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

Ogólnym celem następującego eksperymentu jest uzyskanie map statystycznych porównujących różnice w skanach fMRI stanu spoczynkowego pomiędzy zdrowymi osobami kontrolnymi a pacjentami z epilepsją. Cel ten zostaje osiągnięty poprzez pozyskanie danych fMRI od badanych z padaczką płata skroniowego oraz od zdrowych osób z grupy kontrolnej.

W drugim kroku przeprowadzany jest wstępny przetwarzanie obrazowania fMRI, co przygotowuje dane do analizy statystycznej. Następnie analizowane są wstępnie przetworzone dane fMRI w celu uzyskania statystycznie istotnych porównań między dwiema grupami. Wyniki wykazują różnice w sieciach mózgowych u pacjentów z epilepsją w porównaniu do sieci mózgowych zdrowych osób z grupy kontrolnej.

Na podstawie różnic statystycznych w mapach sieci mózgowych między tymi dwiema grupami staje się coraz bardziej oczywiste, że nawet epilepsje objawiające się napadami ogniskowymi są emergentnymi właściwościami rozproszonych zaburzeń sieciowych. Pomysł na tę technikę pojawił się po uznaniu znaczenia sieci DEF Favo podczas napadów i zastanowieniu się, czy domyślna sieć LO jest nieprawidłowa pomiędzy napadami w epilepsji płata skroniowego. Populacja badawcza dla tego protokołu powinna obejmować trzy grupy, prawda?

Pacjenci z padaczką płata skroniowego, pacjenci z padaczką lewego płata skroniowego oraz zdrowa grupa kontrolna. Zaleca się udział łącznie około 35 osób. Grupy pacjentów z padaczką powinny składać się z osób z zdiagnozowaną padaczką płata skroniowego, takich jak kandydaci do przedniego wycięcia płata skroniowego, co potwierdzono w badaniu wideo-EEG, obrazowaniu PET oraz testach neuropsychologicznych; należy upewnić się, że wszyscy uczestnicy mają prawidłowe wyniki rezonansu magnetycznego mózgu i nie cierpią na żadne inne schorzenia neurologiczne poza padaczką w grupach pacjentów.

Przed rozpoczęciem obrazowania należy uzyskać zgodę IRB oraz pisemną świadomą zgodę od wszystkich badanych oraz przeprowadzić badanie pod kątem bezpieczeństwa MRI. Pacjenci powinni kontynuować przyjmowanie standardowych leków podczas skanowania fMRI i nie powinni być poddawani badaniu bezpośrednio po napadzie. Do wszystkich obrazowań opisanych w niniejszym protokole należy użyć systemu MRI o natężeniu pola trzech Tesli.

Uzyskaj przekroje osiowe dla obrazów funkcjonalnych, stosując sekwencję obrazowania echo-planar, a dla obrazów anatomicznych zastosuj sekwencję spoiled gradient recalled. Poproś uczestników o rozluźnienie się i pozostanie w bezruchu z zamkniętymi oczami, a następnie wykonaj obrazowanie funkcjonalne, stosując parametry przedstawione tutaj. Zastosuj również następujące parametry dla strukturalnego obrazowania wysokiej rozdzielczości S PGR T1-weighted.

Każda sesja obrazowania powinna trwać około 20 minut. Rozpocznij od wstępnego przetwarzania danych FMRI przy użyciu oprogramowania FSL First. Wykorzystaj FSL MFL do usunięcia artefaktów wynikających z ruchów głowy.

Następnie należy użyć narzędzia FSL brain extraction tool lub BET, aby usunąć tkankę pozaobózkową z mózgu, stosując opcję -f dla plików bold. Pozwala to na przeprowadzenie kolejnych etapów analizy wyłącznie na tkance mózgowej. Następnie w fMRI należy przeprowadzić analizę z minimalnym przetwarzaniem i rejestracją.

Wybierz analizę pierwszego poziomu i zmień pełną analizę na statystykę wstępną (pre stats) za pomocą dwóch górnych przycisków. Następnie w zakładce statystyki wstępnej odznacz opcję wycinania mózgu (bet brain extraction) oraz wybierz opcję „none” dla korekcji ruchu, ponieważ czynności te zostały już wykonane. Następnie zarejestruj obrazy funkcjonalne do obrazów anatomicznych, a potem do standardowego obrazu MNI.

Dẫn do do generowania macierzy transformacji, które są wykorzystywane później podczas analizy do przekształcenia ziarna wybranego w przestrzeni standardowej do przestrzeni mózgu badanego. Następnie, używając wygenerowanej macierzy transformacji o nazwie standard to example funk dot mat, przekształć ROI płynu mózgowo-rdzeniowego i białej istoty do indywidualnej przestrzeni BOLD. Następnie, korzystając z polecenia FSL mean TS, wyekstrahuj serie czasowe z ROI płynu mózgowo-rdzeniowego i białej istoty.

Wykorzystując ROI w przestrzeni poszczególnych badanych jako maskę, należy znormalizować wyekstrahowane szeregi czasowe przy użyciu oprogramowania R. Szeregi czasowe te zostaną później użyte jako regresory w ogólnym modelu liniowym w celu usunięcia odpowiadających im sygnałów artefaktowych z analizy. Kolejnym krokiem jest usunięcie artefaktów związanych z ruchem badanego. W celu regresji parametrów ruchu.

Przed pierwszym uruchomieniem programu w karcie danych należy ustawić następujące parametry w FSL feet: jako dane wejściowe wybrać plik po korekcji ruchu i ekstrakcji mózgu, a wartość TR ustawić zgodnie z Twoim zbiorem danych. Skonfiguruj filtr górnoprzepustowy, używając filtra 102nd, co usunie sygnały o bardzo niskiej częstotliwości, które nie są istotne. Filtr dolnoprzepustowy służący do usunięcia sygnałów wysokiej częstotliwości zostanie zastosowany później w karcie pres stats.

W sekcji korekcji ruchu nie wybieraj żadnej opcji i odznacz ją, ale zaznacz ekstrakcję mózgu. Ponieważ kroki te zostały już wykonane, przeprowadź wygładzanie przestrzenne, używając pełnej szerokości połówki maksimum wynoszącej 5 mm. Następnie w karcie statystyk wykonaj regresję sześciu parametrów ruchu oraz ich pochodnych czasowych.

Wybierz opcję „none” dla splotu (convolution) i zaznacz „apply temporal filtering”. Użyj wyników z F slmic flirt, aby uzyskać pliki tekstowe z parametrami ruchu, które następnie mogą zostać wprowadzone do analizy feet w celu regresji tych parametrów w ogólnym modelu liniowym (GLM). Dodaj również do GLM sygnały z CSF i białej substancji, które zostały wyekstrahowane i znormalizowane w poprzednich krokach.

Wybierz opcję „none” (brak) dla splotu. Dodaj pochodną czasową i odznacz opcję stosowania filtrowania czasowego. Pozostałości z opisanego powyżej wstępnego przetwarzania powinny zostać wykorzystane do korelacji opartej na ziarnach.

Pozostałe wartości te powinny zostać najpierw przepuszczone przez filtr PESS o niskiej częstotliwości 0,1 Hz, a następnie poddane centrowaniu poprzez odjęcie średniej, podzieleniu przez odchylenie standardowe i przeskalowaniu poprzez dodanie 100. Ziarno powinno zostać zdefiniowane z średnicą sześciu milimetrów w standardowej przestrzeni MNI. Przy użyciu oprogramowania MRIcron ziarna tylne i przednie powinny odpowiadać współrzędnym widocznym tutaj.

Należy zwrócić uwagę, że lokalizacje tych obszarów seed zostały zdefiniowane w ramach zdrowej grupy kontrolnej. Następnie obszary seed powinny zostać przekształcone z przestrzeni standardowej MNI do indywidualnej funkcjonalnej przestrzeni mózgu każdego badanego. W tym celu należy użyć macierzy transformacji wygenerowanej wcześniej, aby przekształcić seed z przestrzeni standardowej m i i do indywidualnej przestrzeni funkcjonalnej.

Następnie należy użyć polecenia FSL mean Ts w celu wyodrębnienia szeregów czasowych z uprzednio odjętego od średniej i przeskalowanego residuum, wykorzystując obszar ziarna w przestrzeni indywidualnego badanego jako maskę. Wyekstrahowane szeregi czasowe należy znormalizować przy użyciu oprogramowania R. Korelacje cząstkowe między wokselami ziarna a wszystkimi wokselami mózgu powinny być obliczane oddzielnie dla każdego badanego i dla każdego przebiegu.

W tym celu w interfejsie FSL FEAT należy wybrać analizę pierwszego poziomu (first level analysis), a następnie w zakładce danych (data tab) opcję stats plus post stats. Jako dane wejściowe należy wykorzystać wcześniej odjęte od średniej i przeskalowane residua. W zakładce statystyk (stats tab) należy ustawić częstotliwość odcięcia filtra górnoprzepustowego na 10 000, ponieważ residua zostały już poddane filtracji górnoprzepustowej przy 100 sekundach.

Odznacz opcję „use film pre whitening” i użyj wcześniej wyekstrahowanych oraz znormalizowanych szeregów czasowych sygnału (seed time series). W module GLM w zakładce „post stats” ustaw pożągany próg statystyki Z na wartość 2.0 przed uruchomieniem analizy grupowej. Przy łączeniu pomiarów w obrębie tych samych osób należy przeprowadzić transformację Fishera Z dla kontrastów oszacowań parametrów.

Plik wygenerowany z analizy korelacji; skopiuj dane rejestracyjne z katalogu reg analizy stóp do przebiegu korelacji. Przeprowadź analizę wyższego poziomu, łącząc przebiegi w obrębie każdego badanego. Najpierw wybierz analizę wyższego poziomu, a następnie statystykę oraz statystykę post-hoc.

Następnie w zakładce danych wybierz opcję, w której wejściami są katalogi niższego poziomu (feet directories), a w zakładce statystyk wprowadź przebiegi badanych osób. Wybierz efekty mieszane (mixed effects). W przypadku prostego modelu OLS ustaw efekt średni jako model i przypisz wartość jeden do każdego z przebiegów badanych osób.

Aby połączyć dane z nadmiarowych serii pomiarów między badanymi, należy zastosować prostą analizę efektów mieszanych metodą najmniejszych kwadratów (OLS). W tym celu w zakładce danych należy wybrać analizę wyższego poziomu (higher level analysis) oraz opcje „stats plus post stats”. Jako wejścia (inputs) należy wybrać katalogi stóp niższego poziomu, a w zakładce statystyk wprowadzić połączone serie pomiarów badanych, wybierając opcję efektów mieszanych (mixed effects). W ustawieniach prostego OLS należy zdefiniować model jako trzy grupy i wprowadzić wartość jeden dla grupy.

Każdy obiekt zostaje przypisany do zera. W przeciwnym razie analizę grupową każdego woksela należy przeprowadzić za pomocą jednoczynnikowej analizy wariancji (ANOVA) z trzema poziomami odpowiadającymi trzem grupom do progowania. W obrazach statystyki Z zastosowano próg tworzenia klastrów Z większe niż 2,0 oraz skorygowany próg istotności klastrów P równe 0,05, aby uzyskać poprawne wartości Z na mapie korelacji.

Wyniki należy poddać odwrotnej transformacji Z Fishera. Na koniec należy zastosować specyficzne kontrasty widoczne tutaj na ekranie. Rysunek przedstawia sieć stanu spoczynkowego (DMN) ujawnioną poprzez łączność z ziarnem tylnym, w tym retro splenium oraz precuneus w kolorach od czerwonego do żółtego, oraz z ziarnem przednim, w tym brzuszno-przyśrodkową korę przedczołową w kolorach od niebieskiego do zielonego.

Pierwszy wiersz przedstawia sieć dla grupy kontrolnej, drugi wierszy dla osób z lewostronną padaczką płata skroniowego, a dolny wiersz dla osób z prawostronną padaczką płata skroniowego. Następne ryciny porównują te sieci pomiędzy tymi trzema grupami. Przedstawiono tutaj sieci stanu spoczynkowego (DMN) wyłonione przy użyciu przedniego i tylnego punktu nasiennego dla połączonej grupy z prawostronną i lewostronną padaczką płata skroniowego w porównaniu z grupą kontrolną.

Na tej figurze przedstawiono sieci stanu spoczynkowego (DMN) ujawnione przy zastosowaniu tych samych punktów startowych wyłącznie dla lewostronnej padaczki płata skroniowego w porównaniu z grupą kontrolną osób zdrowych. Kolejna figura prezentuje sieci ujawnione wyłącznie dla prawostronnej padaczki płata skroniowego w porównaniu z grupą kontrolną osób zdrowych, a na końcu widzimy sieci stanu spoczynkowego ujawnione z przednim i tylnym punktem startowym dla lewostronnej padaczki płata skroniowego w porównaniu z prawostronną padaczką płata skroniowego. Badania łączności funkcjonalnej obejmujące cały mózg są niezbędne do zrozumienia fundamentalnych mechanizmów padaczki.

W tym eksperymencie zastosowaliśmy technikę opartą na ziarnie (seed-based technique), aby ocenić łączność z siecią stanu spoczynkowego (default mode network). Interesujące będzie porównanie wyników uzyskanych przy użyciu innych technik w badaniach nad padaczką płata skroniowego.