Mapowanie regionalnej jednorodności i funkcjonalnej łączności kory wzrokowej w fMRI w stanie spoczynku

Summary

Przedstawiamy protokół do analizy danych z funkcjonalnego rezonansu magnetycznego w celu zbadania spontanicznych zmian aktywności neuronalnej u pacjenta z barwnikowym zwyrodnieniem siatkówki przy użyciu połączonej metody jednorodności regionalnej i funkcjonalnej łączności.

Abstract

Do oceny synchronicznych zmian aktywności neuronalnej w barwnikowym zwyrodnieniu siatkówki (RP) (RP) użyto metody połączonej jednorodności regionalnej (ReHo) i funkcjonalnej łączności (FC), rodzaju nieinwazyjnego funkcjonalnego rezonansu magnetycznego (fMRI). Celem niniejszej pracy jest opisanie naszej metody analizy wewnątrz- i międzyregionalnych synchronizacji zmian aktywności neuronalnej u pacjentów z RP. Zaletą połączonej metody ReHo i FC jest to, że jest ona zarówno nieinwazyjna, jak i wystarczająco czuła, aby badać zmiany w synchronicznych zmianach aktywności neuronalnej mózgu in vivo. Tutaj 16 pacjentów z RP i 14 zdrowych osób z grupy kontrolnej ściśle dopasowanych pod względem wieku, płci i wykształcenia zostało poddanych skanom fMRI w stanie spoczynku. Przeprowadzono dwa przykładowe testy t w celu porównania ReHo i FC w różnych grupach. Nasze wyniki wykazały, że u pacjentów z RP nastąpiło odłączenie sieci wzrokowej i reorganizacja szlaku siatkówkowo-wzgórzowo-korowego i grzbietowego strumienia wzrokowego. W tym miejscu krok po kroku opisujemy szczegóły tej metody, jej zastosowanie oraz wpływ jej kluczowych parametrów.

Introduction

Funkcjonalne obrazowanie metodą rezonansu magnetycznego (fMRI) jest nieinwazyjną metodą, która może być wykorzystana do badania zmian w funkcjonowaniu i strukturze mózgu in vivo. Jednorodność regionalna (ReHo) i łączność funkcjonalna (FC) są często wykorzystywane do oceny wewnątrz- i międzyregionalnej synchronizacji aktywności mózgu. ReHo, metodologia fMRI w stanie spoczynku, służy do obliczania podobieństwa między szeregiem czasowym danego woksela a jego najbliższymi sąsiadami, co odzwierciedla lokalną synchronizację aktywności mózgu¹. FC służy do badania podobieństwa między przestrzennie odległymi regionalnymi szeregami czasowymi².

technologia fMRI może zaoferować obiektywną ocenę funkcji wzrokowych w kontekście leczenia chorób oczu. W tym miejscu przedstawiamy protokół metodologiczny, który łączy metody ReHo i FC, aby dzielić się tym doświadczeniem i wspierać rozpowszechnianie naszej wiedzy specjalistycznej. W niniejszej pracy wykorzystaliśmy protokół ReHo i FC u pacjentów z barwnikowym zwyrodnieniem siatkówki (RP) i zdrowych osób z grupy kontrolnej (HC) w celu opracowania szczegółów procedury. RP to poważna dziedziczna choroba oczu charakteryzująca się upośledzeniem widzenia w nocy i postępującą utratą wzroku^3,4. Mutacja genetyczna jest głównym czynnikiem ryzyka RP. Śmierć komórek fotoreceptorów pręcików i czopków prowadzi do utraty widzenia peryferyjnego i ostatecznie ślepoty u pacjentów z RP. Wcześniejsze badania neuroobrazowe wykazały nieprawidłowości strukturalne i funkcjonalne w korze wzrokowej i szlaku wzrokowym pacjentów z RP^5,6,7. Ponadto wykorzystano obrazowanie tensora dyfuzji do zbadania integralności wiązek włókien istoty białej. Pacjenci z RP wykazywali istotnie wyższy współczynnik dyfuzji pozornej, główną wartość własną i ortogonalną wartość własną, a także znacznie niższą anizotropię frakcyjną w nerwach wzrokowych w stosunku do HCs⁸.

Tutaj naszym celem było zbadanie wewnątrz- i międzyregionalnych synchronizacji aktywności neuronalnej. Zbadaliśmy, czy średnie wartości ReHo i średnie wartości FC były skorelowane ze zmiennymi klinicznymi u pacjentów z RP. Nasza metoda może umożliwić naukowcom uzyskanie ważnych informacji na temat neuronalnego mechanizmu utraty widzenia peryferyjnego u pacjentów z RP.

Protocol

Protokół badań został zatwierdzony przez komisję etyki medycznej Szpitala Renmin Uniwersytetu Wuhan. Wszyscy uczestnicy wypełnili pisemny formularz zgody.

1. Klasyfikacja i selekcja uczestników

1. Zapisuj przedmioty RP i HC ściśle dopasowane pod względem wieku, płci i wykształcenia.
2. Upewnij się, że wszyscy uczestnicy spełniają następujące kryteria: 1) mogą zostać zeskanowani za pomocą skanera MRI (np. bez rozruszników serca lub wszczepionych metalowych urządzeń); 2) brak klaustrofobii; 3) Brak chorób serca, nadciśnienia tętniczego lub chorób mózgu.

2. Akwizycja danych fMRI

UWAGA: W tym protokole używany jest skaner MRI 3 T z ośmiokanałową cewką głowicy.

1. Poproś każdego uczestnika, aby usunął metalowe przedmioty przed wejściem do pomieszczenia ze skanerem MRI po końcowej kontroli bezpieczeństwa.
2. Poinstruuj uczestnika, aby położył się na łóżku i upewnił się, że linia oczodołowo-mięsna jest prostopadła do łóżka. Następnie umieść piankowe podkładki w obustronnym obszarze skroniowym głowy, aby zapobiec ruchom głowy i zapewnij zatyczki do uszu, aby zmniejszyć hałas skanera.
3. Poinstruuj uczestnika, aby leżał w spoczynku, miał zamknięte oczy bez zasypiania i nie myślał o niczym szczególnym podczas skanowania.
4. Dostosuj pozycję głowy uczestnika za pomocą lampki pozycjonującej. Upewnij się, że kursor pozycjonowania osi jest równoległy do bocznego kąta, a strzałkowy kursor pozycjonowania zbiega się z linią środkową twarzy. Następnie przesuń łóżko tak, aby kursor ustawiający oś znajdował się 2 cm powyżej lub poniżej brwi uczestnika.
5. Powiadom uczestnika o rozpoczęciu sesji skanowania. Korzystając z konsoli skanowania, uruchom skanowanie lokalizatora strukturalnego, aby określić pozycję głowy uczestników w skanerze i umożliwić zaplanowanie kolejnych skanów strukturalnych i funkcjonalnych.
6. Wykonaj fMRI z następującymi sekwencjami i parametrami.
   1. Wykonać trójwymiarowe obrazowanie objętości mózgu (3D-BRAVO) MRI o następujących parametrach: czas powtórzenia (TR)/czas echa (TE) = 8,5 ms/3,3 ms; grubość = 1,0 mm; brak przerwy między cięciami; matryca akwizycji = 256 x 256; pole widzenia = 240 x 240 mm²; i kąt odwrócenia = 12°.
   2. Uzyskanie obrazów funkcjonalnych za pomocą gradientowego obrazowania echoplanarnego zależnego od poziomu natlenienia krwi (EPI-BOLD) o następujących parametrach: TR/TE = 2,000 ms/25 ms; grubość = 3,0 mm; szczelina = 1,2 mm; matryca akwizycji = 256 x 256; pole widzenia = 240 x 240 mm²; rozmiar woksela = 3,6 x 3,6 x 3,6 mm³; i 35 warstw osiowych.
7. Miej oko na stan uczestnika podczas trwania skanowania, poinstruuj go, aby poruszał się jak najmniej i przerwij skanowanie, jeśli uczestnik odczuwa jakikolwiek dyskomfort.
8. Wyjmij uczestnika ze skanera i poproś go, aby ostrożnie usiadł pod koniec eksperymentu.

3. Wstępne przetwarzanie danych i przygotowanie oprogramowania

UWAGA: Obrazy funkcjonalne analizowane w tym protokole są wstępnie przetwarzane przez SPM8 i zestaw narzędzi do przetwarzania i analizy danych dla obrazowania mózgu (DPABI, http://rfmri.org/dpabi)⁹ w oparciu o MATLAB 2013a. Wykonaj następujące kroki wstępnego przetwarzania oddzielnie dla każdej sesji fMRI.

1. Otwórz oprogramowanie DPABI w terminalu MATLAB, klikając dpabi, a następnie wybierz DPARSF 4.3 Advanced Edition i zaimportuj folder "FunRaw" (Rysunek 1).
   UWAGA: Folder FunRaw zawiera plik DICOM dla każdego uczestnika.
2. Kliknij FunRaw, aby zaimportować pliki skanowania fMRI do DPABI ze spójnym schematem numeracji (np. "sub0001", "sub0002" itp.). Wybierz katalog roboczy oraz początkowe katalogi EPI i T1, a następnie kontynuuj wybieranie wszystkich żądanych parametrów w krokach 3.3–3.9 przed kliknięciem przycisku Uruchom w sekcji 4.
3. Wpisz parametry: Punkty czasowe = 240 i TR = 2 (Rysunek 2). Wybierz EPI DICOM na NIFTI, aby przekonwertować obrazy funkcjonalne z formatu DICOM na NIFTI i usunąć pierwsze 10 woluminów każdego obrazu funkcyjnego.
4. Zaznacz pola Slice Timing i Realign w oprogramowaniu DPABI, aby skorygować pozostałe 230 objętości funkcjonalnych obrazów zależnych od poziomu natlenienia krwi dla efektów synchronizacji plasterków i korekcji ruchu głowy.
   UWAGA: W przypadku ruchu głowy należy wykluczyć dane uczestników, których ruch głowy wynosi >2 mm lub obrót >2° podczas skanowania. W przypadku kolejności przekrojów sekwencja liczb w wektorze jest kolejnością w czasie pozyskiwania tych warstw. Wybrany wycinek ma numer 40, kolejność wycinków to [1:2:39,2:2,40], a wycinek odniesienia to 39.
5. Wybierz opcję Normalize by DARTEL za pomocą oprogramowania DPABI.
   UWAGA: Wybierając tę opcję, oprogramowanie automatycznie przeprowadzi normalizację przestrzenną przy użyciu indywidualnych obrazów strukturalnych T1 zarejestrowanych na średnich danych fMRI. Uzyskane w ten sposób wyrównane obrazy T1 są segmentowane za pomocą zestawu narzędzi DARTEL w celu poprawy precyzji przestrzennej podczas normalizacji danych fMRI. Znormalizowane dane (w przestrzeni Montreal Neurological Institute [MNI] 152) są reslice'owane w rozdzielczości 3 x 3 x 3 mm^{3 3}.
6. Usuń trend liniowy, wybierając opcję Detrend w oprogramowaniu DPABI.
7. Zaznacz pole Regresja uciążliwych współzmiennych i wybierz następujące parametry: model ruchu głowy, sygnał istoty białej, sygnał średniej globalnej i sygnał płynu mózgowo-rdzeniowego.
8. Zaznacz pole Szorowanie, aby usunąć złe punkty czasowe spowodowane ruchem głowy w oprogramowaniu DPABI.
9. Zachowaj sygnały w zakresie od 0,01 do 0,08 Hz, zaznaczając pole Filtruj [0,01-0,08] w oprogramowaniu DPABI, aby usunąć szum fizjologiczny o wysokiej częstotliwości i dryft niskich częstotliwości.
   UWAGA: Po przygotowaniu danych można przeprowadzić analizę ReHo i FC.

4. Analiza ReHo i FC

1. Aby wykonać obliczenia ReHo, otwórz oprogramowanie DAPABI za pośrednictwem programu MATLAB i wybierz 27 wokseli w klastrze. Kliknij lewym przyciskiem myszy ReHo i wygładź [6*6*6], a następnie wybierz Uruchom.
   UWAGA: Współczynnik zgodności Kendalla jest przypisywany do danego woksela poprzez obliczenie współczynnika zgodności Kendalla szeregów czasowych 27 wokseli i ich najbliższych sąsiadów. Aby zmniejszyć wpływ indywidualnych wariacji na porównania statystyczne między grupami, mapy ReHo każdego woksela są przekształcane z przy użyciu transformacji r-to-z Fishera. Pozostałe mapy z ReHo są wygładzane przestrzennie przy użyciu jądra Gaussa o pełnej szerokości 6*6*6 przy połowie maksimum.
2. Aby obliczyć FC, otwórz oprogramowanie DAPABI za pomocą MATLAB i zdefiniuj zmienione regiony mózgu ReHo między obiema grupami jako regiony zainteresowania (ROI). Kliknij Łączność funkcjonalna i zdefiniuj ROI (wyśrodkowanie na x = 0, y = -69 i z = -3 z promieniem = 10 mm), a następnie wybierz Uruchom.
   UWAGA: Analiza korelacji przebiegu czasowego dla każdego uczestnika jest przeprowadzana między sferycznym obszarem nasiennym a wokselami całego mózgu. Wszystkie mapy FC są przekształcane z przez transformację r-do-z Fishera w celu zmniejszenia wpływu indywidualnych wariacji na statystyczne porównania między grupami. Promień ROI wokół współrzędnych powinien wynosić 10 mm (X = 0, Y = -69, Z = -3).

5. Analiza statystyczna

1. Znajdź foldery o nazwach ReHo i FC po przetworzeniu odpowiednich danych pliku. Posortuj pliki zReHo.nii i zFC.nii, klasyfikując je w czterech podfolderach: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" i "HC-group-FC".
2. Otwórz DPABI za pomocą MATLAB, aby wykonać test t dla jednej próby.
   1. Kliknij lewym przyciskiem myszy pozycję Analiza statystyczna, a następnie kliknij pozycję test t dla jednej próby. Nazwij wynik wyjściowy "one-sample-t-test-RP" i ustaw katalog wyjściowy.
   2. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy i otwórz podfolder "RP-group-ReHo".
   3. W opcji Plik maski kliknij lewym przyciskiem myszy, aby otworzyć podplik "BrainMask-05-61*73*61" w folderze "maska".
   4. Wybierz pozycję Obliczenia, aby uruchomić program. Wykonaj tę samą procedurę dla grupy "one-sample-t-test-HC".
      UWAGA: Test t dla jednej próby służy do analizy i wyświetlania średnich map ReHo każdej grupy w oprogramowaniu DPABI.
3. Otwórz DPABI za pomocą MATLAB, aby wykonać test t dla dwóch prób.
   1. Kliknij lewym przyciskiem myszy pozycję Analiza statystyczna, a następnie wybierz test t dla dwóch prób. Nazwij wynik wyjściowy "two-sample-t-test-ReHo" i ustaw katalog wyjściowy.
   2. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy i otwórz podfoldery "RP-group-ReHo" i "HC-group-ReHo".
   3. W opcji Plik maski kliknij lewym przyciskiem myszy, aby otworzyć podplik "BrainMask-05-61*73*61" w folderze "maska".
   4. Wybierz pozycję Obliczenia, aby uruchomić program. Wykonaj tę samą procedurę dla "testu t dla dwóch próbek". Kliknij opcję Analiza statystyczna i poprawka na pole losowe Gaussa (GRF) [dwustronna, na poziomie wokseli (0,01) i na poziomie woksela (0,05)], a następnie kliknij przycisk Uruchom.
      UWAGA: Różnice między grupami map zReHo i map zFC są porównywane za pomocą dwóch przykładowych testów t. GRF służy do korygowania wielokrotnych porównań i regresywnych współzmiennych wieku i płci za pomocą oprogramowania DPABI.
4. Użyj oprogramowania BrainNet Viewer (https://www.nitrc.org/projects/bnv/), aby wyświetlić wyniki.
   1. Otwórz BrainNet przez MATLAB i kliknij Załaduj plik. W przypadku plików powierzchni kliknij przycisk Przeglądaj i wybierz opcję BrainMesh-ICBM152-smoothed.nv, a następnie kliknij przycisk OK; w przypadku plików woluminów wybierz spm-T.nii (obejmuje to wyniki ReHo i FC), a następnie kliknij przycisk OK.
5. Użyj oprogramowania statystycznego, aby przetworzyć dane uzyskane z poprzedniego kroku.
   UWAGA: Test chi-kwadrat służy do porównań płci, podczas gdy testy t dla prób niezależnych są używane do innych zmiennych klinicznych. Zmienne ciągłe są reprezentowane przez średnie i odchylenia standardowe.
6. Przeprowadź analizę współczynnika korelacji Pearsona w celu zidentyfikowania relacji między wartościami zReHo i wartościami zFC różnych regionów mózgu a danymi z pomiarów wizualnych przy użyciu oprogramowania statystycznego.
   1. Uzyskaj sygnały ROI wartości zReHo i wartości zFC u każdego uczestnika za pomocą oprogramowania DPABI. Kliknij ekstraktor sygnałów ROI i dodaj katalog z plikiem ROI mask.nii.
      UWAGA: Wartości P wynoszące <0,05 należy uznać za statystycznie istotne.

Results

W naszym badaniu, 16 osób RP i 14 zdrowych osób z grupy kontrolnej ściśle dopasowanych pod względem wieku, płci i wykształcenia przeszło skany fMRI w stanie spoczynku. Metody ReHo i FC wykorzystano do zbadania wewnątrz- i intersynchronicznej aktywności neuronalnej u osób z RP. Zaobserwowano istotne różnice w BCVA między prawym okiem (P < 0,001) a lewym okiem (P < 0,001), ale różnica w płci, wieku lub masie ciała między grupami nie była istotna.

RP i HC wykazują podobny rozkład przestrzen...

Discussion

Ten raport opisuje protokół obliczania wartości ReHo i FC dla grup RP i HC i wykazał znaczące różnice w wartościach ReHo i FC między tymi dwiema grupami. Warto zauważyć, że ważnym krokiem w tym procesie jest klasyfikacja i badanie przesiewowe próbek przed eksperymentem. Kiedy zastosowaliśmy ten protokół do naszej własnej analizy, wszyscy pacjenci z RP zostali zdiagnozowani przez dwóch doświadczonych okulistów. Wykluczyliśmy pacjentów z RP z innymi chorobami oczu, takimi jak jaskra, zaćma i zanik nerwu wzrokowego. Ponadto...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Oprogramowanie BrainNet Viewer	National Key Laboratory of Cognition Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer to narzędzie do wizualizacji sieci mózgowych do wizualizacji strukturalnych i funkcjonalnych wzorców łączności
Oprogramowanie DPABI	Institute of Psychology, CAS, Pekin, Chiny	DPABI 4.3	DPABI to zestaw narzędzi do przetwarzania i analizy danych obrazowania mózgu.
MATLAB	MathWorks, Natick, MA, USA	2013a	MATLAB to zaawansowany techniczny język obliczeniowy i interaktywne środowisko do tworzenia algorytmów, wizualizacji danych, analizy danych i obliczeń numerycznych.
Skaner MRI	GE Healthcare, Milwaukee	MRI 3.0
Oprogramowanie SPM	Wellcome Centre for Human Neuroimaging, UCL	SPM8	SPM8 to główna aktualizacja oprogramowania SPM, zawierająca znaczne ulepszenia teoretyczne, algorytmiczne, strukturalne i interfejsowe w stosunku do poprzednich wersji.
SPSS	IBM, Chicago, IL, USA	Platforma oprogramowania SPSS w wersji 20.0	oferuje zaawansowaną analizę statystyczną, analizę tekstu, rozszerzalność oprogramowania typu open source, integrację z danymi big data i bezproblemowe wdrażanie w aplikacjach.