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

Ogólnym celem poniższego eksperymentu jest uzyskanie map statystycznych. Porównanie różnic w skanach FMRI stanu spoczynku między zdrową grupą kontrolną a pacjentami z padaczką. Osiąga się to poprzez uzyskanie danych FMRI u osób z padaczką skroniową, a także u zdrowych osób z grupy kontrolnej.

W drugim kroku FMRI jest wstępnie przetwarzany, który przygotowuje dane do analizy statystycznej. Następnie wstępnie przetworzone dane FMRI są analizowane w celu uzyskania statystycznie ważnych porównań między obiema grupami. Uzyskano wyniki, które pokazują różnice w sieciach mózgowych wśród pacjentów z padaczką w porównaniu z sieciami mózgowymi zdrowych osób z grupy kontrolnej.

Opierając się na statystycznych różnicach w mapach sieci mózgowych między tymi dwiema grupami, staje się coraz bardziej oczywiste, że nawet padaczki, które objawiają się napadami ogniskowymi, są wyłaniającymi się właściwościami rozproszonych zaburzeń sieci. Pomysł na tę technikę pojawił się po uznaniu znaczenia sieci DEF Favo podczas napadów i zastanowieniu się, czy domyślna sieć LO jest nieprawidłowa między napadami w padaczce skroniowej. Populacja badawcza dla tego protokołu powinna obejmować trzy grupy, prawda?

Pacjenci z padaczką skroniową, pacjenci z padaczką lewego płata skroniowego, a także osoby zdrowe. W sumie zalecanych jest około 35 przedmiotów. Grupami pacjentów z padaczką powinni być pacjenci, u których zdiagnozowano padaczkę skroniową, tacy jak kandydaci do resekcji przedniego płata skroniowego zgodnie z obrazem wideo, monitorowaniem EEG, obrazowaniem PET i testami neuropsychologicznymi, które zapewniają, że wszyscy pacjenci mają prawidłowy rezonans magnetyczny mózgu i są wolni od chorób neurologicznych innych niż padaczka w grupach pacjentów.

Uzyskaj zgodę IRB i pisemną świadomą zgodę od wszystkich uczestników przed obrazowaniem i badaniem przesiewowym w kierunku rezonansu magnetycznego. Bezpieczeństwo. Pacjenci powinni kontynuować przyjmowanie zwykłych leków podczas badania FMRI i nie powinni być badani bezpośrednio po napadzie. System rezonansu magnetycznego o trzech Teslach powinien być używany do wszystkich obrazowań opisanych w tym protokole.

Uzyskaj przekroje osiowe dla obrazów funkcjonalnych za pomocą sekwencji obrazowania echo płaskiego, a dla obrazów anatomicznych użyj zepsutej sekwencji przywołanej gradientu. Poproś uczestników, aby zrelaksowali się i pozostali nieruchomo z zamkniętymi oczami oraz wykonali funkcjonalne obrazowanie przy użyciu parametrów, jak pokazano tutaj. Należy również użyć następujących parametrów dla obrazowania strukturalnego o wysokiej rozdzielczości S PGR T one weighted.

Każda sesja obrazowania powinna trwać około 20 minut. Zacznij od wstępnego przetworzenia danych FMRI za pomocą oprogramowania FSL. Użyj FSL MFL, aby usunąć artefakt ruchu głowy.

Następnie użyj narzędzia do ekstrakcji mózgu FSL lub BET, aby usunąć tkankę inną niż mózg za pomocą opcji kreska F dla pogrubionych plików. Pozwala to na dalsze etapy analizy samej tkanki mózgowej. Następnie w stopach uruchom minimalnie przetworzoną analizę z rejestracją.

Wybierz analizę pierwszego poziomu i zmień pełną analizę na statystyki wstępne za pomocą dwóch górnych przycisków. Następnie w zakładce statystyk pres odznacz ekstrakcję mózgu zakładu i wybierz brak dla korekcji ruchu, ponieważ zostały one już wykonane. Następnie zarejestruj obrazy funkcjonalne na obrazach anatomicznych, a następnie na standardowym obrazie MNI.

Powoduje to wygenerowanie macierzy transformacji, które są używane później podczas analizy do wypaczenia ziarna wybranego w przestrzeni standardowej do przestrzeni mózgu badanego. Następnie użyj wygenerowanej macierzy transformacji o nazwie standard, aby przykleić funk dot mat i przekształcić zwrot z inwestycji w płyn mózgowo-rdzeniowy i istotę białą w indywidualną pogrubioną przestrzeń. Następnie za pomocą polecenia FSL mean TS wyodrębnij szeregi czasowe z ROI płynu mózgowo-rdzeniowego i istoty białej.

Używając ROI w indywidualnej przestrzeni tematycznej jako maski, znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania R. Te szeregi czasowe zostaną później użyte jako regresory w ogólnym modelu liniowym w celu usunięcia odpowiednich sygnałów artefaktów z analizy. Następnym krokiem jest usunięcie artefaktów związanych z ruchem obiektu. Do regresji parametrów ruchu.

Ustaw następujące elementy w stopach FSL przed uruchomieniem go najpierw na karcie danych, użyj pliku z korekcją ruchu i wyodrębnionym mózgiem jako danych wejściowych i ustaw wartość TR tak, aby odpowiadała Twojemu zestawowi danych. Ustaw filtrowanie górnoprzepustowe za pomocą filtra 102nd, który usunie sygnały o bardzo niskiej częstotliwości, które nie są interesujące. Filtr dolnoprzepustowy do usuwania sygnałów o wysokiej częstotliwości zostanie zastosowany później w zakładce statystyk pres

Nie wybierz opcji Brak w obszarze Korekcja ruchu i odznacz, ale ekstrakcja mózgu. Po wykonaniu tych kroków wykonaj wygładzanie przestrzenne przy użyciu maksymalnie połowy szerokości pięciu milimetrów. Następnie w zakładce statystyk dokonaj regresji sześciu parametrów ruchu i ich pochodnych czasowych.

Zaznacz brak dla konwolucji i zaznacz opcję zastosuj filtrowanie czasowe. Użyj danych wyjściowych F selmic flirt, aby uzyskać pliki tekstowe z parametrami ruchu, które można następnie wprowadzić do analizy stóp w celu ich regresji w ogólnym modelu liniowym. Dodaj również sygnały płynu mózgowo-rdzeniowego i istoty białej, które zostały wyodrębnione i znormalizowane w poprzednich krokach, do GLM.

Zaznacz opcję Brak dla konwolucji. Dodaj pochodną czasową i odznacz opcję zastosuj filtrowanie czasowe. Pozostałości z przetwarzania wstępnego opisane powyżej należy wykorzystać do korelacji opartej na nasionach.

Reszty te należy najpierw przepuścić przez niski filtr PESS 0,1 herca, następnie pomniejszać przez odjęcie średniej, podzielenie przez odchylenie standardowe, a następnie przeskalowanie przez dodanie 100 nasion należy zdefiniować o średnicy sześciu milimetrów. W standardowej przestrzeni MNI. Korzystając z oprogramowania koronowego MRI, nasiona tylne i przednie powinny odpowiadać współrzędnym, jak pokazano tutaj.

Należy pamiętać, że te lokalizacje nasion zostały zdefiniowane w ramach zdrowych kontroli. Nasiona powinny być następnie przekształcone do indywidualnej funkcjonalnej przestrzeni mózgu każdego badanego ze standardowej przestrzeni MNI. W tym celu należy użyć wcześniej wygenerowanej macierzy transformacji, aby przekształcić ziarno ze standardowej przestrzeni m i i i do indywidualnej przestrzeni funkcjonalnej.

Następnie użyj polecenia FSL mean Ts, aby wyodrębnić szereg czasowy z poprzednio pomniejszonej i przeskalowanej reszty. Używanie ziarna w indywidualnej przestrzeni tematycznej jako maski. Znormalizuj wyodrębnione szeregi czasowe za pomocą oprogramowania R Częściowe korelacje między wokselami nasiennymi a wszystkimi ich wokselami mózgowymi powinny być obliczane osobno dla każdego obiektu dla każdego przebiegu.

W tym celu w interfejsie stóp FSL wybierz analizę pierwszego poziomu, a następnie statystyki plus statystyki postów w zakładce danych. Poprzednio zdegradowana i przeskalowana reszta powinna być wykorzystana jako dane wejściowe. Ustaw odcięcie filtra górnoprzepustowego na 10 000, ponieważ reszta jest już wysoka i przechodzi po 100 sekundach w zakładce statystyk.

Usuń zaznaczenie opcji Użyj wstępnego wybielania filmu i użyj wcześniej wyodrębnionych i znormalizowanych szeregów czasowych nasion. W GLM na karcie statystyk postów ustaw żądany próg statystyki Z na wartość 2,0 przed uruchomieniem analizy grupowej. Łącząc przebiegi w obrębie obiektów, transformację Fishera Z należy przeprowadzić na kontraście oszacowań parametrów.

Plik wygenerowany na podstawie analizy korelacji, skopiuj dane rejestracyjne z katalogu reg analizy stóp do przebiegu korelacji. Przeprowadź analizę wyższego poziomu, łącząc przebiegi w ramach każdego tematu. Najpierw wybierz analizę wyższego poziomu, a następnie statystyki plus statystyki postów.

Następnie w zakładce danych wybierz dane wejściowe są katalogami stóp niższego poziomu i wprowadź przebiegi tematu w zakładce statystyk. Wybierz efekty mieszane. Prosty OLS konfiguruje model jako średni efekt i wprowadza wartość jeden dla każdego z przebiegów obiektów.

Aby połączyć przekroczenie danych między obiektami, należy użyć do tego zwykłej prostej analizy efektów mieszanych metodą najmniejszych kwadratów, wybierz analizę wyższego poziomu i statystyki oraz statystyki postów w zakładce danych. Wybierz dane wejściowe jako katalogi stóp niższego poziomu i wprowadź połączone przebiegi podmiotu w zakładce statystyk, wybierz efekty mieszane. Prosty OLS konfiguruje model jako trzy grupy, wprowadź wartość jeden dla grupy.

Każdy temat należy do zera. W przeciwnym razie analiza grupowa powinna być przeprowadzona na każdym wokselu przy użyciu jednokierunkowej innova z trzema poziomami, które odpowiadają trzem grupom do progu. Obrazy statystyczne Z wykorzystują próg tworzenia klastrów Z większy niż 2,0 i skorygowany próg istotny dla klastra P równy 0,05 w celu uzyskania prawidłowych wartości Z na mapie korelacji.

Na wynikach należy przeprowadzić odwrotną transformację Z rybaka. Na koniec użyj następujących konkretnych kontrastów, jak widać na ekranie tutaj. Ten rysunek przedstawia sieć trybu domyślnego ujawnioną z łącznością z tylnego nasienia, w tym retro splenium i precuneus w kolorze czerwono-żółtym oraz w przednim nasieniu, w tym przyśrodkową korę przedczołową w kolorach niebiesko-zielonym.

Pierwszy wiersz przedstawia sieć dla osób kontrolnych, drugi wiersz dla padaczki lewego płata skroniowego, a dolny wiersz dla padaczki prawego płata skroniowego. Na poniższych wykresach porównano te sieci między tymi trzema grupami. Tutaj widzimy sieci trybu domyślnego ujawnione z przednim i tylnym nasieniem dla połączonej padaczki prawego i lewego płata skroniowego w porównaniu ze zdrowymi kontrolami.

Ten rysunek pokazuje sieci trybu domyślnego, które ujawniły się z tymi samymi punktami zalążkowymi tylko dla padaczki lewego płata skroniowego w porównaniu ze zdrowymi osobami z grupy kontrolnej. Podczas gdy ten rysunek pokazuje sieci ujawnione dla padaczki prawego płata skroniowego tylko w porównaniu ze zdrowymi kontrolami, i wreszcie tutaj widzimy sieci trybu domyślnego ujawnione z przednim i tylnym nasieniem dla padaczki lewego płata skroniowego w porównaniu z padaczką prawego płata skroniowego. Badania nad połączeniami funkcjonalnymi, które obejmują cały mózg, są niezbędne do zrozumienia podstawowych mechanizmów padaczki.

W tym eksperymencie użyliśmy techniki opartej na ziarnach, aby ocenić łączność z siecią w trybie domyślnym. Ciekawie będzie zobaczyć, jak inne techniki wypadają w porównaniu z wynikami badania padaczki skroniowej.