Name: Analiza sieciowa sieci w trybie domyślnym z wykorzystaniem rezonansu magnetycznego łączności funkcjonalnej w padaczce skroniowej (Wideo) | JoVE Journal
Uploaded: 2014-08-05T14:00:00.000+00:00
Duration: 12 min 9 s
Description: Poznaj analizę sieciową DMN w padaczce skroniowej przy użyciu rezonansu magnetycznego łączności funkcjonalnej. Ta metoda pozwala porównać aktywność mózgu między pacjentami a grupą kontrolną.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Finansowanie tych badań zostało zapewnione przez The Epilepsy Foundation of America, Baylor College of Medicine Computational and Integrative Biomedical Research Center (CIBR) Seed Grant Awards (ZH); NIH-NINDS K23 Grant NS044936 (JMS); oraz The Leff Family Foundation (JMS). Pozyskiwanie danych pomogło: Elizabeth Pierce (UCLA).

1. Tematy
<ol>
	<li>Badana populacja składająca się z 36 osób obejmuje 3 grupy: prawe TLE (n=11), lewe TLE (n=12) i zdrowe (n=13). Uzyskaj pisemną świadomą zgodę od wszystkich uczestników. Badanie jest zgodne z wytycznymi Institutional Review Board Uniwersytetu Kalifornijskiego w Los Angeles (UCLA).</li>
	<li>Grupami pacjentów z padaczką powinni być pacjenci, którzy są kandydatami do resekcji przedniego płata skroniowego, zgodnie z ustaleniami za pomocą monitorowania wideo-EEG, rezonansu magnetycznego mózgu, obrazowania PET i testów neuropsychologicznych. Pacjenci powinni kontynuować przyjmowanie zwykłych leków podczas badania fMRI i nie powinni być badani bezpośrednio po napadzie. Upewnij się, że wszyscy pacjenci mają prawidłowy rezonans magnetyczny mózgu i są wolni od chorób neurologicznych (innych niż padaczka w grupach pacjentów) lub stosują leki neurologiczne.</li>
</ol>
2. Obrazowanie
<ol>
	<li>Do obrazowania należy użyć systemu MRI o mocy 3 Tesli. Uzyskaj przekroje osiowe dla obrazów funkcjonalnych przy użyciu sekwencji obrazowania echa płaskiego (EPI) oraz dla obrazów anatomicznych przy użyciu sekwencji przywołanej w uszkodzonym gradimencie (SPGR).</li>
	<li>Wykonaj obrazowanie funkcjonalne przy użyciu następujących parametrów: TR = 2 000 ms, TE = 30 ms, FOV = 210 mm, matryca = 64 x 64, grubość warstwy 4 mm, 34 warstwy. Do obrazowania strukturalnego w wysokiej rozdzielczości należy użyć następujących parametrów: TR = 20 ms, TE = 3 ms, FOV = 256 mm, matryca = 256 x 256, grubość plastra 1 mm, 160 warstw.</li>
	<li>Każda sesja obrazowania powinna trwać 20 minut. Poproś uczestników, aby zrelaksowali się z zamkniętymi oczami. Nie jest wymagane żadne specjalne wejście słuchowe.</li>
</ol>
3. Wstępne przetwarzanie danych BOLD
<ol>
	<li>Wstępnie przetwórz dane fMRI przy użyciu oprogramowania FSL (fMRIB Software Library) w wersji 4.1.6 (Oxford, Wielka Brytania, www.fmrib.ox.ac.uk/fsl)13,14. Etapy przetwarzania wstępnego powinny obejmować następujące elementy: Użyj FSL MCFLIRT, aby usunąć artefakt ruchu głowy15. Użyj FSL BET, aby usunąć tkankę niemózgową16 z opcją BET -F dla plików BOLD. Pomaga to w przeprowadzaniu dalszych etapów analizy samej tkanki mózgowej.</li>
	<li>W FEAT uruchom minimalnie przetworzoną analizę z rejestracją. Wybierz "Analiza pierwszego poziomu" i zmień "Pełna analiza" na "Statystyki wstępne" z dwóch górnych przycisków.
	<ol>
		<li>W zakładce Pre-stats odznacz "Ekstrakcja mózgu BET" i wybierz "Brak" dla "Korekcji ruchu" (tak jak to już zostało zrobione powyżej). Zarejestruj obrazy funkcjonalne (BOLD) na obrazach anatomicznych (SPGR), a następnie na obrazie standardowym (MNI). Powoduje to wygenerowanie macierzy transformacji, które są używane później podczas analizy do wypaczania nasion wybranych w przestrzeni standardowej do przestrzeni mózgowej badanego.</li>
	</ol>
	</li>
	<li>Użyj wygenerowanej macierzy transformacji (o nazwie "standard2example_func.mat") i przekształć zwrot z inwestycji w płyn mózgowo-rdzeniowy i istotę białą w indywidualną przestrzeń BOLD.
	<ol>
		<li>Wyodrębnij szeregi czasowe z ROI płynu mózgowo-rdzeniowego i istoty białej za pomocą polecenia fslmeants, używając zwrotu z inwestycji w indywidualnej przestrzeni obiektu jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania "R". Te szeregi czasowe są później używane jako regresory w OML w celu usunięcia odpowiednich sygnałów artefaktów z analizy.</li>
	</ol>
	</li>
	<li>Następnym krokiem jest usunięcie artefaktów związanych z ruchem obiektu. Aby uzyskać regresję parametrów ruchu, przed uruchomieniem FSL FEAT należy ustawić następujące elementy.
	<ol>
		<li>Na karcie danych użyj pliku z korekcją ruchu i wyodrębnionym mózgiem jako danych wejściowych, ustaw wartość TR tak, aby odpowiadała zestawowi danych. Ustaw filtrowanie górnoprzepustowe przy użyciu filtru 100 sekund. Filtrowanie górnoprzepustowe usunie sygnały, które nie są interesujące, które mają bardzo niską częstotliwość. Filtr dolnoprzepustowy do usuwania sygnałów o wysokiej częstotliwości zostanie zastosowany w dalszej części kroku 4.1.</li>
		<li>W zakładce Pre-stats wybierz "Brak" w sekcji "Korekcja ruchu", tak jak to już zostało zrobione. Odznacz "Ekstrakcja mózgu BET", ponieważ zostało to już zrobione. Wygładzanie przestrzenne należy wykonać przy użyciu półmaksimum (FWHM) przy pełnej szerokości 5 mm.</li>
		<li>W zakładce statystyk przeprowadź regresję 6 parametrów ruchu i ich pochodnych czasowych. Wybierz "Brak" dla konwolucji i zaznacz "Zastosuj filtrowanie czasowe". Użyj danych wyjściowych FSL MCFLIRT, aby uzyskać pliki tekstowe z parametrami ruchu, które można następnie wprowadzić do modelu analizy FEAT w celu ich regresji w ogólnym modelu liniowym (GLM)</li>
		<li>Dodaj również sygnały płynu mózgowo-rdzeniowego i istoty białej, które zostały wyodrębnione i znormalizowane w poprzednich krokach, do GLM. Wybierz "Brak" dla konwolucji, dodaj pochodną czasową i odznacz "Zastosuj filtrowanie czasowe".</li>
	</ol>
	</li>
</ol>
4. Metody statystyczne
<ol>
	<li>Pozostałości z przetwarzania wstępnego opisane powyżej powinny być wykorzystane do korelacji opartej na nasionach. Reszty te należy najpierw przepuścić przez filtr dolnoprzepustowy 0,1 Hz, następnie pomniejszać przez odjęcie średniej, podzielenie przez odchylenie standardowe, a następnie przeskalowanie przez dodanie 100. Nasiona powinny być zdefiniowane o średnicy 6 mm w standardowej przestrzeni MNI za pomocą oprogramowania MRICron.</li>
	<li>Nasiona tylne i przednie powinny odpowiadać następującym współrzędnym: (1) region RSP / PCUN (x = 2, y = -60, z = 36) i (2) brzuszno-przyśrodkowa kora przedczołowa (vmPFC; x = 3, y = 60, z = -1). Te lokalizacje nasion zostały zdefiniowane w kontrolkach w dobrej kondycji i są przekształcane do przestrzeni tematu w następnym kroku17-19.
	<ol>
		<li>Nasiona powinny być następnie przekształcone do indywidualnej funkcjonalnej przestrzeni mózgu każdego badanego ze standardowej przestrzeni MNI. W tym celu należy użyć wygenerowanej powyżej macierzy transformacji (o nazwie "standard2example_func.mat"), aby przekształcić ziarno z przestrzeni standardowej (MNI) do przestrzeni indywidualnej funkcjonalnej (BOLD).</li>
		<li>Użyj polecenia fslmeants, aby wyodrębnić szereg czasowy z poprzednio pomniejszonej i przeskalowanej reszty, używając ziarna w indywidualnej przestrzeni podmiotu jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania "R".</li>
	</ol>
	</li>
	<li>Częściowe korelacje między wokselami nasiennymi a wszystkimi innymi wokselami mózgu powinny być obliczane oddzielnie dla każdego badanego dla każdego przebiegu. W tym celu w FSL FEAT GUI wybierz "Analiza pierwszego poziomu", a następnie "Statystyki + Post-statystyki". W zakładce Dane, poprzednio zdegradowana i przeskalowana reszta powinna być używana jako dane wejściowe do FEAT.</li>
	<li>Ustaw odcięcie filtra górnoprzepustowego na 10 000, ponieważ pozostałość jest już wysoko przekroczona po 100 sekundach. Na karcie Statystyki odznacz opcję "Użyj wstępnego wybielania FILMU" i użyj wcześniej wyodrębnionych i znormalizowanych szeregów czasowych nasion w GLM. Na karcie Post-stats ustaw żądany próg Z-stat na wartość 2.0.</li>
	<li>Przed przeprowadzeniem analizy grupowej łączącej przebiegi w obrębie badanych należy przeprowadzić transformację Z Fishera na pliku COPE (Contrast of Parameter Estimates) wygenerowanym na podstawie poprzednio przeprowadzonej analizy korelacji (krok 4.3). Skopiuj dane rejestracyjne z katalogu "reg" analizy FEAT wykonanej w kroku 3.1 do przebiegu korelacji w kroku 4.3. </li>
	<li>Przeprowadź analizę wyższego poziomu, łącząc przebiegi w ramach każdego tematu. W tym celu w FSL FEAT GUI wybierz "Analiza wyższego poziomu", a następnie "Statystyki + Post-statystyki". W zakładce "Dane" wybierz "Dane wejściowe są katalogami FEAT niższego poziomu" i wprowadź przebiegi tematu z kroku 4.4. W zakładce "Statystyki" wybierz "Efekty mieszane: Prosty OLS". Ustawianie modelu jako efektu średniego; Wprowadź wartość 1 dla każdego przebiegu tematu.</li>
	<li>Aby połączyć dane z różnych obiektów, należy użyć zwykłej analizy najmniejszych kwadratów (OLS) prostej analizy efektów mieszanych. W tym celu w FSL FEAT GUI wybierz "Analiza wyższego poziomu" i "Statystyki + Post-statystyki". Na karcie Dane wybierz opcję "Dane wejściowe są katalogami FEAT niższego poziomu" i wprowadź łączone przebiegi tematów z kroku 4.5.</li>
	<li>Na karcie Statystyki wybierz "Efekty mieszane: prosty OLS" Ustaw model jako 3 grupy; wprowadź wartość 1 dla grupy, do której należy każdy temat, w przeciwnym razie 0. Analiza grupowa powinna być przeprowadzona na każdym wokselu przy użyciu jednokierunkowej ANOVA z trzema poziomami, które odpowiadały trzem grupom (prawe TLE, lewe TLE i zdrowe grupy kontrolne).</li>
	<li>Do progowania obrazów statystycznych Z wykorzystuje się próg tworzenia klastrów Z > 2,0 i skorygowany próg istotny dla klastra p=0,05 20. Aby uzyskać poprawne wartości Z na mapie korelacji, należy wykonać odwrotną transformację Z Fishera na wynikach.</li>
	<li>Należy porównać następujące specyficzne kontrasty: (1) prawe kontrole TLE >; (2) lewe elementy sterujące > TLE; (3) prawy TLE > lewy TLE; (4) lewe TLE > prawe TLE; (5) sterowanie > prawe TLE; (6) sterowanie > lewym TLE; (7) TLE (kombinowany prawy i lewy) > sterowania; oraz (7) sterowanie > TLE (kombinowane w prawo i w lewo).</li>
</ol>

<ol><li>Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+MRI%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Functional connectivity in the motor cortex of resting human brain using echo-planar MRI.</a> Magn. Reson. Med. 34, 537-541 (1995).</li>
<li>Fox, M. D., Greicius, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+applications+of+resting+state+functional+connectivity%5BTitle%5D)+AND+%22Front.+Syst.+Neurosci%22%5BJournal%5D)">Clinical applications of resting state functional connectivity.</a> Front. Syst. Neurosci. 4, 1-13 (2010).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Electroencephalographic+signatures+of+attentional+and+cognitive+default+modes+in+spontaneous+brain+activity+fluctuations+at+rest%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest.</a> Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).</li>
<li>Shmuel, A., Leopold, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuronal+correlates+of+spontaneous+fluctuations+in+fMRI+signals+in+monkey+visual+cortex%3A+Implications+for+functional+connectivity+at+rest%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest.</a> Hum. Brain Mapp. 29, 751-761 (2008).</li>
<li>Margulies, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+developments%3A+a+review+of+fMRI+post-processing+methodologies+for+spontaneous+brain+activity%5BTitle%5D)+AND+%22Magn.+Mater.+Phys.+Biol%22%5BJournal%5D)">Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity.</a> Magn. Mater. Phys. Biol. 23, 289-307 (2010).</li>
<li>Biswal, B. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+discovery+science+of+human+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Toward discovery science of human brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).</li>
<li>Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effect+of+lateralized+temporal+lobe+epilepsy+on+the+default+mode+network%5BTitle%5D)+AND+%22Epilepsy+Behav%22%5BJournal%5D)">Effect of lateralized temporal lobe epilepsy on the default mode network.</a> Epilepsy Behav. 25, 350-357 (2012).</li>
<li>Pillai, J. J., Williams, H. T., Faro, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+imaging+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Semin.+Ultrasound.+CT+MR%22%5BJournal%5D)">Functional imaging in temporal lobe epilepsy.</a> Semin. Ultrasound. CT MR. 28, 437-450 (2007).</li>
<li>Blumenfeld, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Positive+and+negative+network+correlations+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Cereb.+Cortex%22%5BJournal%5D)">Positive and negative network correlations in temporal lobe epilepsy.</a> Cereb. Cortex. 14, 892-902 (2004).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nucl.+Med.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).</li>
<li>Fransson, P., Marrelec, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+precuneus%2Fposterior+cingulate+cortex+plays+a+pivotal+role+in+the+default+mode+network%3A+Evidence+from+a+partial+correlation+network+analysis%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis.</a> Neuroimage. 42, 1178-1184 (2008).</li>
<li>Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+brain%27s+default+network%5BTitle%5D)+AND+%22Ann.+N.+Y.+Acad.+Sci%22%5BJournal%5D)">The brain's default network.</a> Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).</li>
<li>Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+autocorrelation+in+univariate+linear+modeling+of+FMRI+data%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Temporal autocorrelation in univariate linear modeling of FMRI data.</a> Neuroimage. 14, 1370-1386 (2001).</li>
<li>Forman, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+assessment+of+significant+activation+in+functional+magnetic+resonance+imaging+%28fMRI%29%3A+use+of+a+cluster+size+threshold%5BTitle%5D)+AND+%22Magn.+Reson.+Med%22%5BJournal%5D)">Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold.</a> Magn. Reson. Med. 33, 636-647 (1995).</li>
<li>Jenkinson, M., Bannister, P., Brady, M., Smith, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+optimization+for+the+robust+and+accurate+linear+registration+and+motion+correction+of+brain+images%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Improved optimization for the robust and accurate linear registration and motion correction of brain images.</a> Neuroimage. 17, 825-841 (2002).</li>
<li>Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+robust+automated+brain+extraction%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Fast robust automated brain extraction.</a> Hum. Brain Mapp. 17, 143-155 (2002).</li>
<li>Raichle, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+default+mode+of+brain+function%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">A default mode of brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).</li>
<li>Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+of+default+mode+network+components%3A+correlation%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Functional connectivity of default mode network components: correlation.</a> Hum. Brain Mapp. 30, 625-637 (2009).</li>
<li>Singh, K. D., Fawcett, I. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transient+and+linearly+graded+deactivation+of+the+human+default-mode+network+by+a+visual+detection+task%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Transient and linearly graded deactivation of the human default-mode network by a visual detection task.</a> Neuroimage. 41, 100-112 (2008).</li>
<li>Worsley, K. J., Evans, A., Marrett, S., Neelin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+three-dimensional+statistical+analysis+for+CBF+activation+studies+in+human+brain%5BTitle%5D)+AND+%22J.+Cereb.+Blood+Flow+Metab%22%5BJournal%5D)">A three-dimensional statistical analysis for CBF activation studies in human brain.</a> J. Cereb. Blood Flow Metab. 12, 900-918 (1992).</li>
<li>Spencer, S. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+networks+in+human+epilepsy%3A+evidence+of+and+implications+for+treatment%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Neural networks in human epilepsy: evidence of and implications for treatment.</a> Epilepsia. 43, 219-227 (2002).</li>
<li>Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default-mode+network+activity+distinguishes+Alzheimer%27s+disease+from+healthy+aging%3A+evidence+from+functional+MRI%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI.</a> Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).</li>
<li>Kennedy, D. P., Redcay, E., Courchesne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Failing+to+deactivate%3A+resting+functional+abnormalities+in+autism%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Failing to deactivate: resting functional abnormalities in autism.</a> Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).</li>
<li>Garrity, A. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Aberrant+%26%2334%3Bdefault+mode%26%2334%3B+functional+connectivity+in+schizophrenia%5BTitle%5D)+AND+%22Am.+J.+Psychiatry%22%5BJournal%5D)">Aberrant &#34;default mode&#34; functional connectivity in schizophrenia.</a> Am. J. Psychiatry. 164, 450-457 (2007).</li>
<li>Mannell, M. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+state+and+task-induced+deactivation%3A+A+methodological+comparison+in+patients+with+schizophrenia+and+healthy+controls%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls.</a> Hum. Brain Mapp. 31, 424-437 (2010).</li>
<li>Jones, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Age-related+changes+in+the+default+mode+network+are+more+advanced+in+Alzheimer+disease%5BTitle%5D)+AND+%22Neurology%22%5BJournal%5D)">Age-related changes in the default mode network are more advanced in Alzheimer disease.</a> Neurology. 77, 1524-1531 (2011).</li>
<li>Kobayashi, Y., Amaral, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Macaque+monkey+retrosplenial+cortex+II.+Cortical+afferents%5BTitle%5D)+AND+%22J.+Comp.+Neurol%22%5BJournal%5D)">Macaque monkey retrosplenial cortex II. Cortical afferents.</a> J. Comp. Neurol. 466, 48-79 (2003).</li>
<li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Eur.+J.+Nuclear+Med.+Mol.+Imaging%22%5BJournal%5D)">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).</li>
<li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+lobe+interictal+epileptic+discharges+affect+cerebral+activity+in+%E2%80%9Cdefault+mode%E2%80%9D+brain+regions%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions.</a> Hum. Brain Mapp. 28, 1023-1032 (2007).</li>
<li>Morgan, V. L., Gore, J. C., Abou-Khalil, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+epileptic+network+in+left+mesial+temporal+lobe+epilepsy+detected+using+resting+fMRI%5BTitle%5D)+AND+%22Epilepsy+Res%22%5BJournal%5D)">Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI.</a> Epilepsy Res. 88, 168-178 (2010).</li>
<li>Gotman, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generalized+epileptic+discharges+show+thalamocortical+activation+and+suspension+of+the+default+state+of+the+brain%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain.</a> Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).</li>
<li>Hamandi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EEG-fMRI+of+idiopathic+and+secondarily+generalized+epilepsies%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">EEG-fMRI of idiopathic and secondarily generalized epilepsies.</a> Neuroimage. 31, 1700-1710 (2006).</li>
<li>Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Patterns+of+altered+functional+connectivity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Patterns of altered functional connectivity in mesial temporal lobe epilepsy.</a> Epilepsia. 53, 1013-1023 (2012).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+abnormalities+in+mesial+temporal+lobe+epilepsy%3A+a+study+combining+fMRI+and+DTI%5BTitle%5D)+AND+%22Hum.+Brain+Mapp%22%5BJournal%5D)">Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI.</a> Hum. Brain Mapp. 32, 883-895 (2011).</li>
<li>Pereira, F. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Asymmetrical+hippocampal+connectivity+in+mesial+temporal+lobe+epilepsy%3A+evidence+from+resting+state+fMRI%5BTitle%5D)+AND+%22BMC+Neurosci%22%5BJournal%5D)">Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI.</a> BMC Neurosci. 11, 1-13 (2010).</li>
<li>Dupont, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bilateral+hemispheric+alteration+of+memory+processes+in+right+medial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22J.+Neurol.+Neurosurg.+Psychiatr%22%5BJournal%5D)">Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy.</a> J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).</li>
<li>Vlooswijk, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+MRI+in+chronic+epilepsy%3A+associations+with+cognitive+impairment%5BTitle%5D)+AND+%22Lancet+Neurol%22%5BJournal%5D)">Functional MRI in chronic epilepsy: associations with cognitive impairment.</a> Lancet Neurol. 9, 1018-1027 (2010).</li>
<li>McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Default+mode+network+connectivity+indicates+episodic+memory+capacity+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Epilepsia%22%5BJournal%5D)">Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy.</a> Epilepsia. 54, (2013).</li>
<li>Zhang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+spontaneous+neuronal+activity+of+the+default-mode+network+in+mesial+temporal+lobe+epilepsy%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy.</a> Brain Res. 1323, 152-160 (2010).</li>
<li>Horovitz, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoupling+of+the+brain%27s+default+mode+network+during+deep+sleep%5BTitle%5D)+AND+%22Proc.+Natl.+Acad.+Sci.+U.S.A%22%5BJournal%5D)">Decoupling of the brain's default mode network during deep sleep.</a> Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).</li>
<li>Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+local+coherence+in+the+default+mode+network+due+to+sevoflurane+anesthesia%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">Altered local coherence in the default mode network due to sevoflurane anesthesia.</a> Brain Res. 1318, 110-121 (2010).</li>
</ol>

Dr Engel jest finansowany przez NIH Grants P01 NS02808, R01 NS33310 i U01 NS42372, posiada patenty WO 2009/123734A1 i WO 2009/123735A1, otrzymuje tantiemy od MedLink, Wolters Kluwer, Blackwell i Elsevier oraz otrzymał honoraria od Medtronics, Wolters Kluwer i Best Doctors. Dr Stern służył jako płatny konsultant dla UCB i Lundbeck. Dr Stern jest redaktorem MedLink Neurology i otrzymał tantiemy od Wolters Kluwer i McGraw-Hill. Pozostali autorzy nie mają żadnych ujawnień ani konfliktów interesów, które mogliby zadeklarować.

Uważa się, że padaczka jest chorobą sieciową, a nieprawidłowości zaangażowanych sieci są obecne podczas napadów i w stanie międzynapadowym21. Oparty na zadaniach fMRI został wykorzystany do analizy nieprawidłowości w sieciach językowych i pamięciowych w TLE8. FcMRI ma nieodłączne zalety w badaniu DMN12 , ponieważ jest to sieć aktywna głównie w stanie spoczynku. DMN to sieć regionów mózgu, która okazała się aktywna u osób obudzonych, które nie są zakłócone i są zaangażowane w spontaniczne ...

Funkcjonalna łączność MRI (fcMRI) to stosunkowo nowe podejście analityczne do danych fMRI, które określa ilościowo związek między różnymi regionami mózgu na podstawie podobieństwa ich szeregów czasowych sygnałów zależnych od poziomu natlenienia krwi (BOLD) - nazywa się to "funkcjonalną" łącznością i można ją odróżnić od anatomicznej łączności, która opisuje istnienie fizycznych połączeń między regionami (np., włókna istoty białej). W szczególnym zastosowaniu tego podejścia szeregi czasowe są zbierane, gdy uczestnik nie jest zaangażowany w zadanie lub znajduje się w tak zwanym "stanie spoczynku".
Chociaż po raz pierwszy opisany w 1995roku 1, zainteresowanie fcMRI było ogromne, co zaowocowało około 1000 publikacji związanych z tą techniką w 2012 roku. fcMRI ma wewnętrzne zalety w porównaniu z fMRI opartym na zadaniach, ponieważ (1) nie ma konkretnego zadania do wykonania, (2) współpraca z podmiotem nie jest konieczna, (3) zestawy danych mogą być używane do przeszukiwania kilku różnych sieci, (4) lepszy stosunek sygnału do szumu występuje prawdopodobnie ze względu na różnice w zaangażowanej energetyce mózgowej oraz (5) obejście zakłóceń związanych z zadaniami2. Jako dowód słuszności tej koncepcji, wykazano, że zmiany w fcMRI odpowiadają zmianom wEEG3 i lokalnych potencjałachpola4 w mózgu.
Techniki analizy fcMRI obejmują techniki oparte na ROI/nasionach, analizę niezależnych składowych (ICA), analizę teorii grafów, analizę przyczynowości Grangera, metody lokalne (amplituda fluktuacji o niskiej częstotliwości, analiza jednorodności regionalnej) i inne5. Żadna pojedyncza technika nie wykazała jeszcze wyraźnej wyższości nad inną, chociaż najpopularniejszymi metodami są metody oparte na nasionach i metody ICA6. Oparty na nasionach fcMRI koreluje czasowe fluktuacje sygnału BOLD z wcześniej wybranej części badanej domniemanej sieci, zwanej "ziarnem" lub "regionem zainteresowania (ROI)" do wszystkich innych części mózgu. Uważa się, że obszary mózgu wykazujące sygnał BOLD korelujący z obszarem zalążkowym wyznaczają części zaangażowanej sieci. W przeciwieństwie do tego, ICA wykorzystuje bezmodelową analizę opartą na danych do wyodrębnienia czasowo skorelowanych przestrzennie obszarów mózgu (Independent Components, ICs) poprzez analizę charakterystyki sygnału hemodynamicznego całego mózgu5.
W obecnym manuskrypcie przedstawiono opis metod użytych w wcześniej opublikowanym badaniu analizy połączeń DMN w stanie spoczynku na podstawie nasionw TLE 7. TLE jest najczęstszą postacią padaczki u dorosłych. Oprócz napadów padaczkowych, TLE powoduje dysfunkcję wielu sieci mózgowych, w tym pamięci, zachowania, myśli i funkcji sensorycznych8. DMN składa się z obszarów mózgowych podporządkowujących się świadomemu poznaniu w stanie spoczynku. Doniesiono, że DMN bierze udział w napadach związanych ze zmniejszeniem świadomości9,10. Ponadto hipokamp jest kluczową strukturą zaangażowaną w TLE i uważa się, że jest składnikiem DMN. Jednak połączenie PCC z formacją hipokampa jest słabsze niż w przypadku innych składników DMN, takich jak przyśrodkowa kora przedczołowa i dolna kora ciemieniowa. Sugeruje to, że hipokamp jest albo podsiecią DMN, albo siecią oddziałującą11,12. Te podobieństwa między TLE i DMN zwiększają prawdopodobieństwo, że funkcjonalna łączność DMN jest zmieniona w TLE. Analiza ta porównuje DMN osób z TLE ze zdrowymi osobami z grupy kontrolnej, aby uzyskać wgląd w udział DMN w TLE. Przeanalizowano łączność nasion umieszczonych w głównych węzłach DMN - przednich i tylnych regionach węzła12. Nasiona umieszczono w tylnym piaście składającym się z retrosplenium/przedklinka (Rsp/PCUN), a także w przednim piaście składającym się z brzuszno-przyśrodkowej kory przedczołowej (vmPFC) u pacjentów z TLE i w zdrowych osobach kontrolnych w celu zidentyfikowania tylnej i przedniej podsieci DMN.

<table><tbody><tr><td>Stacja robocza MRI</td><td></td><td></td><td></td></tr><tr><td>z systemem Linux z zainstalowanym</td><td></td><td></td><td></td> oprogramowaniem do analizy obrazu</tr></tbody></table>

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

Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

Funkcjonalna łączność MRI (fcMRI) to metoda fMRI, która bada połączenia różnych obszarów mózgu na podstawie korelacji fluktuacji sygnału BOLD w czasie. Padaczka skroniowa (TLE) jest najczęstszym rodzajem padaczki u dorosłych i obejmuje wiele sieci mózgowych. Sieć trybu domyślnego (DMN) bierze udział w świadomym poznawaniu w stanie spoczynku i uważa się, że jest zaburzona w TLE, gdzie napady powodują upośledzenie świadomości. DMN w padaczce badano za pomocą fcMRI na bazie nasion. W tej analizie jako nasiona wykorzystano przednie i tylne piasty DMN. Wyniki wskazują na rozłączenie między przednimi i tylnymi piastami DMN w TLE w stanie podstawowym. Ponadto ujawnia się zwiększona łączność DMN z innymi obszarami mózgu w lewym TLE wraz ze zmniejszoną łącznością w prawym TLE. Analiza pokazuje, w jaki sposób fcMRI oparte na nasionach można wykorzystać do badania sieci mózgowych w zaburzeniach mózgu, takich jak TLE.

Rycina 1 przedstawia DMN ujawnioną za pomocą łączności z tylnego ziarna (Rsp/ PCUN, kolory czerwono-żółte) oraz przedniego ziarna (vmPFC, kolory niebiesko-zielone) i porównuje sieci znalezione w różnych grupach badanych (Ryciny 1A-C) oraz między sobą, mianowicie zdrowe osoby kontrolne w porównaniu ze wszystkimi pacjentami z TLE (Ryciny 1D i 1E), a następnie zdrowe osoby kontrolne w porównaniu osobno z lewostronną TLE (Ryciny 1F i <strong...

Sieć trybu domyślnego (DMN) w padaczce skroniowej (TLE) jest analizowana w stanie spoczynku mózgu za pomocą rezonansu magnetycznego (fcMRI) opartego na nasionach.

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

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal ...

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.

network-analysis-default-mode-network-using-functional-connectivity

Research

JoVE Journal

Medicine

Medycyna

Analiza sieci domyślnej za pomocą czynnościowej rezonansu magnetycznego w padaczce płata skroniowego

Stosujemy magnetoencefalografię (MEG) oraz elektroencefalografię (EEG) w celu zmapowania obszarów mózgu zaangażowanych w przetwarzanie prostych bodźców sensorycznych.

Mapowanie funkcjonalne z jednoczesną rejestracją MEG i EEG

W niniejszym artykule omawiamy metodologię oraz kwestie istotne dla łączenia TMS i fMRI w celu zbadania wpływu stymulacji mózgu na sieć stanu spoczynkowego.

Połączenie przezczaszkowej stymulacji magnetycznej i fMRI w celu zbadania sieci aktywności spoczynkowej (Default Mode Network)

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

Źródło: Shafi, M. M., et al. Multimodalna metoda obrazowania i stymulacji oceny pobudliwości mózgu związanej z łącznością u pacjentów z padaczką. J. Vis. Exp. (2016)Film przedstawia procedurę stosowania przezczaszkowej stymulacji magnetycznej (TMS) i elektroencefalografii (EEG) do oceny pobudliwości neuronalnej u pacjentów z padaczką. Szczegółowo opisuje kroki ustawiania głowy pacjenta za pomocą wcześniej nagranego skanu mózgu, umieszczania cewki TMS nad funkcjonalnie połączonym celem korowym i...

Ocena nadpobudliwości mózgu za pomocą przezczaszkowej stymulacji magnetycznej i elektroencefalografii

Ten protokół opisuje uzupełniające techniki neuroobrazowania połączeń strukturalnych w stanie spoczynku, dezaktywacji wywołanej zadaniem i analiz połączeń strukturalnych w celu zbadania domyślnej sieci w zespole stresu pourazowego. Zastosowanie metod synergicznych może potencjalnie prowadzić do poprawy diagnostyki i oceny ciężkości, wyników i innych istotnych czynników klinicznych.

Opracowywanie fenotypów neuroobrazowania sieci trybu domyślnego w PTSD: integracja stanu spoczynku, pamięci roboczej i łączności strukturalnej

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.

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

Ten protokół opisuje procedurę śledzenia ewolucji pomiarów sieci mezjalnej u pacjentów z padaczką skroniową (TLE). Opiera się on na połączeniu zapisów wewnątrzczaszkowych z nowatorską techniką numeryczną do analizy danych. W szczególności przedstawiamy protokół do analiz sieciowych nagrań otworu owalnego.

Analiza sieciowa zapisów elektrod otworu owalnego u pacjentów z lekooporną padaczką skroniową

Metoda obrazowania multimodalnego EEG-fMRI, znana jako metoda obrazowania źródła EEG ograniczona czasoprzestrzennie za pomocą fMRI, jest opisana tutaj. Przedstawiona metoda wykorzystuje warunkowo aktywne submapy fMRI lub wcześniejsze mapy, aby pokierować lokalizacją źródła EEG w sposób, który poprawia specyficzność przestrzenną i ogranicza błędne wyniki.

Jednoczesny zapis EEG i funkcjonalny rezonans magnetyczny oraz analiza integracji w celu dynamicznego obrazowania aktywności kory mózgowej

Standardowe techniki analizy EEG oferują ograniczony wgląd w funkcjonowanie układu nerwowego. Wyprowadzanie modeli statystycznych połączeń korowych daje znacznie większe możliwości badania podstawowej dynamiki sieci. Poprawa oceny funkcjonalnej otwiera nowe możliwości diagnozowania, prognozowania i przewidywania wyników w chorobach układu nerwowego.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

Ten artykuł szczegółowo opisuje procedury rejestracji jednoczesnego elektroencefalogramu i funkcjonalnego rezonansu magnetycznego (EEG-fMRI), które mogą być stosowane zarówno w warunkach klinicznych, jak i badawczych. Uwzględniono również procedury przetwarzania EEG w celu usunięcia artefaktów obrazowania do oceny klinicznej. Niniejsze badanie koncentruje się na przykładzie padaczki w okresie międzynapadowym.

Konfiguracja sprzętu i usuwanie artefaktów do jednoczesnego elektroencefalogramu i funkcjonalnego rezonansu magnetycznego do oceny klinicznej w padaczce

Nowatorski protokół spersonalizowanej przezczaszkowej stymulacji magnetycznej w połączeniu z mapowaniem sieci korowych za pomocą elektroencefalografii (TMS–EEG), oparty na wielu modalnościach obrazowania metodą rezonansu magnetycznego (MRI).

Neuroobrazowanie TMS-EEG do mapowania sieci korowej w czasie rzeczywistym

Poznaj analizę sieciową DMN w padaczce skroniowej przy użyciu rezonansu magnetycznego łączności funkcjonalnej. Ta metoda pozwala porównać aktywność mózgu między pacjentami a grupą kontrolną.

Analiza sieciowa sieci w trybie domyślnym z wykorzystaniem rezonansu magnetycznego łączności funkcjonalnej w padaczce skroniowej (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów