej poprzedniej opublikowanej badaniu37 było to 8 pacjentów w wieku 20–43 lat, średnia 30,25; 3 mężczyzn, 5 kobiet), zidentyfikuj zdrową osobę kontrolną dobraną pod kątem wieku i płci.
    2. Wyklucz osoby z trwającymi chorobami neurologicznymi lub psychiatrycznymi, przyjmujące leki psychoaktywne, z jakimikolwiek innymi niestabilnymi stanami medycznymi, z historią wcześniejszych operacji mózgu, niezdolne do tolerowania badania MRI, przyjmujące substancje niedozwolone lub nadużywające alkoholu, a także z wszelkimi innymi konkretnymi przeciwwskazaniami do MRI lub TMS.

2. Generowanie celów stymulacji

  1. Korzystając z systemu MRI 3T, należy pozyskać wysokorozdzielcze strukturalne obrazy całego mózgu z wykorzystaniem sekwencji T1-zależnej. Należy zastosować następujące parametry akwizycji: 128 warstw na blok, macierz 256 x 256, pole widzenia (FOV) 256 mm, grubość warstwy 1,33 mm z przerwą międzywarstwową 0,63 mm, rozmiar voxela 1 x 1 x 1,33 mm3, czas repetycji (TR) 2 530 msec, czas inwersji 1 100 msec, czas echa (TE) 3,39 msec, kąt odchylenia 7°.
  2. Korzystając z systemu MRI 3T, należy pozyskać funkcjonalne obrazy stanu spoczynku z wykorzystaniem sekwencji echo-planar wrażliwej na kontrast zależny od poziomu utlenowania krwi (BOLD). Podczas tego skanowania należy poinstruować pacjentów, aby spoczywali w ciszy z otwartymi oczami, nie wykonując żadnego konkretnego zadania. Należy zastosować następujące parametry akwizycji: FOV 256 mm, rozmiar voxela 2,0 x 2,0 x 2,0 mm, TR 6 000 msec, TE 30 msec, kąt odchylenia 90°, czas akwizycji 6,4 min.
  3. Przy użyciu oprogramowania MRICroN44 należy zidentyfikować każdy oddzielny obszar heterotopii guzkowej (każdy pojedynczy guzek lub nierozdzielny, przyległy skup gruzków) 46. Należy użyć narzędzia Pen, aby ręcznie obrysować obszary zainteresowania (ROI) heterotopii, warstwa po warstwie w płaszczyźnie aksjalnej na strukturalnych obrazach T1-zależnych.
  4. Należy użyć zestawu narzędzi oprogramowania do łączności funkcjonalnej CONN48,49, aby wykonać cztery sekwencyjne kroki w przetwarzaniu funkcjonalnych danych stanu spoczynku: Setup (Konfiguracja), Preprocessing (Przetwarzanie wstępne), Analysis (Analiza) i Results (Wyniki).
    1. W przypadku Setup należy skorzystać z opcji menu, aby rozpocząć nowy projekt i wprowadzić podstawowe informacje o eksperymencie. Należy wczytać obrazy funkcjonalne, wyrównane i zarejestrowane wspólnie z obrazami anatomicznymi dla każdego badanego.
    2. Należy wczytać obrazy strukturalne oraz pliki ROI heterotopii utworzone w kroku 2.3. Należy wprowadzić szczegóły warunków eksperymentalnych; ponieważ jest to stan spoczynku, należy wprowadzić pojedynczy warunek z czasem rozpoczęcia 0 sekund i czasem trwania równym całkowitemu czasowi trwania każdej sesji. Zestaw narzędzi wyekstrahuje serie czasowe BOLD dla ROI heterotopii. Należy sprawdzić je pod kątem ewentualnych niespójności.
    3. W przypadku Preprocessing źródła zakłóceń zmienności BOLD obejmują modulacje głównego pola magnetycznego wywołane oddychaniem i pulsacje serca, a także ruchy badanego. Zakłócenia należy usunąć za pomocą zintegrowanej metody opartej na głównych składowych, która analizuje dane serii czasowych z obszarów mało prawdopodobnych w kontekście aktywności neuronalnej, takich jak komory i duże naczynia, aby zidentyfikować procesy szumu fizjologicznego50. Należy przejrzeć całkowitą wariancję wyjaśnianą przez każde z możliwych źródeł zakłóceń. Następnie należy zastosować filtr pasmowy (0,01 Hz < f < 0,1 Hz) oraz wygładzanie Gaussa (6 mm pełnej szerokości po połowie maksymalnej - FWHM).
      UWAGA: Zestaw narzędzi domyślnie zidentyfikuje źródła możliwych zakłóceń, w tym sygnał BOLD z białej materii i płynu mózgowo-rdzeniowego oraz parametry wyrównania (ruch badanego).
    4. W przypadku Analysis i Results należy zdefiniować jako źródła zainteresowania obszary ROI heterotopii. Należy przejrzeć miarę łączności opartą na korelacji (zamiast regresji) i wyświetlić ją z zastosowaniem wartości progowych dla współczynników korelacji.
      1. Dla każdego badanego należy utworzyć mapy łączności seed-to-voxel, wykorzystując każdy oddzielny obszar heterotopijnej istoty szarej jako ROI ziarna (seed), co obrazuje korelację między średnią serią czasową sygnału BOLD z ROI a każdym innym voxelem mózgu.
      2. Opcjonalnie należy przeprowadzić analizy drugiego poziomu dla kontrastów między badanymi lub między źródłami. Wyniki należy wyświetlić z zastosowaniem progów wysokości (na poziomie voxela) i zasięgu (na poziomie skupiska); prezentowane są niepoprawione oraz poprawione metodą FDR (false discovery rate) wartości p.
  5. Należy użyć oprogramowania MRICroN i narzędzia Pen, aby ręcznie obrysować dwa cele zainteresowania do TMS: cel połączony oraz cel niepołączony43. Korzystając z funkcji „Overlay”, należy nałożyć utworzone wcześniej mapy łączności funkcjonalnej na obrazy strukturalne dla każdego badanego.
    1. Należy upewnić się, że obszar docelowy jest regionem kory, który wykazuje znaczącą łączność funkcjonalną z heterotopią istoty szarej, zgodnie z opisem powyżej. Należy upewnić się, że cel niepołączony jest obszarem o podobnej wielkości, który nie wykazuje znaczącej łączności funkcjonalnej z żadnym ROI heterotopii i znajduje się co najmniej 2,5 cm od celu połączonego na powierzchni kory, aby zminimalizować ryzyko efektów stymulacji sąsiednich obszarów podczas TMS.
    2. Cele należy dobierać tak, aby prawdopodobieństwo wystąpienia dużych artefaktów indukowanych przez TMS było niewielkie51. W szczególności należy unikać wyboru celów w bocznych obszarach skroniowych lub regionach czołowo-biegunowych, ponieważ mogą one powodować silne skurcze mięśni i/lub artefakty z ruchów gałek ocznych, które mogą przesłonić wczesny sygnał TMS-EEG51. Obrysowane cele należy zapisać jako nowe ROI celów.
  6. Należy wyznaczyć współrzędne MNI dla każdego ROI celu u każdego badanego. Następnie należy wykorzystać te współrzędne do zidentyfikowania odpowiadających im dwóch miejsc docelowych u dopasowanego zdrowego ochotnika z grupy kontrolnej.

3. Układ doświadczalny TMS-EEG

  1. Wgrać skany strukturalne (zazwyczaj wysokorozdzielcze trójwymiarowe obrazy wolumetryczne T1-zależne) do systemu neuronavigacyjnego.
  2. Za pomocą oprogramowania do neuronavigacji zaznaczyć na obrazach pożądane cele. Zaznaczyć również zewnętrzne punkty anatomiczne (nasion, obustronne tragus), które posłużą do korejestracji i neuronavigacji podczas sesji stymulacji. W przypadku korzystania z czapki EEG z obrotowymi elektrodami i przewodami elektrod, zorientować przewody prostopadle do długiej osi cewki TMS52.
  3. Skontaktować się z badanym przed sesją eksperymentalną, aby przypomnieć mu lub jej o nieużywaniu odżywek ani innych produktów do włosów (szampon jest dopuszczalny) w dniu sesji TMS-EEG, unikaniu napojów alkoholowych wieczorem przed sesją TMS-EEG oraz spożyciu zwykłej dziennej dawki kofeiny przed sesją TMS.

4. Sesja eksperymentalna

  1. Potwierdź, że badany spełnia kryteria bezpieczeństwa TMS, najlepiej za pomocą ustrukturyzowanego kwestionariusza53. Upewnij się, że badany nie spożywał napojów alkoholowych poprzedniej nocy, nie pił znacząco więcej ani mniej niż jego zwykłe dzienne spożycie kofeiny, nie przyjmował poprzedniej nocy dostępnych bez recepty środków nasennych zmieniających pobudliwość kory (takich jak difenhydramina) i przespał typową noc (ponieważ deprywacja snu może zwiększyć pobudliwość kory54).
  2. Poproś badanego o zajęcie miejsca w wygodnym krześle.
  3. Załóż na głowę badanego czepkę EEG i przygotuj elektrody.
    1. Zmierz obwód głowy badanego i dobierz czepkę EEG o odpowiednim rozmiarze, aby umożliwić uzyskanie niskiej impedancji elektrod.
    2. Dokładnie oczyść skórę pod każdą elektrodą za pomocą patyczka higienicznego i alkoholu.
    3. Nanieś żel przewodzący na każdą elektrodę. Nie nakładaj zbyt dużej ilości żelu, aby nie wyciekał między elektrodami, ponieważ może to stworzyć mostek i doprowadzić do wystąpienia wspólnego sygnału między różnymi elektrodami.
    4. Jeśli to konieczne, aby zapewnić dobry kontakt między skórą głowy, żelem a elektrodą, spróbuj docisnąć każdą elektrodę po nałożeniu żelu. Aby zminimalizować artefakty ładowania, upewnij się, że żel nie rozprzestrzenia się poza uchwyt elektrody. Jednorodnie obniż poziomy przewodności, aby zminimalizować artefakty zapisu.
    5. Umieść elektrody referencyjną i uziemiającą jak najdalej od cewki stymulacyjnej, aby zminimalizować możliwość zanieczyszczenia całego zapisu artefaktem elektrodowym indukowanym przez TMS. Zaleca się umieszczenie tych elektrod nad strukturami kostnymi, w obszarach prawdopodobnie „nieaktywnych” z minimalną aktywnością korową.
      UWAGA: Nawet w badaniach, w których miejsca docelowe są zmienne, obszary czołowe (frontopolarne) rzadko są wybierane jako cele, ponieważ TMS w tych regionach może powodować duże ruchy gałek ocznych, skurcz mięśnia czołowego i mięśni twarzy51, a często także ból skóry głowy i bóle głowy; w konsekwencji sygnał TMS-EEG podczas stymulacji tych obszarów jest często przesłonięty przez duże artefakty.
    6. Ponieważ obszary te rzadko są wybierane jako cele stymulacji, do umieszczenia elektrod referencyjnej i uziemiającej należy wykorzystać czoło. Umieść je w odległości kilku centymetrów od siebie, aby zminimalizować szumy wspólne.
      UWAGA: W sytuacjach, gdy wszystkie cele stymulacji znajdują się w jednej półkuli, inną opcją byłby wyrostek sutkowaty po przeciwnej stronie.
    7. Sprawdź impedancje elektrod w następujący sposób: podłącz kable wyjściowe EEG do gniazda „impedance” systemu rejestracji EEG, a następnie naciśnij przycisk „measure impedances” w systemie EEG. Upewnij się, że impedancja elektrod nie przekracza 5 kΩ.
  4. Przygotuj elektrody EMG na przeciwległej dłoni (wykorzystaj mięśnie międzykostne grzbietowe pierwszego palca lub mięsień odwodzący krótki kciuka; używaj tego samego mięśnia u wszystkich badanych w ramach jednego badania).
  5. Przekaż badanemu zatyczki do uszu, aby zminimalizować ryzyko utraty słuchu i szumów usznych.
    UWAGA: Inną opcją byłoby zastosowanie słuchawek odtwarzających szum biały lub kolorowy (o cechach spektralnych dopasowanych do kliknięcia TMS) przez cały proces rejestracji, przy głośności wystarczającej do zamaskowania kliknięcia słyszalnego wywołanego przez TMS; zapewniłoby to dodatkową korzyść w postaci zminimalizowania potencjalnego zakłócenia w postaci potencjałów wywołanych słuchowo indukowanych przez TMS10,55. Należy zauważyć, że cienka warstwa pianki między cewką a skórą głowy jest również niezbędna do zminimalizowania potencjału wywołanego słuchowo.
  6. Umieść detektory podczerwieni na głowie badanego, dbając o to, aby detektory były rozmieszczone w sposób minimalizujący ryzyko ruchu podczas sesji eksperymentalnej.
  7. Zarejestruj współrzędne głowy badanego względem obrazów MRI poprzez zidentyfikowanie lokalizacji wcześniej wybranych zewnętrznych anatomicznych markerów fiducjalnych (sekcja 3.2) u badanego, używając wskaźnika dołączonego do sprzętu neuronawigacyjnego.
  8. Zapoznaj badanego ze stymulacją, aplikując impuls w innym miejscu (np. na ramieniu badanego) lub aplikując impuls stymulacyjny o niskiej intensywności (np. 5% maksymalnego wyjścia stymulatora) na skórę głowy.
  9. Wyznacz spoczynkowy próg motoryczny (minimalna intensywność, która wywołuje potencjał ewokowany ruchowy o wielkości co najmniej 50 µV w 5 z 10 prób). Jedna z takich metod, metoda częstotliwości względnej56, przebiega następująco.
    1. Wyznacz lokalizację kory ruchowej badanego na półkuli ipsilateralnej do celów opartych na konektywności fMRI. Przy użyciu neuronawigacji znajduje się ona zazwyczaj w obszarze „Omegi” w zakręcie przedcentralnym. Ustaw cewkę prostopadle do zakrętu, z rączką skierowaną potylicznie.
    2. Rozpocznij stymulację z intensywnością, która jest przewidywana jako podprogowa (np. 35% maksymalnego wyjścia stymulatora).
    3. Zwiększaj intensywność stymulacji w krokach co 5% maksymalnego wyjścia stymulatora, aż TMS będzie konsekwentnie wywoływał MEP o amplitudach > 50 µV w każdej próbie.
    4. Następnie zmniejszaj intensywność stymulacji w krokach co 1% maksymalnego wyjścia stymulatora, aż zarejestrowano mniej niż 5 pozytywnych odpowiedzi na 10 prób.
      UWAGA: Tę intensywność stymulacji powiększoną o 1 definiuje się jako próg motoryczny. Alternatywnie można zastosować adaptacyjne techniki progowe57, aby zidentyfikować próg motoryczny przy użyciu mniejszej liczby bodźców.
  10. Do stymulacji obszarów docelowych ustaw intensywność TMS na pożądaną wartość (np. 120% spoczynkowego progu motorycznego).
    UWAGA: Jednak w przypadkach, gdy występują znaczne regionalne różnice w odległości między skórą głowy a korą (np. u pacjentów z zanikiem płata czołowego), taka technika może doprowadzić do stymulacji podprogowej. Alternatywnie, przy użyciu odpowiednich systemów neuronawigacyjnych zdolnych do wykonywania on-line szacunków indukowanego pola elektrycznego, intensywność stymulacji może być ustawiona na konkretną amplitudę obliczonego indukowanego pola elektrycznego (w V/m) na powierzchni kory58.
  11. Aplikuj pojedyncze impulsy TMS do każdego z obszarów docelowych za pomocą oprogramowania neuronawigacyjnego, z zmiennym odstępem między impulsami, aby zminimalizować plastyczność korową i efekty oczekiwań badanego (np. co 4 - 6 s, z odstępem co najmniej 3 s, aby uniknąć efektów kumulatywnych59). Aby zmaksymalizować spójność, ustaw cewkę prostopadle do długiej osi leżącego poniżej zakrętu, z rączką skierowaną tyldobocznie.

5. Przetwarzanie wstępne i analiza danych EEG

UWAGA: Dane TMS-EEG zazwyczaj zawierają duże artefakty związane ze stymulacją, szczególnie podczas stymulacji poza linią środkową/czubkiem głowy lub przy wysokich intensywnościach stymulacji; w celu uzyskania czystych danych nadających się do analizy może być konieczne znaczące przetwarzanie wstępne. Analiza składowych niezależnych (ICA) jest jedną z metod wykorzystywanych do usuwania artefaktów TMS, którą można zastosować przy użyciu ogólnodostępnych zestawów narzędzi (np. EEGLAB45) na platformie MATLAB. Jedno z walidowanych podejść60 przedstawia się następująco, opisując analizę danych zebranych przy użyciu systemu EEG Eximia:

  1. Importuj dane do EEGLAB
    1. Kliknij "File", "Import data", "Using EEGLAB functions and plugins", "From EDF / EDF+ / GDF files (BIOSIG toolbox)".
  2. Wyekstrahuj czasy zdarzeń
    1. Kliknij "File", "Import event info", "From data channel". Wpisz "Event channel" 1, "Preprocessing transform (data = 'X')" X > 0.1, "Transition length (1 = perfect edges) 0. Upewnij się, że pola wyboru "Delete event channel(s)?" oraz "Delete old events, if any?" są zaznaczone.
  3. Podziel dane na epoki wycentrowane wokół impulsu TMS, od 1 s przed impulsem do 2 s po nim. Aby to zrobić, wybierz "Tools", "Extract Epochs". Jeśli impuls TMS jest jedynym typem zdarzenia, pole "Time-locking event type(s)" można pozostawić puste. W polu "Epoch limits [start, end] in seconds" wprowadź [-1 2].
  4. Przejrzyj wizualnie dane EEG (wybierz "Plot", "Channel data (scroll)"). Usuń kanały z błędami (np. kanały bez sygnału lub z ciągłym, nadmiernym artefaktem). Aby to zrobić, kliknij "Edit", "Select data". W polu "Channel range" wprowadź numer(y) kanału do usunięcia (lub kliknij pole przełącznika po prawej stronie i wybierz kanały z nazwy, a następnie naciśnij "OK"), upewnij się, że pole wyboru "on->remove these" jest zaznaczone, a następnie naciśnij "Ok".
  5. Ustaw potencjały we wszystkich elektrodach na zero od momentu impulsu aż do chwili, gdy sygnał EEG powróci do poziomu około jednego rzędu wielkości sygnału neuronalnego (np. poprzez wycięcie danych przekraczających 150 µV) lub do dowolnego późniejszego stałego punktu czasowego (np. 40 msec), aby upewnić się, że duże artefakty TMS nie zniekształcą separacji ICA.61 Ten krok będzie wymagał napisania skryptu w Matlab.
  6. Przeprowadź pierwszą rundę ICA i usuń 1–2 komponenty reprezentujące dużą początkową aktywację mięśniową wywołaną przez TMS.
    1. Uruchom ICA metodą FastICA z "symmetric approach" i funkcją kontrastu "tanh" za pomocą następującej linii poleceń: "EEG = pop_runica(EEG,'icatype','fastica', 'approach', 'symm', 'g', 'tanh');".
      UWAGA: Uruchamiaj ICA oddzielnie dla każdego miejsca stymulacji, ponieważ artefakt wywołany stymulacją będzie różnić się w zależności od miejsca stymulacji.
    2. Zidentyfikuj komponenty zgodne z artefaktem TMS, wybierając "Tools", "Reject data using ICA", "Remove components by map". Następnie zostaną wyświetlone mapy topograficzne wszystkich komponentów ICA. Kliknij numer każdego komponentu, aby wyświetlić szczegóły komponentu (powiększoną mapę rozkładu topograficznego, profil aktywności w próbach oraz widmo częstotliwości).
      UWAGA: Komponenty artefaktu impulsu TMS (zazwyczaj 1–2) można rozpoznać po dipolowym wykresie topograficznym zlokalizowanym w miejscu stymulacji, ekstremalnie dużej amplitudzie aktywacji komponentu bezpośrednio po impulsie i następującym po niej gładkiej odpowiedzi wykładniczej.
    3. Usuń komponenty artefaktowe, wybierając "Tools", "Remove components" i wpisując odpowiednie numery komponentów w polu "Component(s) to remove from data". W wyskakującym oknie "Confirmation" naciśnij "Accept" po przeanalizowaniu ERP wynikających z usunięcia wybranego komponentu (naciśnij "Plot ERPs") oraz po analizie efektów w pojedynczych próbach (naciśnij "Plot single trials"). UWAGA: Krok ten powinien zostać wykonany przed filtrowaniem, aby zminimalizować ewentualne artefakty filtra wynikające z artefaktu mięśniowego indukowanego przez TMS, który często może osiągać wartość kilku miliwoltów.
  7. Interpoluj brakujące dane (w okresie czasowym wypełnionym zerami). Krok ten musi zostać wykonany za pomocą skryptu Matlab.
  8. Zastosuj filtr pasmowy i/lub filtr notch w danych (opcjonalnie; można to zrobić na późniejszym etapie, np. po drugiej rundzie usuwania artefaktów metodą ICA).
    UWAGA: Jeśli artefakt TMS o wysokiej amplitudzie nie został odpowiednio usunięty, efekt wygładzania czasowego filtra górnoprzepustowego może prowadzić do dyspersji czasowej artefaktu. Ponadto tętnienia pasma przepustowego generowane przez filtry dolnoprzepustowe mogą prowadzić do wyraźnego artefaktu dzwonienia w "czystej" części wynikłego przefiltrowanego sygnału EEG.
  9. Zmień referencję na średnią (Average reference) (opcjonalnie, można to zrobić na późniejszym etapie, np. po interpolacji brakujących kanałów).
  10. Usuń poszczególne epoki z artefaktami o dużej amplitudzie, znaczną aktywnością mięśniową lub innymi głównymi artefaktami.
    1. Do półautomatycznego odrzucania artefaktów wybierz "Tools", "Reject data epochs", "Reject data (all methods)".
    2. W sekcji "Find improbable data" wpisz 3,5 w polu "Single-channel limit (std. dev.) oraz 3 w polu "All channels limit (std. dev.)", a następnie naciśnij przycisk "Calculate" bezpośrednio poniżej. Pozwala to zidentyfikować epoki zawierające mało prawdopodobne dane na podstawie rozkładu wartości w epokach danych.
    3. W sekcji "Find abnormal distributions" wpisz 5 w polu "Single-channel limit (std. dev.)" i 3 w polu "All channels limit (std. dev.)", a następnie naciśnij przycisk "Calculate" bezpośrednio poniżej. Pozwala to zidentyfikować epoki jako zawierające artefakty na podstawie kurtozy danych.
    4. Aby odrzucić epoki z nienaturalnie wysokimi lub niskimi wartościami, w sekcji "Find abnormal values" wpisz 100 w polu "Upper limit(s) (uV)" i -100 w polu "Lower limit(s) (uV)" (choć u dzieci, u których amplitudy EEG są zazwyczaj wyższe, mogą być wymagane inne limity). W polu oznaczonym jako "Electrode(s)" wpisz numery elektrod, dla których ma zostać zastosowany próg napięcia; aby uniknąć odrzucenia wszystkich epok z mrugnięciami oczu, nie uwzględniaj kanałów czołowych (i/lub EOG). Następnie naciśnij "Calc / Plot.".
    5. Przewijaj oznaczone epoki i odznaczaj te, które NIE zawierają artefaktów, klikając prawym przyciskiem myszy na epokę. Oznaczaj dodatkowe epoki zawierające istotne artefakty, klikając lewym przyciskiem myszy na epokę. Po potwierdzeniu, że wszystkie epoki zawierające artefakty są oznaczone, kliknij przycisk "UPDATE MARKS".
    6. Aby zapisać informacje o tym, które epoki są oznaczone do usunięcia, kliknij "Close (keep marks)", a następnie zapisz zestaw danych ("File", "Save current dataset as").
      1. Aby następnie usunąć odpowiednie epoki, wybierz "Tools", "Reject data epochs", "Reject marked epochs". Kliknij "Yes" w kolejnym oknie dialogowym potwierdzenia. Zapisz wynikający zestaw danych.
  11. Przeprowadź drugą rundę ICA i usuń komponenty odpowiadające artefaktom zanikania, artefaktom mrugnięć, artefaktom mięśniowym oraz artefaktom szumu elektrod.
    UWAGA: Można rozważyć usunięcie komponentów zgodnych z potencjałami wywołanymi słuchowo, choć komponenty te mogą również zawierać neuronalne komponenty wywołane bezpośrednio przez impuls stymulacyjny (które również mają piki w podobnych punktach czasowych). Lepszą opcją, która zminimalizowałaby potencjały wywołane przez TMS indukowane przez „kliknięcie” TMS i tym samym wyeliminowałaby potrzebę usuwania metodą ICA, byłoby zastosowanie maskowania szumu, jak opisano w sekcji 4.5 powyżej, jeśli jest to tolerowalne dla badanych.
    1. Uruchom ICA metodą FastICA z "symmetric approach" i funkcją kontrastu "tanh", zgodnie z opisem w sekcji 5.6.1 powyżej.
    2. Oceń właściwości komponentów zgodnie z opisem w sekcji 5.6.2 powyżej.
    3. Oznacz komponenty zgodne z pozostałościami artefaktów zanikania TMS62.
      UWAGA: Identyfikuj je na podstawie czasu (maksimum bezpośrednio po impulsie), morfologii (powolny zanik z przestrzałem, a następnie powolny powrót w ciągu od dziesiątek do setek milisekund) i lokalizacji (blisko miejsca stymulacji). Ponadto komponenty ICA można uporządkować według malejącej wartości wyjaśnionej wariancji; ponieważ artefakt TMS jest dość duży, jest on zazwyczaj reprezentowany w pierwszych komponentach i zazwyczaj obejmuje nie więcej niż 1–5 komponentów.
    4. Używając wtyczki ADJUST62 do EEGLAB, oznacz komponenty zgodne z artefaktami mrugnięć.
      UWAGA: Identyfikuj je na podstawie lokalizacji (maksimum w obszarze czołowym), przebiegu czasowego (długie okresy z relatywnie minimalną aktywnością, po których następują krótkie okresy intensywnej aktywacji), widm (wysoka moc przy niskich częstotliwościach) i morfologii (trójfazowej).
    5. Oznacz komponenty zgodne z artefaktem mięśniowym62.
      UWAGA: Identyfikuj je na podstawie cech spektralnych (znacząca moc przy częstotliwościach beta i wyższych), rozkładu czasowego (bardzo nieregularny / poszarpany), rozkładu przestrzennego (maksimum wzdłuż obwodu skóry głowy) i aktywności w domenie czasu (szczytowa).
    6. Oznacz komponenty zgodne z szumem kanałów na podstawie rozkładu przestrzennego (ograniczonego do 1 lub 2 kanałów) i rozkładu czasowego (często bardzo pikowy, wysoka aktywność w kilku próbach lub bardzo wolne fluktuacje o dużej amplitudzie) przy użyciu wtyczki ADJUST62 do EEGLAB.
    7. Usuń oznaczone komponenty zgodnie z instrukcją w sekcji 5.6.4 powyżej. Interpoluj brakujące kanały i przeprowadź dalsze analizy na tych danych.
      UWAGA: Należy zachować ostrożność podczas interpolowania kanałów. W szczególności, jeśli interpolowana jest znaczna proporcja (np. 10%) kanałów lub jeśli interpolowane są kanały sąsiadujące, wynikający zestaw danych może być niewiarygodny, szczególnie jeśli podstawowa aktywność mózgu ma wysoką częstotliwość przestrzenną.
  12. Wczytaj do EEGLAB inny zestaw danych ze wszystkimi pożądanymi kanałami. Następnie przenieś na pierwszy plan zestaw danych, dla którego chcesz przeprowadzić interpolację, wybierając "Datasets" i klikając w odpowiedni zestaw danych.
  13. Wybierz "Tools", "Interpolate electrodes". W wynikającym zestawie danych wybierz "Use all channels from other dataset". W polu "Interpolation method" wybierz "Spherical" i naciśnij "Ok".

6. Ocena pod kątem dowodów na nadpobudliwość korową

  1. Oblicz globalny średni potencjał pola (GMFP)63 dla każdego badanego i miejsca stymulacji jako funkcję czasu, korzystając z następującego równania:
    figure-protocol-1
    gdzie K to liczba elektrod, Vi(t) to napięcie zmierzone na elektrodzie i w czasie t, a Vmean(t) to średnie napięcie we wszystkich elektrodach w czasie t.
  2. Podziel dane na „wczesne” okresy czasowe, w których aktywność wywołana przez TMS jest zazwyczaj obecna u zdrowych osób (np. 100 – 225 msec), oraz późne okresy czasowe, w których u pacjentów z epilepsją może wystąpić nieprawidłowa opóźniona aktywność (np. 225 – 700 msec). Oblicz pole pod krzywą (AUC) dla GMFP (AUC-GMFP) w każdym okresie czasowym.
    UWAGA: Ponieważ bezwzględna amplituda odpowiedzi wywołanej może znacznie różnić się między osobami ze względu na czynniki niezależne od fizjologii kory (np. grubość czaszki, odległość od skóry do kory, indywidualna anatomia mózgu), które mimo to mogą różnić się między grupami (np. ponieważ pacjenci z epilepsją mogą przyjmować leki przeciwpadaczkowe), surowe amplitudy mają ograniczoną użyteczność w ocenie potencjałów wywołanych przez TMS. Aby sprawdzić, czy u pacjentów z epilepsją występuje nieprawidłowo zwiększona aktywność wywołana przez TMS, znormalizuj wartość AUC-GMFP w późniejszych okresach czasowych względem wartości AUC-GMFP w „wczesnych” okresach czasowych.
  3. Porównaj znormalizowane AUC-GMFP dla każdego pacjenta z epilepsją z wartością uzyskaną podczas stymulacji tego samego obszaru u dopasowanej zdrowej osoby kontrolnej. Wyższa wartość (stosunek > 1) u pacjenta z epilepsją wskazuje na zwiększoną pobudliwość tego pacjenta.

7. Estymacja źródła wywołanej aktywności elektrycznej

  1. Odtwórz powierzchnię kory dla badanego obiektu, korzystając z pakietu Freesurfer64.
    1. Uruchom polecenie „Generate FreeSurfer Output”. Uruchom polecenie „Generate Surfaces”. Uruchom polecenie „Create Source Space”. Zaimportuj zdigitalizowane lokalizacje elektrod z oprogramowania do neuronawigacji i wyrównaj elektrody za pomocą oprogramowania MNE Analyze (MNE Wersja 2.7.0)65,66; jeśli poszczególne lokalizacje elektrod nie są dostępne, wystarczające mogą być dane od osoby o podobnym przybliżonym rozmiarze głowy.
    2. Uruchom polecenie „mne_analyze”. Kliknij „File”, „Load digitizer data” (.fif). Kliknij „File”, „Load Surface”. Wybierz ścieżkę do danych rekonstrukcji MRI Freesurfer.
    3. Kliknij „View”, „Show Viewer”. Kliknij „Adjust”, „Coordinate Alignment”. Kliknij „LAP”. Kliknij lokalizację LAP w oknie „Viewer”. Powtórz dla „Nasion” i „RAP”.
    4. Kliknij „Align Using Fiducials”. Kliknij strzałki w polach „X”, „Y”, „Z”, aby ręcznie dostosować wyrównanie współrzędnych. Kliknij „Save Default” w oknie „Coordinate Alignment”, aby zapisać plik -trans.
  2. Wyznacz rozwiązanie bezpośrednie (forward solution) odpowiednią metodą (np. modelowanie elementów brzegowych zaimplementowane w oprogramowaniu MNE65,66). W tym celu uruchom polecenie „MNE Do Forward Solution”.
  3. Zidentyfikuj punkty czasowe szczytów w GMFP do analizy źródła. W tym celu uruchom polecenie „MNE_Browse_Raw” dla pliku .fif.
    1. Kliknij „Adjust”, „Filter”, aby wprowadzić zmiany w filtrze. Kliknij „Adjust”, „Scales”, aby zmienić skalę. Kliknij „Adjust”, „Selection”, aby zmienić wybór montażu.
    2. Kliknij punkt czasowy w surowych danych napięciowych. Kliknij „Windows”, „Show Annotator”. Kliknij „mark”, aby oznaczyć wybrany punkt czasowy odpowiednim numerem i komentarzem. W razie potrzeby nadpisz pole komentarza.
    3. W polu średniej (average) wprowadź numer adnotacji. Kliknij „Average”. Kliknij „Windows”, „Manage Averages”. Kliknij „Save As” i nazwij plik .fif.
  4. Wykorzystując średni (z prób) potencjał wywołany w odpowiednich punktach czasowych, oblicz rozwiązanie źródła prądu za pomocą odpowiedniego operatora odwrotnego (np. estymację normy minimalnej zaimplementowaną w oprogramowaniu MNE). W tym celu uruchom polecenie „MNE Inverse Operator”.
  5. Zastosuj próg napięcia do otrzymanych obrazów, aby zidentyfikować region źródłowy wywołanych szczytów.
    1. Kliknij „Windows”, „Start MNE Analyze”. Kliknij „File”, „Open”. Wybierz plik .fif ze średnią dla punktu czasowego w polu „Files”. Wybierz plik .fif operatora odwrotnego w polu „Inverse Operator”.
    2. Kliknij „File”, „Load Surface”. Wybierz ścieżkę do danych rekonstrukcji MRI. Wybierz „Pial” w polu „Available Surfaces”.
    3. Kliknij „Adjust”, „Estimates” w oknie „MNE Analyze”. Aby dostosować skalę, kliknij lewym przyciskiem myszy w polu „Value Histogram”, aby wybrać rozkład wartości progowych. Kliknij histogram, aby dostosować progi mapy kolorów.
    4. Kliknij „img” w polu „MNE Analyze”. Wybierz „.tif”, „Save”.

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

Wyniki

Funkcjonalna konektywność w stanie spoczynku badana za pomocą fMRI może być wykorzystana do identyfikacji obszarów kory wykazujących wysoką konektywność funkcjonalną z heterotopowymi guzkami istoty szarej okołokomorowej (Rycina 1) oraz obszarów kontrolnych pozbawionych takiej konektywności. Aby ustalić, czy taka nieprawidłowa konektywność funkcjonalna ma znaczenie fizjologiczne, obszar kory z korelowaną aktywnością w stanie spoczynku może zostać wybrany jako „połączony” o...

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

Dyskusja

Rezonans magnetyczny łączności funkcjonalnej w stanie spoczynku został wykorzystany do identyfikacji połączeń sieciowych w ludzkim mózgu oraz do identyfikacji zmian łączności, które występują w różnych stanach chorobowych26,31,32. Ponieważ jednak łączność funkcjonalna fMRI opiera się na identyfikacji korelacji w sygnale BOLD, a zmiany natlenienia krwi mają nietrywialny związek z podstawową aktywnością neuronalną, znaczenie przyczynowe i fizjologiczne tych wyników połączeń fMRI jest niejasne. TMS umożliwia ukie...

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

Oświadczenia

MMS, SWG, CJC i BSC nie mają nic do ujawnienia. APL zasiada w naukowych radach doradczych Nexstim, Neuronix, Starlab Neuroscience, Neuroelectrics i Neosync, a także jest wymieniony jako wynalazca w kilku wydanych i oczekujących patentach dotyczących integracji przezczaszkowej stymulacji magnetycznej (TMS) w czasie rzeczywistym z elektroencefalografią (EEG) i obrazowaniem rezonansu magnetycznego (MRI).

Podziękowania

Autorzy chcieliby podziękować Emily L. Thorn, B.A., za jej pomoc w Sekcji Szacowania Źródła wywołanej aktywności elektrycznej. MMS był wspierany przez nagrodę KL2/Catalyst Medical Research Investigator Training przyznaną przez Harvard Catalyst/The Harvard Clinical and Translational Science Center (National Center for Research Resources i National Center for Advancing Translational Sciences, National Institutes of Health Award KL2 TR001100). CJC otrzymało wsparcie z grantu z National Institutes of Health (5K12NS066225). APL był częściowo wspierany przez granty z Fundacji Sidneya R. Baera Jr., National Institutes of Health (R01 HD069776, R01 NS073601, R21 MH099196, R21 NS082870, R21 NS085491, R21 HD07616) oraz Harvard Catalyst/The Harvard Clinical and Translational Science Center (NCRR i NCATS, NIH UL1 RR025758). BSC było wspierane przez National Institute of Neurological Disorders and Stroke (R01 NS073601).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MRI 3T
do łączności funkcjonalnej MRI
przeglądania obrazów MRIMRICron
Przezczaszkowy stymulator magnetycznyNexstimeXimiaMoże korzystać ze stymulatorów innych dostawców, np. , Magventure, Magstim
System neuronawigacji MRINexstimNBS v3.2.1Alternatywny system neuronawigacji MRI, np. , Brainsight,
system EEG kompatybilny z Localite TMSNexstimEximia EEGAlternatywy: Produkty dla mózgu, Synampy, ANT
MatlabMathworksR2012bAlternatywy: Oprogramowanie
Minimum Norm Estimate (MNE)
Darmowy Surfer
Skaner Oprogramowanie Oprogramowanie do Octave EEGLab

Bibliografia

  1. Florian, J., Müller-Dahlhaus, M., Liu, Y., Ziemann, U. Inhibitory circuits and the nature of their interactions in the human motor cortex a pharmacological TMS study. J. Physiol. 586 (2), 495-514 (2008).
  2. Rotenberg, A. Prospects for clinical applications of transcranial magnetic stimulation and real-time EEG in epilepsy. Brain Topogr. 22 (4), 257-266 (2010).
  3. Cash, R. F. H., Ziemann, U., Murray, K., Thickbroom, G. W. Late cortical disinhibition in human motor cortex: a triple-pulse transcranial magnetic stimulation study. J. Neurophysiol. 103 (1), 511-518 (2010).
  4. Badawy, R. A. B., Curatolo, J. M., Newton, M., Berkovic, S. F., Macdonell, R. A. L. Changes in cortical excitability differentiate generalized and focal epilepsy. Ann. Neurol. 61 (4), 324-331 (2007).
  5. Silbert, B. I., Heaton, A. E., et al. Evidence for an excitatory GABAA response in human motor cortex in idiopathic generalised epilepsy. Seizure. 26, 36-42 (2015).
  6. Badawy, R. A. B., Macdonell, R. A. L., Berkovic, S. F., Newton, M. R., Jackson, G. D. Predicting seizure control: cortical excitability and antiepileptic medication. Ann. Neurol. 67 (1), 64-73 (2010).
  7. Badawy, R. A. B., Vogrin, S. J., Lai, A., Cook, M. J. On the midway to epilepsy: is cortical excitability normal in patients with isolated seizures? Int. J. Neural Syst. 24 (2), 1430002(2014).
  8. Badawy, R. A. B., Vogrin, S. J., Lai, A., Cook, M. J. Capturing the epileptic trait: cortical excitability measures in patients and their unaffected siblings. Brain J. Neurol. 136 (Pt 4), 1177-1191 (2013).
  9. Komssi, S., Kähkönen, S., Ilmoniemi, R. J. The effect of stimulus intensity on brain responses evoked by transcranial magnetic stimulation. Hum. Brain Mapp. 21 (3), 154-164 (2004).
  10. Massimini, M., Ferrarelli, F., Huber, R., Esser, S. K., Singh, H., Tononi, G. Breakdown of cortical effective connectivity during sleep. Science. 309 (5744), 2228-2232 (2005).
  11. Lioumis, P., Kicić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMS-Evoked EEG responses. Hum. Brain Mapp. 30 (4), 1387-1396 (2009).
  12. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. NeuroImage. 49 (2), 1459-1468 (2010).
  13. Casarotto, S., Romero Lauro, L. J., et al. EEG responses to TMS are sensitive to changes in the perturbation parameters and repeatable over time. PloS One. 5 (4), e10281(2010).
  14. Morishima, Y., Akaishi, R., Yamada, Y., Okuda, J., Toma, K., Sakai, K. Task-specific signal transmission from prefrontal cortex in visual selective attention. Nat. Neurosci. 12 (1), 85-91 (2009).
  15. Shafi, M. M., Westover, M. B., Fox, M. D., Pascual-Leone, A. Exploration and modulation of brain network interactions with noninvasive brain stimulation in combination with neuroimaging. Eur. J. Neurosci. 35 (6), 805-825 (2012).
  16. Kugiumtzis, D., Kimiskidis, V. K. Direct Causal Networks for the Study of Transcranial Magnetic Stimulation Effects on Focal Epileptiform Discharges. Int. J. Neural Syst. 25 (5), 1550006(2015).
  17. Radhu, N., Garcia Dominguez, L., et al. Evidence for inhibitory deficits in the prefrontal cortex in schizophrenia. Brain J. Neurol.. 138 (Pt 2), 483-497 (2015).
  18. Bruckmann, S., Hauk, D., et al. Cortical inhibition in attention deficit hyperactivity disorder: new insights from the electroencephalographic response to transcranial magnetic stimulation. Brain J. Neurol. 135 (Pt 7), 2215-2230 (2012).
  19. Rosanova, M., Gosseries, O., et al. Recovery of cortical effective connectivity and recovery of consciousness in vegetative patients. Brain J. Neurol. 135 (Pt 4), 1308-1320 (2012).
  20. Daskalakis, Z. J., Farzan, F., Barr, M. S., Maller, J. J., Chen, R., Fitzgerald, P. B. Long-interval cortical inhibition from the dorsolateral prefrontal cortex: a TMS-EEG study. Neuropsychopharmacol. Off. Publ. Am. Coll. Neuropsychopharmacol. 33 (12), 2860-2869 (2008).
  21. Farzan, F., Barr, M. S., et al. The EEG correlates of the TMS-induced EMG silent period in humans. NeuroImage. , (2013).
  22. Valentin, A., Arunachalam, R., et al. Late EEG responses triggered by transcranial magnetic stimulation (TMS) in the evaluation of focal epilepsy. Epilepsia. 49 (3), 470-480 (2008).
  23. Del Felice,, Fiaschi, A., Bongiovanni, A., L, G., Savazzi, S., Manganotti, P. The sleep-deprived brain in normals and patients with juvenile myoclonic epilepsy: a perturbational approach to measuring cortical reactivity. Epilepsy Res. 96 (1-2), 123-131 (2011).
  24. Julkunen, P., Säisänen, L., Könönen, M., Vanninen, R., Kälviäinen, R., Mervaala, E. TMS-EEG reveals impaired intracortical interactions and coherence in Unverricht-Lundborg type progressive myoclonus epilepsy (EPM1). Epilepsy Res. 106 (1-2), 103-112 (2013).
  25. Kimiskidis, V. K., Koutlis, C., Tsimpiris, A., Kälviäinen, R., Ryvlin, P., Kugiumtzis, D. Transcranial Magnetic Stimulation Combined with EEG Reveals Covert States of Elevated Excitability in the Human Epileptic Brain. Int. J. Neural Syst. 25 (5), 1550018(2015).
  26. Fox, M. D., Raichle, M. E. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 8 (9), 700-711 (2007).
  27. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proc. Natl. Acad. Sci. U. S. A. 100 (1), 253-258 (2003).
  28. Fox, M. D., Snyder, A. Z., Vincent, J. L., Corbetta, M., Van Essen, D. C., Raichle, M. E. The human brain is intrinsically organized into dynamic, anticorrelated functional networks. Proc. Natl. Acad. Sci. U. S. A. 102 (27), 9673-9678 (2005).
  29. De Luca, M., Beckmann, C. F., De Stefano, N., Matthews, P. M., Smith, S. M. fMRI resting state networks define distinct modes of long-distance interactions in the human brain. NeuroImage. 29 (4), 1359-1367 (2006).
  30. Seeley, W. W., Crawford, R. K., Zhou, J., Miller, B. L., Greicius, M. D. Neurodegenerative diseases target large-scale human brain networks. Neuron. 62 (1), 42-52 (2009).
  31. Greicius, M. Resting-state functional connectivity in neuropsychiatric disorders. Curr. Opin. Neurol. 21 (4), 424-430 (2008).
  32. Zhang, D., Raichle, M. E. Disease and the brain's dark energy. Nat. Rev. Neurol. 6 (1), 15-28 (2010).
  33. Fox, M. D., Greicius, M. Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 19(2010).
  34. Centeno, M., Carmichael, D. W. Network Connectivity in Epilepsy: Resting State fMRI and EEG-fMRI Contributions. Front. Neurol. 5, 93(2014).
  35. Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., Pascual-Leone, A. Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate. Biol. Psychiatry. 72 (7), 595-603 (2012).
  36. Fox, M. D., Buckner, R. L., Liu, H., Chakravarty, M. M., Lozano, A. M., Pascual-Leone, A. Resting-state networks link invasive and noninvasive brain stimulation across diverse psychiatric and neurological diseases. Proc. Natl. Acad. Sci. U. S. A. 111 (41), E4367-E4375 (2014).
  37. Shafi, M. M., Vernet, M., et al. Physiological consequences of abnormal connectivity in a developmental epilepsy: Cortical Connectivity. Ann. Neurol. 77 (3), 487-503 (2015).
  38. Chang, B. S., Ly, J., et al. Reading impairment in the neuronal migration disorder of periventricular nodular heterotopia. Neurology. 64 (5), 799-803 (2005).
  39. Battaglia, G., Granata, T. Periventricular nodular heterotopia. Handb. Clin. Neurol. 87, 177-189 (2008).
  40. Chang, B. S., Katzir, T., et al. A structural basis for reading fluency: white matter defects in a genetic brain malformation. Neurology. 69 (23), 2146-2154 (2007).
  41. Christodoulou, J. A., Walker, L. M., et al. Abnormal structural and functional brain connectivity in gray matter heterotopia. Epilepsia. 53 (6), 1024-1032 (2012).
  42. Tassi, L., Colombo, N., et al. Electroclinical, MRI and neuropathological study of 10 patients with nodular heterotopia, with surgical outcomes. Brain J. Neurol. 128 (Pt 2), 321-337 (2005).
  43. Rorden, C., Brett, M. Stereotaxic display of brain lesions). Behav. Neurol. 12 (4), 191-200 (2000).
  44. Rorden, C., Karnath, H. -O., Bonilha, L. Improving lesion-symptom mapping. J. Cogn. Neurosci. 19 (7), 1081-1088 (2007).
  45. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  46. Dill, T. Contraindications to magnetic resonance imaging: non-invasive imaging. Heart Br. Card. Soc. 94 (7), 943-948 (2008).
  47. Rossi, S., Hallett, M., Rossini, P. M., Pascual-Leone, A. Safety, ethical considerations, and application guidelines for the use of transcranial magnetic stimulation in clinical practice and research. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 120 (12), 2008-2039 (2009).
  48. Whitfield-Gabrieli, S., Nieto-Castanon, A. Conn: a functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connect. 2 (3), 125-141 (2012).
  49. Chai, X. J., Castañòn, A. N., Ongür, D., Whitfield-Gabrieli, S. Anticorrelations in resting state networks without global signal regression. NeuroImage. 59 (2), 1420-1428 (2012).
  50. Behzadi, Y., Restom, K., Liau, J., Liu, T. T. A component based noise correction method (CompCor) for BOLD and perfusion based fMRI. NeuroImage. 37 (1), 90-101 (2007).
  51. Mutanen, T., Mäki, H., Ilmoniemi, R. J. The effect of stimulus parameters on TMS-EEG muscle artifacts. Brain Stimulat. 6 (3), 371-376 (2013).
  52. Sekiguchi, H., Takeuchi, S., Kadota, H., Kohno, Y., Nakajima, Y. TMS-induced artifacts on EEG can be reduced by rearrangement of the electrode's lead wire before recording. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 122 (5), 984-990 (2011).
  53. Keel, J. C., Smith, M. J., Wassermann, E. M. A safety screening questionnaire for transcranial magnetic stimulation. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 112 (4), 720(2001).
  54. Huber, R., Mäki, H., et al. Human cortical excitability increases with time awake. Cereb. Cortex N. Y. N. 1991. 23 (2), 332-338 (2013).
  55. Ter Braack, E. M., de Vos, C. C., van Putten, M. J. A. M. Masking the Auditory Evoked Potential in TMS-EEG: A Comparison of Various Methods. Brain Topogr. 28 (3), 520-528 (2015).
  56. Groppa, S., Oliviero, A., et al. A practical guide to diagnostic transcranial magnetic stimulation: report of an IFCN committee. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 123 (5), 858-882 (2012).
  57. Clin Neurophysiol, S. uppl 56, 13-23 (2003).
  58. Rosanova, M., Casali, A., Bellina, V., Resta, F., Mariotti, M., Massimini, M. Natural frequencies of human corticothalamic circuits. J. Neurosci. Off. J. Soc. Neurosci. 29 (24), 7679-7685 (2009).
  59. Rothwell, J. C., Hallett, M., Berardelli, A., Eisen, A., Rossini, P., Paulus, W. Magnetic stimulation: motor evoked potentials. The International Federation of Clinical Neurophysiology. Electroencephalogr. Clin. Neurophysiol. Suppl. 52, 97-103 (1999).
  60. Rogasch, N. C., Thomson, R. H., et al. Removing artefacts from TMS-EEG recordings using independent component analysis: importance for assessing prefrontal and motor cortex network properties. NeuroImage. 101, 425-439 (2014).
  61. Hernandez-Pavon, J. C., Metsomaa, J., et al. Uncovering neural independent components from highly artifactual TMS-evoked EEG data. J. Neurosci. Methods. 209 (1), 144-157 (2012).
  62. Mognon, A., Jovicich, J., Bruzzone, L., Buiatti, M. ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology. 48 (2), 229-240 (2011).
  63. Lehmann, D., Skrandies, W. Reference-free identification of components of checkerboard-evoked multichannel potential fields. Electroencephalogr. Clin. Neurophysiol. 48 (6), 609-621 (1980).
  64. NeuroImage, 62 (2), 774-781 (2012).
  65. Hämäläinen, M. S., Sarvas, J. Realistic conductivity geometry model of the human head for interpretation of neuromagnetic data. IEEE Trans. Biomed. Eng. 36 (2), 165-171 (1989).
  66. Gramfort, A., Luessi, M., et al. MNE software for processing MEG and EEG data. NeuroImage. 86, 446-460 (2014).
  67. Nikouline, V., Ruohonen, J., Ilmoniemi, R. J. The role of the coil click in TMS assessed with simultaneous EEG. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 110 (8), 1325-1328 (1999).
  68. Gosseries, O., Sarasso, S., et al. On the Cerebral Origin of EEG Responses to TMS: Insights From Severe Cortical Lesions. Brain Stimulat. 8 (1), 142-149 (2015).
  69. Premoli, I., Castellanos, N., et al. TMS-EEG signatures of GABAergic neurotransmission in the human cortex. J. Neurosci. Off. J. Soc. Neurosci. 34 (16), 5603-5612 (2014).
  70. Farzan, F., Barr, M. S., et al. Evidence for gamma inhibition deficits in the dorsolateral prefrontal cortex of patients with schizophrenia. Brain J. Neurol. 133 (Pt 5), 1505-1514 (2010).
  71. Wang, J. X., Rogers, L. M., et al. Targeted enhancement of cortical-hippocampal brain networks and associative memory. Science. 345 (6200), 1054-1057 (2014).

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

Przedruki i uprawnienia

Tagi

Funkcjonalna łączność w stanie spoczynkuPrzezczaszkowa stymulacja magnetycznaRejestracja elektroencefalograficznaPobudliwość mózgu w epilepsjiOcena nadpobudliwości kory mózgowejAktywność EEG wywołana TMSMRI łączności funkcjonalnejStymulacja z nawigacją neuronawigacyjnąAnaliza niezależnych komponentówLokalizacja strefy początku napadu
Multimodalna metoda obrazowania i stymulacji oceny pobudliwości mózgu związanej z łącznością u pacjentów z padaczką
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.