Artykuł metodologiczny

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych

DOI:

10.3791/56015

⸱

7 sierpnia 2017

 ,  ,  ,  ,  ,  , 
1Zhejiang Chinese Medical University, 2Department of Psychiatry, Zhejiang Provincial People's Hospital, 3Department of Radiology, Zhejiang Provincial People's Hospital

W tym artykule

Podsumowanie

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

Na podstawie obrazowania funkcjonalnego rezonansu magnetycznego w stanie spoczynku z analizą przyczynowości Granger, zbadaliśmy zmiany w ukierunkowanej funkcjonalnej łączności między tylną korą obręczy a całym mózgiem u pacjentów z chorobą Alzheimera (AD), pacjentów z łagodnymi zaburzeniami poznawczymi (MCI) i zdrowych osób z grupy kontrolnej.

Streszczenie

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

Upośledzona łączność funkcjonalna w sieci trybu domyślnego (DMN) może być zaangażowana w postęp choroby Alzheimera (AD). Kora obręczy tylnej (PCC) jest potencjalnym markerem obrazowym do monitorowania postępu choroby Alzheimera. Poprzednie badania nie koncentrowały się na funkcjonalnej łączności między PCC a węzłami w regionach poza DMN, ale nasze badanie jest próbą zbadania tych przeoczonych połączeń funkcjonalnych. Do zbierania danych wykorzystaliśmy funkcjonalny rezonans magnetyczny (fMRI) oraz analizę przyczynowości Grangera (GCA). fMRI zapewnia nieinwazyjną metodę badania dynamicznych interakcji między różnymi obszarami mózgu. GCA to test hipotezy statystycznej służący do określenia, czy jeden szereg czasowy jest przydatny w prognozowaniu innego. Mówiąc prościej, ocenia się to poprzez porównanie "Znane wszystkie informacje w ostatniej chwili, rozkład prawdopodobieństwa X w tym czasie" i "Znane wszystkie informacje w ostatniej chwili z wyjątkiem Y, rozkład prawdopodobieństwa X w tym czasie", aby określić, czy istnieje związek przyczynowy między Y i X. Definicja ta opiera się na pełnym źródle informacji i stacjonarnej sekwencji chronologicznej. Głównym krokiem tej analizy jest użycie X i Y do ustalenia równania regresji i narysowania związku przyczynowego za pomocą hipotetycznego testu. Ponieważ GCA może mierzyć skutki przyczynowe, wykorzystaliśmy go do zbadania anizotropii łączności funkcjonalnej i zbadania funkcji koncentratora PCC. W tym przypadku przebadaliśmy 116 uczestników pod kątem skanowania MRI, a po wstępnym przetworzeniu danych uzyskanych z neuroobrazowania, użyliśmy GCA do wyprowadzenia związku przyczynowego każdego węzła. Na koniec doszliśmy do wniosku, że ukierunkowany związek znacznie różni się między grupami z łagodnymi zaburzeniami poznawczymi (MCI) i AD, zarówno od PCC do całego mózgu, jak i od całego mózgu do PCC.

Wprowadzenie

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

AD to choroba zwyrodnieniowa ośrodkowego układu nerwowego, którą można zdiagnozować za pomocą histopatologii, elektrofizjologii i neuroobrazowania1. DMN związany z pamięcią jest istotnym systemem oddziałujących na siebie obszarów mózgu związanych z chorobą Alzheimera, a jego nieprawidłowa funkcja jest charakterystyczna dla AD2,3. PCC jest ważnym regionem tradycyjnej sieci domyślnej w stanie spoczynku i odgrywa kluczową rolę w pamięci epizodycznej, uwadze przestrzennej, samoocenie i innych funkcjach poznawczych4,5,6,7. Ponadto może być markerem obrazowym do monitorowania progresji choroby Alzheimera. Korzystając z GCA, Liao i wsp. odkryli, że PCC jest regionem wielu cytoarchitektoniki z wieloma połączeniami i odgrywa ważną rolę w funkcjonalnej strukturze mózgu8. Zhong i in. stwierdzili, że PCC było centrum konwergencji, które otrzymywało interakcje z większości innych regionów w obrębie DMN3. Co więcej, Miao i in. wykazali, że w regionach koncentratora DMN PCC ma największy związek przyczynowo-skutkowy z innymi węzłami9. Wszystkie te dowody wskazują, że ukierunkowane połączenie PCC jest cenne w badaniach nad chorobą Alzheimera i że PCC musi być dalej dogłębnie badane jako istotny region DMN.

Poprzednie badania ograniczały się do połączenia między PCC a innymi regionami DMN; jednak zmiany w ukierunkowanej funkcjonalnej łączności między PCC a regionami mózgu poza DMN, jak również ich wpływ na AD nie zostały jeszcze zbadane10. Nasze badanie dalej badało tę niezbadaną łączność funkcjonalną u normalnych, zdrowych osób z grupy kontrolnej, pacjentów z MCI i pacjentów z AD. Obserwując ukierunkowane połączenie między PCC a całymi obszarami mózgu, chcieliśmy wyjaśnić zmiany funkcjonalne w mózgu związane z progresją choroby Alzheimera, a tym samym ustanowić nową obiektywną podstawę do oceny ciężkości choroby.

Łączność funkcjonalna odnosi się do interakcji międzyregionalnej, która może być reprezentowana przez synchroniczne fluktuacje niskiej częstotliwości (LFF) w sygnałach fMRI zależnym od poziomu tlenu we krwi mózgu (BOLD). Dlatego, aby zaobserwować funkcjonalną łączność między PCC a innymi obszarami mózgu, przeanalizowaliśmy funkcjonalną łączność między PCC a całą siecią mózgową za pomocą fMRI przy użyciu GCA, z PCC jako regionem zainteresowania (ROI). Technika ta bezpośrednio wyprowadza podstawową relację każdego węzła przy użyciu danych uzyskanych z neuroobrazowania11. Ostatnio GCA została zastosowana w badaniach elektroencefalogramu (EEG) i fMRI, aby ujawnić skutki przyczynowe między regionami mózgu12. Wszystkie te badania wykazały, że technika GCA może być optymalna do wykrywania związku przyczynowego każdego węzła w mózgu.

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

Protokół

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

To badanie zostało zatwierdzone przez Komisję Etyki Szpitala Ludowego Prowincji Zhejiang. Każdy uczestnik podpisał pisemną świadomą zgodę.

1. Klasyfikacja i kontrola próbek

  1. Diagnoza i podział 116 pacjentów na grupy z AD i MCI.
    UWAGA: Do identyfikacji i klasyfikacji MCI należy skorzystać z kryteriów diagnostycznych National Institute of Neurological and Communicative Disorders and Stroke and Stroke z 2011 r. oraz kryteriów diagnostycznych Stowarzyszenia Choroby Alzheimera i Zaburzeń Pokrewnych (NINCDS-ADRDA) oraz kryteriów Mini-Mental State Examination (MMSE), które są szczegółowo opisane w Yu i wsp.10
  2. Wybierz uczestników w zdrowej grupie kontrolnej.
    UWAGA: Wiek, płeć i poziom wykształcenia grupy kontrolnej zostały dopasowane do pacjentów w grupach MCI i AD.
  3. Oceń wszystkie przedmioty według MMSE10.
  4. Wyklucz osoby, które nie spełniały kryteriów włączenia. Dla wszystkich badanych kryteria wykluczenia są wymienione w Yu i wsp.10
  5. Użyj MRI do skanowania obiektów; wyklucz osoby, których dane są bezużyteczne z powodu ruchów głowy.
    UWAGA: Ostatecznie przeprowadziliśmy badania przesiewowe 26 pacjentów z MCI, 32 pacjentów z AD i 58 osób z grupy kontrolnej.

2. Akwizycja neuroobrazowania

  1. Usuń metalowe i magnetyczne przedmioty przed wejściem do laboratorium rezonansu magnetycznego 3.0 T.
  2. Zainstaluj cewkę odbiorczą MRI na łóżku skanowania rezonansu magnetycznego. Cewka odbiorcza to 8-kanałowa, spolaryzowana kołowo cewka fazowa mózgu.
  3. Poinstruuj uczestnika, aby położył się na łóżku i pozostał na wznak z głową wysuniętą do przodu, a długa oś ciała wzdłuż długiej osi łóżka. Umieść głowę uczestnika na wsporniku cewki i upewnij się, że linia oczodołowo-mięsna jest prostopadła do łóżka.
  4. Powiedz uczestnikowi, aby ułożył kończyny górne po bokach ciała, miał zamknięte oczy, nie myślał o niczym szczególnym i poruszał się tak mało, jak to możliwe podczas skanowania. Umieść piankowe podkładki na głowie w obustronnym obszarze skroniowym, aby zapobiec ruchom głowy i zapewnij słuchawki, aby zmniejszyć hałas skanera dla uczestnika.
    UWAGA: Wymiary podkładki piankowej to: długa średnica = 13 cm, krótka średnica = 10 cm, najgrubsza grubość = 7 cm, najcieńsza grubość = 3 cm, średnia grubość = 5 cm.
  5. Dostosuj pozycję głowy za pomocą światła pozycjonującego tak, aby strzałkowy kursor pozycjonowania znajdował się w linii środkowej twarzy, a kursor pozycjonowania osi był równoległy do bocznego kąta. Następnie przesuń łóżko tak, aby kursor pozycjonowania osi znajdował się na brwiach lub 2 cm poniżej.
  6. Przesuń głowicę do środka magnesu. Wykonaj skan mózgu fMRI, w tym gradientowe obrazowanie echo-planarne (EPI-BOLD) i obrazowanie 3D-T1-MPRAGE.
    UWAGA: Użyj następujących parametrów:
    EPI-BOLD: TR/TE = 2,000/30 ms, grubość warstwy/rozstaw warstwy = 3,2/0,8 mm, 31 warstw, matryca = 64 x 64, FOV = 220 x 220 mm, rozmiar woksela = 3 x 3 x 4 mm, kąt odwrócenia = 90 °, czas skanowania 484 s i łącznie 240 skanowanych obrazów.
    Obrazowanie 3D-T1-MPRAGE: TR/TE = 8,5/3,2 ms, kąt odwrócenia = 15 °, pole widzenia = 250 x 250 mm, matryca = 256 x 256, liczba warstwy = 176, grubość/przerwa warstwy = 1/0 mm, czas skanowania 353 s i łącznie 192 skanowane obrazy.
  7. Zadbaj o bezpieczeństwo pacjenta, gdy opuszcza łóżko po zakończeniu skanowania.

3. Wstępne przetwarzanie danych

UWAGA: Analizuj surowe dane dla funkcji mózgu w stanie spoczynku, korzystając z zestawu narzędzi do analizy danych w stanie spoczynku fMRI (rs-fMRI) plus (RESTplus).

  1. Otwórz RESTplus przez MATLAB i kliknij lewym przyciskiem myszy Potok.
  2. Zaimportuj odpowiednie pliki do RESTplus. Wybierz katalog roboczy, a następnie początkowe katalogi EPI i T1.
  3. Konwertuj pliki DICOM na NIFTI. Zaznacz pole DICOM do NIFTI w przetwarzaniu wstępnym i zaznacz parametry EPI DICOM do NIFTU i T1 DICOM do NIFTI.
  4. Usuń pierwsze 10 punktów czasowych, zaznaczając opcję Usuń pierwsze n punktów czasowych i ustawiając parametr n na 10.
  5. Ustaw czas wycinka zgodnie z parametrami rs-fMRI. Zaznacz pole Czas plasterka. Ustaw numer wycinka zgodnie z parametrami rs-fMRI badania. Wprowadź kolejność wycinków.
    UWAGA: Akwizycja danych z każdej warstwy skanu mózgu nie odbywa się w tym samym punkcie czasowym, a zatem musi być skalibrowana do tego samego punktu czasowego.
  6. Popraw czas i ruch głowy. Zaznacz Realign.
    UWAGA: Kryterium wykluczenia nadmiernego ruchu głowy było przesunięcie >2,0 mm lub obrót o >2,0 ° w dowolnym kierunku. W RESTplus jest to parametr domyślny (kliknij lewym przyciskiem myszy opcję "Wyrównaj").
  7. Wykonaj normalizację przestrzenną przy użyciu ujednoliconej segmentacji obrazu T1 i wszystkich głowic ustandaryzowanych do tej samej przestrzeni. Zaznacz opcję Normalizuj i pozostaw domyślne parametry na dole. Wybierz opcję Normalizuj przy użyciu ujednoliconej segmentacji obrazu T1 i parametrów europejskich.
    UWAGA: Ponownie próbkuj obrazy rs-fMRI z wokselami 3 × 3 × 3 mm, a inne parametry w RESTplus są domyślne, wystarczy kliknąć lewym przyciskiem myszy opcję "Normalizuj przy użyciu ujednoliconej segmentacji obrazu T1".
  8. Wykonaj wygładzanie przestrzenne przy użyciu izotropowego jądra Gaussa o pełnej szerokości w połowie maksimum (FWHM) wynoszącej 6 mm. Zaznacz opcję Wygładzanie.
  9. Usuń trend liniowy, zaznaczając opcję Detrend.
  10. Regresja sygnałów z regresorów uciążliwości (WM, CSF, Global) w celu zwiększenia stosunku sygnału do szumu. Zaznacz Regresję współzmiennych uciążliwości i następujące parametry: 6 parametrów ruchu głowy, globalny średni sygnał, sygnał istoty białej i sygnał płynu mózgowo-rdzeniowego.
    UWAGA: Na tym etapie ustaw "Trend wielomianowy" jako domyślny 1 i wybierz "6 parametrów ruchu głowy", "Regresory uciążliwości (WM, CSF, globalne)" i "dodaj średnią wsteczną" jako domyślne.
  11. Użyj filtrowania pasmowo-przepustowego, aby zachować sygnały w zakresie od 0,01 do 0,08 Hz. Usuń szum fizjologiczny o wysokiej częstotliwości i dryf niskich częstotliwości. Zaznacz Filtruj.

4. Ukierunkowana analiza połączeń

UWAGA: Wykonaj GCA w połączeniu z sygnałami BOLD dla każdego woksela w całym mózgu, po wyodrębnieniu średniej intensywności sygnału BOLD w obszarze zalążkowym.

  1. Wykonaj GCA dla wokseli przy użyciu REST-GCA w przyborniku REST. W polu przetwarzania końcowego zaznacz GCA.
  2. Ustaw "zamówienie" na 1 jako domyślne. Wybierz parametry w danych wejściowych.
  3. Zdefiniuj ROI i zidentyfikuj punkty zainteresowania w PCC. Wybierz opcję Definiuj ROI i wybierz sferyczny ROI. Wybierz pozycję Dalej. Ustaw współrzędne środkowe i promień ROI nasion na podstawie znanych danych, a następnie wybierz OK.
    UWAGA: Zwrot z inwestycji dla DMN umieszczono w PCC (wyśrodkowanie na x = 0, y = -53, z = 26 z promieniem = 6 mm), tak jak w poprzednim badaniu13.
  4. Wybierz Uruchom i OK, aby uruchomić program.
  5. Znajdź foldery o nazwach ZGCA i GCA po przetworzeniu odpowiednich danych pliku. Posortuj pliki ZGCA i podziel je odpowiednio na cztery podfoldery, xx, xy, yx, yy.
    UWAGA: Później używaj głównie podfolderów xy i yx. Trzy zestawy danych pliku ("AD", "MCI", "NC") są przetwarzane i sortowane zgodnie z krokami 3.1 - 4.5 powyżej.
  6. Otwórz RESTplus przez MATLAB i kliknij lewym przyciskiem myszy Analiza statystyczna. Kliknij lewym przyciskiem myszy test t dla dwóch prób REST.
  7. Nazwij wynik wyjściowy jako T1xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze AD Results i podfolder xy w folderze NC Results.
  8. W opcji Plik maski kliknij lewym przyciskiem myszy, aby otworzyć podplik BrainMask_05_61*73*61 w folderze "maska".
  9. Wybierz pozycję Obliczenia, aby uruchomić program.
  10. Nazwij wynik wyjściowy jako T2xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze AD Results i podfolder xy w folderze MCI Results. Powtórz kroki 4.8 - 4.9.
  11. Nazwij wynik wyjściowy jako T3xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze MCI Results i podfolder xy w folderze NC Results. Powtórz kroki 4.8 - 4.9.
  12. Nazwij wynik wyjściowy jako T1yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze AD Results i podfolder yx w folderze NC Results. Powtórz kroki 4.8 - 4.9.
  13. Nazwij wynik wyjściowy jako T2yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy pozycję Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze AD Results i podfolder yx w folderze MCI Results. Powtórz kroki 4.8 - 4.9.
  14. Nazwij wynik wyjściowy jako T3yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze MCI Results i podfolder yx w folderze NC Results. Powtórz kroki 4.8 - 4.9.
  15. Na koniec uzyskaj sześć plików wyników, wykonując kroki 4.6 - 4.14 i kliknij lewym przyciskiem myszy przeglądarkę RESTplus, aby wyświetlić wynik. Zaimportuj szablon o nazwie ch2 w polu Podkładanie.
  16. Znajdź sześć plików wynikowych w katalogu wyjściowym i wypełnij nakładkę jeden po drugim. Uzyskaj wykres wyników końcowych i sześć plików wyników, które odpowiadają sześciu wykresom.
  17. Skorzystaj ze statystycznych rozwiązań w zakresie produktów i usług (SPSS) w celu przetworzenia danych uzyskanych w poprzednim kroku.
    1. Przedstaw zmienne ciągłe jako średnie i odchylenia standardowe (SD).
    2. Przedstaw zmienne jakościowe jako liczby i procenty, a następnie użyj testu chi-kwadrat.
      UWAGA: Wszystkie wartości p <0,05 uznano za statystycznie istotne.

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

Wyniki

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

Informacje demograficzne

Tabela 1 przedstawia charakterystykę badanych. Wszyscy przedmiotowi mieli wykształcenie na poziomie gimnazjum lub wyższym. Wiek, płeć i poziom wykształcenia były podobne w obu trzech grupach (P >0,05), podczas gdy wyniki MMSE różniły się istotnie (p <0,01).

Ukierunkowana funkcjonalna łączność mózgu

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

Dyskusja

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

W niniejszym raporcie przedstawiono proces porównywania ukierunkowanych połączeń funkcjonalnych od PCC do całego mózgu i od całego mózgu do PCC między AD, MCI i grupami kontrolnymi. Co więcej, kluczowym krokiem w tym procesie jest klasyfikacja i badanie przesiewowe próbki przed eksperymentem. W związku z tym kryteria klasyfikacji i kwalifikacji mają kluczowe znaczenie, ponieważ ich błędne wyniki mogą mieć wpływ na dokładność wyników. Zgodnie z wykazem w protokole zastosowaliśmy kryteria diagnostyczne NINCDS-ADRDA z 2011 ...

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

Oświadczenia

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

Autorzy oświadczają, że nie mają żadnych konkurencyjnych interesów finansowych.

Podziękowania

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

Autorzy dziękują Gongjun JI za wsparcie w zakresie oprogramowania komputerowego. Badania te były częściowo wspierane przez Narodową Fundację Nauk Przyrodniczych Chin (nr 81201156, 81271517); Chińska Fundacja Nauk Przyrodniczych Prowincji Zhejiang (nr LY16H180007, LY13H180016, 2013C33G1360236) oraz Fundacji Naukowej Komisji Zdrowia Prowincji Zhejiang (nr 2013RCA001, 201522257).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
116 pacjentówLudowy Szpital Prowincji Zhejiang s szpital-To badanie zostało zatwierdzone przez komisję etyczną Ludowego Inspektoratu Prowincji Zhejiang s szpital. Każdy uczestnik podpisał pisemny formularz świadomej zgody.
Skaner MRI Siemens Trio 3.0 TSiemens, Erlangen, Niemcy20571Wyposażony w AudioComfort, który redukuje hałas akustyczny do 90%; Zapewnia wysoką wydajność przy niskim poziomie hałasu; Ultra lekka cewka; Unikalny projekt sekwencji MRI; Obsługuje do 400 funtów bez ograniczeń.
RESTplusHangzhou Normal University, Hangzhou, Zhejiang, Chiny20160122RESTplus wyewoluował z REST (Resting-State fMRI Data Analysis Toolkit), wygodnego zestawu narzędzi do obliczania łączności funkcjonalnej (FC), jednorodności regionalnej (ReHo), amplitudy fluktuacji niskiej częstotliwości (ALFF), frakcyjnego ALFF (fALFF), przyczynowości Gragnera, centralności stopnia, łączności homotopowej lustrzanej woksela (VMHC) i wykonywania analiz statystycznych.
DPARSFHangzhou Normal University, Hangzhou, Zhejiang, Chiny130615Data Processing Assistant for Resting-State fMRI (DPARSF) to wygodna wtyczka do DPABI, która jest oparta na SPM. Wystarczy ułożyć pliki DICOM i kliknąć kilka przycisków, aby ustawić parametry, DPARSF poda wszystkie wstępnie przetworzone dane, łączność funkcjonalną, ReHo, ALFF / fALFF, centralność stopnia, wyniki łączności homotopowej w lustrze wokseli (VMHC).
SPSSSPSS Inc., Chicago, IL,USA-SPSS oferuje szczegółowe opcje analizy, które pozwalają dokładniej przyjrzeć się danym i dostrzec trendy, których być może nie zauważyłeś.

Bibliografia

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

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

czno funkcjonalnasie stanu spoczynkowegotylna cz kory obr czyfunkcjonalny rezonans magnetycznyczno kierunkowaanaliza sieci m zgowychanaliza na poziomie wokseli

Powiązane artykuły