Artykuł metodologiczny

Funkcjonalna łączność ludzkiego mózgu w stanie spoczynku oparta na przepływie krwi w mózgu przy użyciu optycznej spektroskopii korelacji rozproszonej

DOI:

10.3791/60765

⸱

27 maja 2020

 ,  ,  , 
1Department of Biomedical, Industrial and Human Factors Engineering, Wright State University, 2South China Academy of Advanced Optoelectronics, South China Normal University

W tym artykule

Podsumowanie

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

Ten protokół pokazuje, jak mierzyć funkcjonalną łączność w stanie spoczynku w ludzkiej korze przedczołowej za pomocą specjalnie zaprojektowanego instrumentu do spektroskopii korelacji dyfuzyjnej. W raporcie omówiono również praktyczne aspekty eksperymentu, a także szczegółowe kroki analizy danych.

Streszczenie

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

Aby uzyskać kompleksowe zrozumienie ludzkiego mózgu, pożądane jest wykorzystanie przepływu krwi w mózgu (CBF) jako źródła kontrastu, ponieważ jest to kluczowy parametr hemodynamiczny związany z zaopatrzeniem mózgu w tlen. Wykazano, że fluktuacje niskiej częstotliwości w stanie spoczynku oparte na kontraście natlenienia zapewniają korelacje między funkcjonalnie połączonymi regionami. Prezentowany protokół wykorzystuje optyczną spektroskopię korelacji rozproszonej (DCS) do oceny funkcjonalnej łączności w stanie spoczynku opartej na przepływie krwi (RSFC) w ludzkim mózgu. Wyniki RSFC opartego na CBF w ludzkiej korze czołowej wskazują, że wewnątrzregionalne RSFC jest znacznie wyższe w lewej i prawej korze w porównaniu z międzyregionalnym RSFC w obu korach. Protokół ten powinien być interesujący dla badaczy, którzy stosują techniki obrazowania multimodalnego do badania funkcji ludzkiego mózgu, zwłaszcza w populacji pediatrycznej.

Wprowadzenie

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

Gdy mózg jest w stanie spoczynku, wykazuje wysoką synchronizację spontanicznej aktywności w funkcjonalnie powiązanych regionach, które mogą znajdować się blisko lub z daleka. Te zsynchronizowane regiony są znane jako sieci funkcjonalne1,2,3,4,5,6,7,8,9. Zjawisko to zostało po raz pierwszy odkryte w badaniu funkcjonalnego rezonansu magnetycznego (fMRI) przy użyciu sygnałów zależnych od poziomu tlenu we krwi (BOLD), które wskazują poziom natlenienia krwi mózgowej5,10, znany również jako łączność funkcjonalna w stanie spoczynku (RSFC). Nieprawidłowości w RSFC są związane z zaburzeniami mózgu, takimi jak autism11, Alzheimer's12 i depresja13. W związku z tym RSFC jest cennym narzędziem do badania pacjentów z zaburzeniami, którzy mają problemy z wykonywaniem ocen opartych na zadaniach. Jednak wielu pacjentów, takich jak małe dzieci z autyzmem, nie nadaje się do oceny za pomocą fMRI, ponieważ wymaga to pozostawania w zamkniętej przestrzeni przez dłuższy czas14,15. Obrazowanie optyczne jest szybkie i łatwe do noszenia; W związku z tym jest odpowiedni dla większości pacjentów, szczególnie populacji pediatrycznej16,17,18,19,20,21,22,23,24. Wykorzystując te zalety, funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS), która może określić ilościowo stężenie hemoglobiny i parametry nasycenia tlenem w mózgu, jest używana do pomiaru RSFC u ludzi (w tym w populacji pediatrycznej4,8,25 i pacjentów z autyzmem11).

Optyczna spektroskopia korelacji dyfuzyjnej (DCS), stosunkowo nowa technika optyczna, może określić ilościowo przepływ krwi w mózgu, co jest ważnym parametrem kojarzącym dopływ tlenu z metabolizmem6,17,26,27,28,29. Wykazano, że kontrast przepływu optycznego określony ilościowo za pomocą DCS ma wyższą czułość w mózgu w porównaniu z kontrastem natlenienia30. W związku z tym korzystne jest wykorzystanie parametrów CBF pochodzących z DCS do oceny RSFC.

DCS jest wrażliwy na poruszające się komórki krwi. Kiedy dyfuzyjne fotony rozpraszają się od poruszających się komórek krwi, powoduje to wahania intensywności wykrywanego światła w czasie. DCS mierzy funkcję autokorelacji intensywności w czasie, a szybkość jej zaniku zależy od parametrów optycznych i przepływu krwi. Wartości te są ostatecznie wykorzystywane do uzyskania wskaźnika przepływu krwi w mózgu (CBFi). W przypadku szybciej poruszających się komórek krwi funkcja autokorelacji intensywności zanika szybciej. W związku z tym informacje o ruchu głęboko pod powierzchnią tkanki można uzyskać (np. w mózgu) z pomiarów fluktuacji światła rozpraszającego w czasie27,31,32,33,34,35. DCS jest techniką uzupełniającą powszechnie znany fNIRS, która mierzy natlenienie krwi17,36. Ponieważ zarówno fNIRS, jak i DCS są optycznymi technikami obrazowania mózgu o wysokiej rozdzielczości czasowej w zakresie milisekund, zestawy obrazowania optycznego są znacznie mniej wrażliwe na artefakty ruchu niż fMRI. Są one również z powodzeniem stosowane do funkcjonalnego obrazowania mózgu w populacjach pediatrycznych, w tym w bardzo małych niemowlętach16. Wcześniej pomiary powierzchownego przepływu krwi były wykorzystywane do oceny RSFC w badaniach przedklinicznych na myszach37. W tym przypadku parametry przepływu krwi są wykorzystywane do ilościowego określenia RSFC u dziewięciu zdrowych osób dorosłych jako badanie potwierdzające słuszność koncepcji38,39.

W tym badaniu używany jest komercyjny system FD-fNIRS oraz niestandardowy system DCS (patrz Tabela Materiałów). DCS, który został zbudowany we własnym zakresie, składa się z dwóch laserów o długości fali ciągłej o długości fali 785 nm i 100 mW, które są sprzężone ze złączem FC oraz ośmiu maszyn do liczenia pojedynczych fotonów (SPCM) podłączonych do automatycznego korelatora. Specjalnie dla tego systemu stworzono również niestandardowy graficzny interfejs użytkownika (GUI), aby wyświetlać i zapisywać liczbę fotonów, krzywe autokorelacji i półilościowy przepływ krwi w każdym kanale SPCM w czasie rzeczywistym. Części w tym systemie są powszechnie używane w DCS16,17,31,32,40,42,43,44, a uzyskane wyniki zostały również zweryfikowane wewnętrznie i wykorzystane w niedawnym badaniu39.

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

Protokół

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

Protokół został zatwierdzony przez Institutional Review Board na Uniwersytecie Stanowym Wright, a przed eksperymentem uzyskano świadomą zgodę od każdego uczestnika.

1. Przygotowanie przedmiotu

  1. Włącz FD-fNIRS i system DCS, aby rozgrzać się przez co najmniej 10 minut (więcej informacji można znaleźć w sekcjach 2 i 3) przed rozpoczęciem jakichkolwiek pomiarów obiektu. Przykład pomiaru obiektu za pomocą kompaktowego przyrządu DCS pokazano na Rysunek 1.
  2. Najpierw użyj taśmy mierniczej, aby zmierzyć odległość między nasionem a inionem na głowie każdego badanego (Rysunek 2A).
  3. Mając nasiona jako punkt wyjścia, zaznacz markerem atramentowym miejsce, które stanowi 10% odległości do wcięcia. Oznacza to punkt między Fp1 i Fp2 montażu EEG 10/20 (Rysunek 2A).
  4. Za pomocą czepka EEG 10/20 (patrz Tabela materiałów) wyreguluj nasadkę tak, aby zaznaczony punkt znajdował się między Fp1 a Fp2.
  5. Zaznacz punkt między Fp1 i F7 (lewa kora) oraz punkt między Fp2 i F8 (prawa kora). Reprezentuje to granice między górną korą przedczołową a grzbietowo-boczną korą przedczołową (DLFC) oraz między DLFC a dolną korą przedczołową (IFC), odpowiednio, dla lewej i prawej półkuli (Rysunek 2A).
  6. Za pomocą sondy wydrukowanej w 3D umieść światłowody wielomodowe (MMF) na nowo oznaczonych punktach (punkty "S" na Rysunek 2C) i podłącz każdy z nich do laserowego źródła światła 785 nm ( Rysunek 2B,C).
  7. Umieść światłowody jednomodowe (SMF) w odległości 2,75 cm od MMF. Dwa włókna należy umieścić na DLFC (lokalizacje "DLFC,1" i "DLFC,2") i jeden na IFC (lokalizacja "IFC"). Rozmieszczenie SMF jest replikowane po każdej stronie kory mózgowej, co daje w sumie sześć SMF (Rysunek 2c).
  8. Umieść kolejny SMF 1 cm poniżej MMF w miejscu "Ds" po obu stronach kory mózgowej (w celu wykrycia przepływu krwi w skórze głowy) i podłącz każdy z SMF do indywidualnych maszyn liczących pojedyncze fotony (Rysunek 2C).

p class="jove_title">2. Ustawienia i kalibracja FD-fNIRS

  1. Wyłącz wszystkie kontrolki i włącz system FD-fNIRS, aby przygotować się do kalibracji.
    UWAGA: Ze względów ostrożności nie patrz bezpośrednio na źródła światła i wyjścia światłowodów, ponieważ może to spowodować uszkodzenie oczu. Użyj karty czujnika podczerwieni (tabela materiałów).
  2. Unikaj niepotrzebnego wystawiania czujek na działanie światła w pomieszczeniu, aby utrzymać bezgłośną pracę i uniknąć uszkodzenia czujników.
  3. Ogrzej źródła światła i detektory, włączając system i pozwalając mu pracować przez co najmniej 10 minut (najlepiej minimum 20 minut i maksymalnie 1 godzina dla optymalnej dokładności i stabilności) przy włączonym świetle, włączonej modulacji i włączonym napięciu detektora.
  4. Uruchom oprogramowanie do akwizycji danych oparte na graficznym interfejsie użytkownika. Dostosuj wzmocnienie detektora, aby uzyskać optymalny sygnał z czujnikiem podłączonym i zabezpieczonym do fantomu kalibracyjnego (fantom na bazie polidimetylosiloksanu o znanych właściwościach optycznych, patrz Tabela materiałów), naciskając przycisk "auto-bias". Jeśli ostrzeżenie o przepięciu, zmniejsz wzmocnienie.
  5. Po dostosowaniu wzmocnienia detektora w celu uzyskania maksymalnego sygnału, odłącz jedno ze włókien źródłowych od detektora i sprawdź, czy prąd stały (DC) jest mniejszy niż 20 zliczeń na okres pomiaru dla odpowiedniego włókna źródłowego. Jeśli jest większa niż ta wartość, do detektora może przedostawać się nadmierna ilość światła w pomieszczeniu45. W takim przypadku system powinien zostać wyłączony, a następnie nadmiar światła w pomieszczeniu powinien zostać zablokowany/usunięty i powtórzone kroki 2.4–2.5.
  6. Sprawdź prawidłowy poziom sygnału z każdego źródła i detektora. System definiuje to jako powyżej 100 i poniżej 1 500 zliczeń na cykl pomiarowy.
  7. Wykonaj kalibrację, naciskając przycisk "Kalibruj" w graficznym interfejsie użytkownika. System wykona pomiary i zastosuje współczynniki kalibracyjne w celu prawidłowego zmierzenia właściwości optycznych znanego fantomu. Te współczynniki kalibracji są zapisywane i automatycznie stosowane do pomiarów in vivo.
  8. Rejestruje dane kalibracyjne, które będą dokumentować wydajność systemu na standardowym fantomie.

3. Ustawienia DCS

UWAGA: Jako ogólne środki ostrożności, nie patrz bezpośrednio na źródła światła i wyjścia światłowodów, aby uniknąć potencjalnego uszkodzenia oczu. Użyj karty czujnika podczerwieni (patrz Tabela materiałów).

  1. Unikaj niepotrzebnej ekspozycji detektorów (tj. światła w pomieszczeniu), aby uzyskać dokładne surowe dane dla krzywych autokorelacji i zapobiec uszkodzeniu detektorów.
  2. Rozgrzej laserowe źródła światła DCS i SPCM (patrz tabela materiałów), przełączając je do pozycji "włączonej" i pozwalając im pracować przez co najmniej 10 minut (najlepiej minimum 20 minut i maksymalnie 1 godzinę dla optymalnej dokładności i stabilności).
  3. Uruchom oprogramowanie do akwizycji danych DCS oparte na graficznym interfejsie użytkownika, które wyświetla liczbę fotonów dla każdego detektora oraz półilościowe wartości przepływu krwi w czasie rzeczywistym. Dostosuj położenie światłowodu, kąt (powierzchnia światłowodu powinna być prostopadła do powierzchni skóry) i czas akwizycji danych, aby uzyskać sygnał o prędkości co najmniej 5 000 zliczeń/s (dla odpowiedniego stosunku sygnału do szumu) i poniżej 1 000 000 zliczeń/s (aby uniknąć uszkodzenia detektorów) (Rysunek 3A).
  4. Sprawdź wystarczające poziomy liczby fotonów (z kroku 3.3) z każdego detektora, sprawdzając poziom zliczania fotonów i krzywe autokorelacji w czasie zbliżonym do rzeczywistego pokazane na monitorze.
  5. Sprawdź wystarczający kontakt ze światłowodem bez wycieku światła otoczenia, sprawdzając punkt przecięcia y krzywej autokorelacji wyświetlanej na monitorze. Optymalna wartość to ~1,5 bez użycia polaryzatorów (Rysunek 3B).
  6. Sprawdź, czy sonda i pomiary nie są podatne na artefakty ruchu, napinając elastyczną opaskę tak, aby była wystarczająco ciasna, aby wytrzymać ruch, ale wystarczająco luźna, aby zapobiec dyskomfortowi obiektu. Użytkownik powinien również jednocześnie sprawdzić krzywe autokorelacji na monitorze, tak aby krzywa autokorelacji zanikała do 1 przez dłuższy czas korelacji (τ > 10 ms) (Rysunek 3C).

4. Zbieranie danych

  1. Poinstruuj badany, aby zminimalizował wszelkie ruchy podczas 8-minutowego pomiaru.
  2. Wyłącz światła i upewnij się, że fotografowany obiekt siedzi w wygodnej pozycji z zamkniętymi oczami.
  3. Wykonaj podstawowe pomiary FD-fNIRS za pomocą, umieszczając sondę optyczną systemu FD-fNIRS na czole przylegającym do sondy DCS. Następnie naciśnij przycisk "Pobierz" w graficznym interfejsie użytkownika akwizycji FD-fNIRS. Dane te dostarczą statycznych właściwości optycznych, parametrów absorpcji i parametrów rozpraszania (μa, μ), które zostaną wykorzystane do kwantyfikacji dynamicznego parametru optycznego, CBFi17,20.
  4. Po zakończeniu pomiarów FD-fNIRS rozpocznij akwizycję danych w pomiarach optycznych DCS, naciskając przycisk "Uruchom" w graficznym interfejsie użytkownika akwizycji danych DCS. Zbieraj dane łącznie przez 8 minut z maksymalnie 2-sekundowym czasem integracji (preferowany jest krótszy czas, w zależności od stosunku sygnału do szumu dla każdego obiektu).
  5. Jeśli to konieczne, powtórz eksperyment w ciągu 1 godziny od początkowego eksperymentu lub powtórz eksperyment o podobnej porze dnia, aby zmniejszyć zewnętrzne wahania, takie jak zmęczenie, używki lub temperatura.

5. Analiza danych

  1. W przypadku danych FD-fNIRS wyodrębnij właściwości absorpcji i rozpraszania optycznego (μa, μ), które są przetwarzane metodą nachylenia46,47,48,49,50,51,52, 53.
  2. W przypadku DCS, ponieważ wymagane jest przetwarzanie końcowe, należy zaimportować surowe dane automatycznej korelacji z każdego z ośmiu kanałów do oprogramowania do analizy danych.
  3. Kwantyfikacja parametrów związanych z CBF jest szczegółowo opisana w ostatnich recenzjach6,27,54. Krótko mówiąc, z funkcji autokorelacji znormalizowanej intensywności (g2 [r,τ]) wyodrębnij znormalizowaną funkcję autokorelacji czasowej rozproszonego pola elektrycznego (g1 [r,τ]) za pomocą zależności Siegerta: g2 (r,τ) = 1 + β | g 1 (r,τ)|2.
    UWAGA: β jest stałą, proporcjonalną do liczby wykrytych trybów przestrzennych6,17,27,55,56, zakres od 0 do 1, i uzyskany przez dopasowanie (znormalizowanej) funkcji autokorelacji pola elektrycznego g1.
  4. Aby uzyskać parametr związany z przepływem krwi (αDB) z dopasowania, użyj roztworu analitycznego dla g16,27,54 i dopasuj dane do modelu lub szybkości zaniku:
    RÓWNANIE PIERWSZE
    UWAGA: W powyższym równaniu ko jest liczbą falową światła w ośrodku, α jest czynnikiem proporcjonalnym do frakcji objętości krwi w tkankach, a DB jest efektywnym współczynnikiem Browna. αDB można zdefiniować jako wskaźnik przepływu krwi (BFI)6,54 lub CBFi17. W tym przypadku używany jest CBFi.
  5. Dopasuj model korzystając z parametrów optycznych uzyskanych z FD-fNIRS. Główne parametry, do których należy pasować, to CBFi i β.
    UWAGA: Rysunek 3A pokazuje reprezentatywne dane, które są wystarczające do analizy. Dane DCS są odrzucane, jeśli (1) funkcja autokorelacji jest znacznie niższa niż 1,5 (β < 0,5) (tj. w przypadku Rysunek 3B, gdzie funkcja wynosi ~1,2, β < 0,2, z powodu przecieku światła w pomieszczeniu) lub jeśli (2) krzywa autokorelacji nie zanika do 1 przez dłuższy czas korelacji (τ > 10 ms) (tj. w przypadku Rysunek 3C, gdzie artefakt ruchu, taki jak ruch głowicy lub sondy, prowadzi do bezużytecznych danych).
  6. Detrendyzacja ilościowych wyników przy użyciu dopasowania wielomianu drugiego rzędu w celu usunięcia powolnego dryfu (Rysunek 4A).
  7. Użyj zerofazowego filtra Butterwortha drugiego rzędu o paśmie przepustowym 0,009–0,080 Hz, aby usunąć wszelkie niepożądane częstotliwości mózgu, takie jak fale Mayera (Rysunek 4A).
  8. Użyj regresji liniowej, aby uzyskać resztki z każdego kanału w stosunku do pomiaru na krótkim dystansie, aby usunąć sygnały powierzchownej skóry głowy po obu stronach kory mózgowej (Rysunek 4B).
  9. Oblicz współczynnik korelacji Pearsona między każdą parą kanałów, aby zidentyfikować funkcjonalną łączność między regionami mózgu w stanie spoczynku (Rysunek 5).
  10. Przekształć wartość korelacji w wartość Z za pomocą transformacji Z Fishera i wykonaj test t, aby uzyskać wartość p (Rysunek 5). Użyj współczynnika fałszywych wykryć (FDR) do korekcji wielokrotnych porównań.

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

Wyniki

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

Udało się zademonstrować możliwość użycia DCS do pomiaru funkcjonalnej łączności39. Zmierzono funkcjonalną łączność w stanie spoczynku w korze przedczołowej dziewięciu osób. Wyniki (średnia ± SD) wskazują na wyższą korelację w obszarze wewnątrzregionalnym kory lewej (0,64 ± 0,25) i prawej (0,62 ± 0,23) w porównaniu z obszarem międzyregionalnym kory lewej (0,32 ± 0,32), (0,34 ± 0,27) i prawej (0,34 ± 0,29), (0,34 ± 0,26). (Rysunek 5). Przeprowadzono również analizę mocy o potędz...

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

Dyskusja

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

Aby ustalić, czy CBF mierzony przez DCS dokładnie wykrył RSFC, zbadano dwa obszary mózgu o znanych właściwościach RSFC. Zakłada się, że istnieje łączność funkcjonalna między regionami DLFC oraz między DLFC a IFC 57,58,59. Łączność między dwiema lokacjami w lewej i prawej DLFC została wybrana, ponieważ łączność wewnątrzregionalna jest zwykle wyższa. Zdecydowano się również na łączność między IFC a DLFC, ponieważ wiadomo, że łączn...

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

Oświadczenia

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

Autorzy deklarują brak sprzecznych interesów finansowych.

Podziękowania

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

Autorzy pragną podziękować za wsparcie finansowe ze strony Ohio Third Frontier dla Ohio Imaging Research and Innovation Network (OIRAIN, 667750) oraz Narodowej Fundacji Nauk Przyrodniczych Chin (nr 81771876).

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Sonda drukowana w 3DWłasnaN/Awydrukowana w 3D (Craftbot, Craft unique)
785nm, 100mW, CW, Laser sprzężony z FCCrystaLaserDL785-100-S(źródło światła)
korelacjaCorrelator.comFlex05-8-kanałowykomponent DCS (krzywa wyjściowa g2 do komputera)
Graficzny interfejs użytkownika do akwizycji danychWewnętrznyużytkownika nie dotyczyzakodowany w LabVIEW w celu uruchomienia System DCS
Oprogramowanie do analizy danychWłasnykod Matlab N/A używany do uzyskiwania wyników RSFC
Nasadka elektrody EEGOpenBCIN/AEEG ze standardowymi 10/20 pozycjami
Światłowód wielomodowyOZ OptykaQMMJ-3,2.5-IRVIS-600/630-3PCBK-3Komponent DCS (światłowód źródłowy)
Fantom kalibracji OxiplexISS75019, 75020Zestaw 2 PDMS Kalibracja Sonda mięśniowa Phantom
OxiplexISS860104-kanałowa sonda mięśniowa
Pulsoksymetr OxiplexISS95205FD-fNIRS (690nm, 830nm)
Miernik mocyThorlabsPM100DRegulator mocy światła laserowego
Karta czujnikaThorlabsF-IRC1-SLaserowa przeglądarka wiązki IR
Światłowód jednomodowyOZ OptykaSMJ-3S2.5-780-5/125-3PCBK-3Komponent DCS (światłowód detektora)
Maszyna do liczenia pojedynczych fotonówExcelitasSPMC-NIR-1x2-FCKomponent DCS (detektor)
sonda PLA Komponent DCS Automatyczna graficzny interfejs Nasadka z siatki

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Cohen, A. L., et al. Defining functional areas in individual human brains using resting functional connectivity MRI. NeuroImage. 41 (1), 45-57 (2008).
  2. Pizoli, C. E., et al. Resting state activity in development and maintenance of normal brain function. Proceedings of the National Academy of Sciences of the United States of America. 108 (28), 11638-11643 (2011).
  3. Duan, L., Zhang, Y. J., Zhu, C. Z. Quantitative comparison of resting state functional connectivity derived from fNIRS and fMRI: A simultaneous recording study. NeuroImage. 60 (4), 2008-2018 (2012).
  4. White, B. R., et al. Resting state functional connectivity in the human brain revealed with diffuse optical tomography. NeuroImage. 47 (1), 148-156 (2009).
  5. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic resonance in medicine official journal of the Society of Magnetic Resonance in Medicine/Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  6. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering. , (2011).
  7. Zhang, H., et al. Test-retest assessment of independent component analysis-derived resting state functional connectivity based on functional near-infrared spectroscopy. NeuroImage. 55 (2), 607-615 (2011).
  8. Lu, C. M., et al. Use of fNIRS to assess resting state functional connectivity. Journal of Neuroscience Methods. 186 (2), 242-249 (2010).
  9. Zhang, Y. -J., et al. Detecting Resting state Functional Connectivity in the Language System using Functional Near-Infrared Spectroscopy. Journal of Biomedical Optics. 15 (4), 047003(2010).
  10. Fransson, P. Spontaneous low-frequency BOLD signal fluctuations: An fMRI investigation of the resting state default mode of brain function hypothesis. Human Brain Mapping. , (2005).
  11. Li, J., et al. Characterization of autism spectrum disorder with spontaneous hemodynamic activity. Biomedical Optics Express. , (2016).
  12. Sheline, Y. I., Raichle, M. E. Resting state functional connectivity in preclinical Alzheimer's disease. Biological Psychiatry. , (2013).
  13. Mulders, P. C., van Eijndhoven, P. F., Schene, A. H., Beckmann, C. F., Tendolkar, I. Resting state functional connectivity in major depressive disorder: A review. Neuroscience and Biobehavioral Reviews. , (2015).
  14. Kiviniemi, V., et al. Slow vasomotor fluctuation in fMRI of anesthetized child brain. Magnetic Resonance in Medicine. , (2000).
  15. Fransson, P., et al. Resting state networks in the infant brain. Proceedings of the National Academy of Sciences of the United States of America. , (2007).
  16. Durduran, T., Yodh, A. G. Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral blood flow measurement. Neuroimage. 85, 51-63 (2014).
  17. Buckley, E. M., Parthasarathy, A. B., Grant, P. E., Yodh, A. G., Franceschini, M. A. Diffuse correlation spectroscopy for measurement of cerebral blood flow: future prospects. Neurophotonics. 1 (1), 011009(2014).
  18. Buckley, E. M., et al. Cerebral hemodynamics in preterm infants during positional intervention measured with diffuse correlation spectroscopy and transcranial Doppler ultrasound. Optics Express. , (2009).
  19. Dehaes, M., et al. Cerebral oxygen metabolism in neonatal hypoxic ischemic encephalopathy during and after therapeutic hypothermia. Journal of Cerebral Blood Flow. , (2014).
  20. Lin, P. Y., et al. Non-invasive optical measurement of cerebral metabolism and hemodynamics in infants. Journal of Visualized Experiments. , (2013).
  21. Lin, P. Y., et al. Regional and hemispheric asymmetries of cerebral hemodynamic and oxygen metabolism in newborns. Cerebral Cortex. 23 (2), (2013).
  22. Busch, D. R., et al. Cerebral Blood Flow Response to Hypercapnia in Children with Obstructive Sleep Apnea Syndrome. Sleep. , (2016).
  23. Durduran, T., et al. Cerebral oxygen metabolism (CMRO2) reactivity to hypercapnia in neonates with severe congenital heart defects measured with diffuse optics. Journal of Cerebral Blood Flow and Metabolism. , (2009).
  24. Durduran, T., et al. Optical measurement of cerebral hemodynamics and oxygen metabolism in neonates with congenital heart defects. Journal of Biomedical Optics. , (2010).
  25. Mesquita, R. C., Franceschini, M. A., Boas, D. A. Resting state functional connectivity of the whole head with near-infrared spectroscopy. Biomedical optics express. 1 (1), 324-336 (2010).
  26. Boas, D. A., Franceschini, M. A. Haemoglobin oxygen saturation as a biomarker: The problem and a solution. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering. , (2011).
  27. Durduran, T., Yodh, A. G. Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral blood flow measurement. NeuroImage. , (2014).
  28. Yu, G. Diffuse Correlation Spectroscopy (DCS): A Diagnostic Tool for Assessing Tissue Blood Flow in Vascular-Related Diseases and Therapies. Current Medical Imaging Reviews. (8), 194-210 (2012).
  29. Yu, G., Durduran, T., Zhou, C., Cheng, R., Yodh, A. G. Near-Infrared Diffuse Correlation Spectroscopy for Assessment of Tissue Blood Flow. Handbook of Biomedical Optics. , 195-216 (2011).
  30. Selb, J., et al. Sensitivity of near-infrared spectroscopy and diffuse correlation spectroscopy to brain hemodynamics: simulations and experimental findings during hypercapnia. Neurophotonics. 1 (1), (2014).
  31. Cheung, C., et al. In vivo cerebrovascular measurement combining diffuse near-infrared absorption and correlation spectroscopies. Physics in Medicine and Biology. 46 (8), 2053-2065 (2001).
  32. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philos Trans A Math Phys Eng Sci. 369 (1955), 4390-4406 (2011).
  33. Maret, G., Wolf, P. E. Multiple Light Scattering from Disordered Media. The Effect of Brownian Motion of Scatterers. Z. Phys. B - Condensed Matter. 65, 409-413 (1987).
  34. Yu, G. Q. Near-infrared diffuse correlation spectroscopy in cancer diagnosis and therapy monitoring. Journal of Biomedical Optics. 17 (1), (2012).
  35. Carp, S. A., Dai, G. P., Boas, D. A., Franceschini, M. A., Kim, Y. R. Validation of diffuse correlation spectroscopy measurements of rodent cerebral blood flow with simultaneous arterial spin labeling MRI; towards MRI-optical continuous cerebral metabolic monitoring. Biomedical Optics Express. 1 (2), 553-565 (2010).
  36. Roche-Labarbe, N., et al. Near-infrared spectroscopy assessment of cerebral oxygen metabolism in the developing premature brain. Journal of Cerebral Blood Flow. , (2012).
  37. Bergonzi, K. M., Bauer, A. Q., Wright, P. W., Culver, J. P. Mapping functional connectivity using cerebral blood flow in the mouse brain. J Cereb Blood Flow Metab. 35 (3), 367-370 (2015).
  38. Poon, C. S., Li, J., Kress, J., Rohrbach, D. J., Sunar, U. Resting state Functional Connectivity measured by Diffuse Correlation Spectroscopy. Optics InfoBase Conference Papers. , (2018).
  39. Li, J., Poon, C. -S., Kress, J., Rohrbach, D. J., Sunar, U. Resting state functional connectivity measured by diffuse correlation spectroscopy. Journal of Biophotonics. 11 (2), (2018).
  40. Yu, G. Q. Near-infrared diffuse correlation spectroscopy in cancer diagnosis and therapy monitoring. J Biomed Opt. 17 (1), (2012).
  41. Li, J., et al. Measurements of human motor and visual activities with diffusing-wave spectroscopy. Novel Optical Instrumentation for Biomedical Applications II. 5864, 58640(2005).
  42. Wang, D., et al. Fast blood flow monitoring in deep tissues with real-time software correlators. Biomedical Optics Express. 7 (3), 776(2016).
  43. Boas, D. A., Yodh, A. G. Spatially varying dynamical properties of turbid media probed with diffusing temporal light correlation. Journal of the Optical Society of America a-Optics Image Science and Vision. 14 (1), 192-215 (1997).
  44. Diop, M., Lee, T. -Y., St. Lawrence, K. Continuous monitoring of absolute cerebral blood flow by combining diffuse correlation spectroscopy and time-resolved near-infrared technology. Spie. 7896, 78960(2011).
  45. Medical, I. ISS Oxiplex Manual. , (2008).
  46. Fantini, S., et al. Quantitative optical monitoring of the hemoglobin concentration and saturation in the piglet brain. Biomedical Optical Spectroscopy and Diagnostics. , (2000).
  47. Hueber, D. M., et al. Non-invasive and quantitative near-infrared haemoglobin spectrometry in the piglet brain during hypoxic stress, using a frequency-domain multidistance instrument. Physics in Medicine and Biology. , (2001).
  48. Zhang, J., et al. Application of I&Q detection system in scouting the curative effect of neck squamous cell carcinoma. Optical Tomography and Spectroscopy of Tissue V. , (2003).
  49. Zhao, J., Ding, H. S., Hou, X. L., Le Zhou, C., Chance, B. In vivo determination of the optical properties of infant brain using frequency-domain near-infrared spectroscopy. Journal of Biomedical Optics. , (2005).
  50. Tu, T., Chen, Y., Zhang, J., Intes, X., Chance, B. Analysis on performance and optimization of frequency-domain near-infrared instruments. Journal of Biomedical Optics. , (2002).
  51. Choe, R., et al. Transabdominal near infrared oximetry of hypoxic stress in fetal sheep brain in utero. Proceedings of the National Academy of Sciences of the United States of America. , (2003).
  52. Sunar, U., et al. Noninvasive diffuse optical measurement of blood flow and blood oxygenation for monitoring radiation therapy in patients with head and neck tumors: a pilot study. Journal of Biomedical Optics. 11 (6), (2006).
  53. Sunar, U., et al. Hemodynamic responses to antivascular therapy and ionizing radiation assessed by diffuse optical spectroscopies. Optics Express. , (2007).
  54. Durduran, T., Choe, R., Baker, W. B., Yodh, A. G. Diffuse Optics for Tissue Monitoring and Tomography T. Rep Prog Phys. 73 (7), (2010).
  55. Boas, D. A., Campbell, L. E., Yodh, A. G. Scattering and imaging with diffusing temporal field correlations. Physical Review Letters. , (1995).
  56. Boas, D. A., Yodh, A. G. Spatially varying dynamical properties of turbid media probed with diffusing temporal light correlation. Journal of the Optical Society of America A. , (1997).
  57. Chuang, C. -C., Sun, C. -W. Gender-related effects of prefrontal cortex connectivity: a resting state functional optical tomography study. Biomedical Optics Express. 5 (8), 2503(2014).
  58. Okamoto, M., et al. Multimodal assessment of cortical activation during apple peeling by NIRS and fMRI. NeuroImage. , (2004).
  59. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. , (2009).
  60. Farzam, P., et al. Shedding light on the neonatal brain: Probing cerebral hemodynamics by diffuse optical spectroscopic methods. Scientific Reports. , (2017).
  61. Shang, Y., Li, T., Yu, G. Clinical applications of near-infrared diffuse correlation spectroscopy and tomography for tissue blood flow monitoring and imaging. Physiological Measurement. , (2017).
  62. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philos Trans A Math Phys Eng Sci. 369 (1955), 4390-4406 (2011).
  63. Durduran, T., et al. Diffuse optical measurement of blood flow, blood oxygenation, and metabolism in a human brain during sensorimotor cortex activation. Optics Letters. , (2004).
  64. Kim, M. N., et al. Noninvasive measurement of cerebral blood flow and blood oxygenation using near-infrared and diffuse correlation spectroscopies in critically brain-injured adults. Neurocritical Care. , (2010).
  65. Irwin, D., et al. Influences of tissue absorption and scattering on diffuse correlation spectroscopy blood flow measurements. Biomedical Optics Express. , (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 w stanie spoczynkusondy optycznekora przedczo owapomiar przep ywu krwimonitorowanie nieinwazyjneFD fNIRSzliczanie pojedynczych foton w

Powiązane artykuły