Name: Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych (Wideo) | JoVE Journal
Uploaded: 2017-08-07T15:00:00.000+00:00
Duration: 8 min 43 s
Description: Poznaj analizę przyczynowości Grangera w badaniu skierowanej łączności funkcjonalnej mózgu u pacjentów z chorobą Alzheimera i łagodnymi zaburzeniami poznawczymi. Metoda ta umożliwia obiektywną ocenę stopnia zaawansowania choroby.

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

Autorzy dziękują Gongjun JI za wsparcie w zakresie oprogramowania komputerowego. Badania te były częściowo wspierane przez Narodową Fundację Nauk Przyrodniczych Chin (nr 81201156, 81271517); Chińska Fundacja Nauk Przyrodniczych Prowincji Zhejiang (nr LY16H180007, LY13H180016, 2013C33G1360236) oraz Fundacji Naukowej Komisji Zdrowia Prowincji Zhejiang (nr 2013RCA001, 201522257).

To badanie zostało zatwierdzone przez Komisję Etyki Szpitala Ludowego Prowincji Zhejiang. Każdy uczestnik podpisał pisemną świadomą zgodę.
1. Klasyfikacja i kontrola próbek
<ol>
	<li>Diagnoza i podział 116 pacjentów na grupy z AD i MCI. 
	UWAGA: Do identyfikacji i klasyfikacji MCI należy skorzystać z kryteriów diagnostycznych National Institute of Neurological and Communicative Disorders and Stroke and Stroke z 2011 r. oraz kryteriów diagnostycznych Stowarzyszenia Choroby Alzheimera i Zaburzeń Pokrewnych (NINCDS-ADRDA) oraz kryteriów Mini-Mental State Examination (MMSE), które są szczegółowo opisane w Yu i wsp.10</li>
	<li>Wybierz uczestników w zdrowej grupie kontrolnej. 
	UWAGA: Wiek, płeć i poziom wykształcenia grupy kontrolnej zostały dopasowane do pacjentów w grupach MCI i AD.</li>
	<li>Oceń wszystkie przedmioty według MMSE10.</li>
	<li>Wyklucz osoby, które nie spełniały kryteriów włączenia. Dla wszystkich badanych kryteria wykluczenia są wymienione w Yu i wsp.10</li>
	<li>Użyj MRI do skanowania obiektów; wyklucz osoby, których dane są bezużyteczne z powodu ruchów głowy. 
	UWAGA: Ostatecznie przeprowadziliśmy badania przesiewowe 26 pacjentów z MCI, 32 pacjentów z AD i 58 osób z grupy kontrolnej.</li>
</ol>
2. Akwizycja neuroobrazowania
<ol>
	<li>Usuń metalowe i magnetyczne przedmioty przed wejściem do laboratorium rezonansu magnetycznego 3.0 T.</li>
	<li>Zainstaluj cewkę odbiorczą MRI na łóżku skanowania rezonansu magnetycznego. Cewka odbiorcza to 8-kanałowa, spolaryzowana kołowo cewka fazowa mózgu.</li>
	<li>Poinstruuj uczestnika, aby położył się na łóżku i pozostał na wznak z głową wysuniętą do przodu, a długa oś ciała wzdłuż długiej osi łóżka. Umieść głowę uczestnika na wsporniku cewki i upewnij się, że linia oczodołowo-mięsna jest prostopadła do łóżka.</li>
	<li>Powiedz uczestnikowi, aby ułożył kończyny górne po bokach ciała, miał zamknięte oczy, nie myślał o niczym szczególnym i poruszał się tak mało, jak to możliwe podczas skanowania. Umieść piankowe podkładki na głowie w obustronnym obszarze skroniowym, aby zapobiec ruchom głowy i zapewnij słuchawki, aby zmniejszyć hałas skanera dla uczestnika. 
	UWAGA: Wymiary podkładki piankowej to: długa średnica = 13 cm, krótka średnica = 10 cm, najgrubsza grubość = 7 cm, najcieńsza grubość = 3 cm, średnia grubość = 5 cm.</li>
	<li>Dostosuj pozycję głowy za pomocą światła pozycjonującego tak, aby strzałkowy kursor pozycjonowania znajdował się w linii środkowej twarzy, a kursor pozycjonowania osi był równoległy do bocznego kąta. Następnie przesuń łóżko tak, aby kursor pozycjonowania osi znajdował się na brwiach lub 2 cm poniżej.</li>
	<li>Przesuń głowicę do środka magnesu. Wykonaj skan mózgu fMRI, w tym gradientowe obrazowanie echo-planarne (EPI-BOLD) i obrazowanie 3D-T1-MPRAGE. 
	UWAGA: Użyj następujących parametrów: 
	EPI-BOLD: TR/TE = 2,000/30 ms, grubość warstwy/rozstaw warstwy = 3,2/0,8 mm, 31 warstw, matryca = 64 x 64, FOV = 220 x 220 mm, rozmiar woksela = 3 x 3 x 4 mm, kąt odwrócenia = 90 °, czas skanowania 484 s i łącznie 240 skanowanych obrazów. 
	Obrazowanie 3D-T1-MPRAGE: TR/TE = 8,5/3,2 ms, kąt odwrócenia = 15 °, pole widzenia = 250 x 250 mm, matryca = 256 x 256, liczba warstwy = 176, grubość/przerwa warstwy = 1/0 mm, czas skanowania 353 s i łącznie 192 skanowane obrazy.</li>
	<li>Zadbaj o bezpieczeństwo pacjenta, gdy opuszcza łóżko po zakończeniu skanowania.</li>
</ol>
3. Wstępne przetwarzanie danych
UWAGA: Analizuj surowe dane dla funkcji mózgu w stanie spoczynku, korzystając z zestawu narzędzi do analizy danych w stanie spoczynku fMRI (rs-fMRI) plus (RESTplus).
<ol>
	<li>Otwórz RESTplus przez MATLAB i kliknij lewym przyciskiem myszy Potok.</li>
	<li>Zaimportuj odpowiednie pliki do RESTplus. Wybierz katalog roboczy, a następnie początkowe katalogi EPI i T1.</li>
	<li>Konwertuj pliki DICOM na NIFTI. Zaznacz pole DICOM do NIFTI w przetwarzaniu wstępnym i zaznacz parametry EPI DICOM do NIFTU i T1 DICOM do NIFTI.</li>
	<li>Usuń pierwsze 10 punktów czasowych, zaznaczając opcję Usuń pierwsze n punktów czasowych i ustawiając parametr n na 10.</li>
	<li>Ustaw czas wycinka zgodnie z parametrami rs-fMRI. Zaznacz pole Czas plasterka. Ustaw numer wycinka zgodnie z parametrami rs-fMRI badania. Wprowadź kolejność wycinków. 
	UWAGA: Akwizycja danych z każdej warstwy skanu mózgu nie odbywa się w tym samym punkcie czasowym, a zatem musi być skalibrowana do tego samego punktu czasowego.</li>
	<li>Popraw czas i ruch głowy. Zaznacz Realign. 
	UWAGA: Kryterium wykluczenia nadmiernego ruchu głowy było przesunięcie >2,0 mm lub obrót o >2,0 ° w dowolnym kierunku. W RESTplus jest to parametr domyślny (kliknij lewym przyciskiem myszy opcję "Wyrównaj").</li>
	<li>Wykonaj normalizację przestrzenną przy użyciu ujednoliconej segmentacji obrazu T1 i wszystkich głowic ustandaryzowanych do tej samej przestrzeni. Zaznacz opcję Normalizuj i pozostaw domyślne parametry na dole. Wybierz opcję Normalizuj przy użyciu ujednoliconej segmentacji obrazu T1 i parametrów europejskich. 
	UWAGA: Ponownie próbkuj obrazy rs-fMRI z wokselami 3 × 3 × 3 mm, a inne parametry w RESTplus są domyślne, wystarczy kliknąć lewym przyciskiem myszy opcję "Normalizuj przy użyciu ujednoliconej segmentacji obrazu T1".</li>
	<li>Wykonaj wygładzanie przestrzenne przy użyciu izotropowego jądra Gaussa o pełnej szerokości w połowie maksimum (FWHM) wynoszącej 6 mm. Zaznacz opcję Wygładzanie.</li>
	<li>Usuń trend liniowy, zaznaczając opcję Detrend.</li>
	<li>Regresja sygnałów z regresorów uciążliwości (WM, CSF, Global) w celu zwiększenia stosunku sygnału do szumu. Zaznacz Regresję współzmiennych uciążliwości i następujące parametry: 6 parametrów ruchu głowy, globalny średni sygnał, sygnał istoty białej i sygnał płynu mózgowo-rdzeniowego. 
	UWAGA: Na tym etapie ustaw "Trend wielomianowy" jako domyślny 1 i wybierz "6 parametrów ruchu głowy", "Regresory uciążliwości (WM, CSF, globalne)" i "dodaj średnią wsteczną" jako domyślne.</li>
	<li>Użyj filtrowania pasmowo-przepustowego, aby zachować sygnały w zakresie od 0,01 do 0,08 Hz. Usuń szum fizjologiczny o wysokiej częstotliwości i dryf niskich częstotliwości. Zaznacz Filtruj.</li>
</ol>
4. Ukierunkowana analiza połączeń
UWAGA: Wykonaj GCA w połączeniu z sygnałami BOLD dla każdego woksela w całym mózgu, po wyodrębnieniu średniej intensywności sygnału BOLD w obszarze zalążkowym.
<ol>
	<li>Wykonaj GCA dla wokseli przy użyciu REST-GCA w przyborniku REST. W polu przetwarzania końcowego zaznacz GCA.</li>
	<li>Ustaw "zamówienie" na 1 jako domyślne. Wybierz parametry w danych wejściowych.</li>
	<li>Zdefiniuj ROI i zidentyfikuj punkty zainteresowania w PCC. Wybierz opcję Definiuj ROI i wybierz sferyczny ROI. Wybierz pozycję Dalej. Ustaw współrzędne środkowe i promień ROI nasion na podstawie znanych danych, a następnie wybierz OK. 
	UWAGA: Zwrot z inwestycji dla DMN umieszczono w PCC (wyśrodkowanie na x = 0, y = -53, z = 26 z promieniem = 6 mm), tak jak w poprzednim badaniu13.</li>
	<li>Wybierz Uruchom i OK, aby uruchomić program.</li>
	<li>Znajdź foldery o nazwach ZGCA i GCA po przetworzeniu odpowiednich danych pliku. Posortuj pliki ZGCA i podziel je odpowiednio na cztery podfoldery, xx, xy, yx, yy. 
	UWAGA: Później używaj głównie podfolderów xy i yx. Trzy zestawy danych pliku ("AD", "MCI", "NC") są przetwarzane i sortowane zgodnie z krokami 3.1 - 4.5 powyżej.</li>
	<li>Otwórz RESTplus przez MATLAB i kliknij lewym przyciskiem myszy Analiza statystyczna. Kliknij lewym przyciskiem myszy test t dla dwóch prób REST.</li>
	<li>Nazwij wynik wyjściowy jako T1xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze AD Results i podfolder xy w folderze NC Results.</li>
	<li>W opcji Plik maski kliknij lewym przyciskiem myszy, aby otworzyć podplik BrainMask_05_61*73*61 w folderze "maska".</li>
	<li>Wybierz pozycję Obliczenia, aby uruchomić program.</li>
	<li>Nazwij wynik wyjściowy jako T2xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze AD Results i podfolder xy w folderze MCI Results. Powtórz kroki 4.8 - 4.9.</li>
	<li>Nazwij wynik wyjściowy jako T3xy i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder xy w folderze MCI Results i podfolder xy w folderze NC Results. Powtórz kroki 4.8 - 4.9.</li>
	<li>Nazwij wynik wyjściowy jako T1yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze AD Results i podfolder yx w folderze NC Results. Powtórz kroki 4.8 - 4.9.</li>
	<li>Nazwij wynik wyjściowy jako T2yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy pozycję Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze AD Results i podfolder yx w folderze MCI Results. Powtórz kroki 4.8 - 4.9.</li>
	<li>Nazwij wynik wyjściowy jako T3yx i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Dodaj obrazy grupy, aby otworzyć podfolder yx w folderze MCI Results i podfolder yx w folderze NC Results. Powtórz kroki 4.8 - 4.9.</li>
	<li>Na koniec uzyskaj sześć plików wyników, wykonując kroki 4.6 - 4.14 i kliknij lewym przyciskiem myszy przeglądarkę RESTplus, aby wyświetlić wynik. Zaimportuj szablon o nazwie ch2 w polu Podkładanie.</li>
	<li>Znajdź sześć plików wynikowych w katalogu wyjściowym i wypełnij nakładkę jeden po drugim. Uzyskaj wykres wyników końcowych i sześć plików wyników, które odpowiadają sześciu wykresom.</li>
	<li>Skorzystaj ze statystycznych rozwiązań w zakresie produktów i usług (SPSS) w celu przetworzenia danych uzyskanych w poprzednim kroku.
	<ol>
		<li>Przedstaw zmienne ciągłe jako średnie i odchylenia standardowe (SD).</li>
		<li>Przedstaw zmienne jakościowe jako liczby i procenty, a następnie użyj testu chi-kwadrat. 
		UWAGA: Wszystkie wartości p <0,05 uznano za statystycznie istotne.</li>
	</ol>
	</li>
</ol>

<ol><li>Delbeuck, X., Van der Linden, M., Collette, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%27s+disease+as+a+disconnection+syndrome%3F%5BTitle%5D)+AND+%22Neuropsychol+Rev%22%5BJournal%5D)">Alzheimer's disease as a disconnection syndrome?</a> Neuropsychol Rev. 13 (2), 79-92 (2003).</li>
<li>Wang, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+functional+connectivity+in+early+Alzheimer%27s+disease%3A+a+resting-state+fMRI+study%5BTitle%5D)+AND+%22Hum+Brain+Mapp%22%5BJournal%5D)">Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study.</a> Hum Brain Mapp. 28 (10), 967-978 (2007).</li>
<li>Zhong, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+effective+connectivity+patterns+of+the+default+mode+network+in+Alzheimer%27s+disease%3A+an+fMRI+study%5BTitle%5D)+AND+%22Neurosci+Lett%22%5BJournal%5D)">Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study.</a> Neurosci Lett. 578, 171-175 (2014).</li>
<li>Gusnard, D. A., Raichle, M. E., Raichle, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Searching+for+a+baseline%3A+functional+imaging+and+the+resting+human+brain%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Searching for a baseline: functional imaging and the resting human brain.</a> Nat Rev Neurosci. 2 (10), 685-694 (2001).</li>
<li>Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+connectivity+in+the+resting+brain%3A+a+network+analysis+of+the+default+mode+hypothesis%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Functional connectivity in the resting brain: a network analysis of the default mode hypothesis.</a> Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).</li>
<li>Ries, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Task-dependent+posterior+cingulate+activation+in+mild+cognitive+impairment%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Task-dependent posterior cingulate activation in mild cognitive impairment.</a> NeuroImage. 29 (2), 485-492 (2006).</li>
<li>Braak, H., Braak, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuropathological+stageing+of+Alzheimer-related+changes%5BTitle%5D)+AND+%22Acta+Neuropathol%22%5BJournal%5D)">Neuropathological stageing of Alzheimer-related changes.</a> Acta Neuropathol. 82 (4), 239-259 (1991).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Miao, X., Wu, X., Li, R., Chen, K., Yao, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+connectivity+pattern+of+hubs+in+default-mode+network+with+Alzheimer%27s+disease%3A+an+Granger+causality+modeling+approach%5BTitle%5D)+AND+%22PloS+one%22%5BJournal%5D)">Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach.</a> PloS one. 6 (10), e25546(2011).</li>
<li>Yu, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Directed+functional+connectivity+of+posterior+cingulate+cortex+and+whole+brain+in+Alzheimer%27s+disease+and+mild+cognitive+impairment%5BTitle%5D)+AND+%22Curr+Alzheimer+Res%22%5BJournal%5D)">Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment.</a> Curr Alzheimer Res. , (2016).</li>
<li>Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+causal+relations+in+neural+systems%3A+granger+causality%2C+directed+transfer+function+and+statistical+assessment+of+significance%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance.</a> Biol Cybern. 85 (2), 145-157 (2001).</li>
<li>Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Granger+causality+analysis+implementation+on+MATLAB%3A+a+graphic+user+interface+toolkit+for+fMRI+data+processing%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing.</a> J Neurosci Methods. 203 (2), 418-426 (2012).</li>
<li>Hedden, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Disruption+of+functional+connectivity+in+clinically+normal+older+adults+harboring+amyloid+burden%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Disruption of functional connectivity in clinically normal older adults harboring amyloid burden.</a> J Neurosci. 29 (40), 12686-12694 (2009).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Small-world+directed+networks+in+the+human+brain%3A+multivariate+Granger+causality+analysis+of+resting-state+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI.</a> NeuroImage. 54 (4), 2683-2694 (2011).</li>
<li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+effective+connectivity+of+resting+state+networks+using+conditional+Granger+causality%5BTitle%5D)+AND+%22Biol+Cybern%22%5BJournal%5D)">Evaluating the effective connectivity of resting state networks using conditional Granger causality.</a> Biol Cybern. 102 (1), 57-69 (2010).</li>
<li>Zhang, H. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+PCC+functional+connectivity+characteristics+in+resting-state+fMRI+in+mild+Alzheimer%27s+disease%5BTitle%5D)+AND+%22Behav+Brain+Res%22%5BJournal%5D)">Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease.</a> Behav Brain Res. 197 (1), 103-108 (2009).</li>
<li>Deshpande, G., Hu, X., Stilla, R., Sathian, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effective+connectivity+during+haptic+perception%3A+a+study+using+Granger+causality+analysis+of+functional+magnetic+resonance+imaging+data%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data.</a> NeuroImage. 40 (4), 1807-1814 (2008).</li>
<li>Bressler, S. L., Seth, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wiener-Granger+causality%3A+a+well+established+methodology%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Wiener-Granger causality: a well established methodology.</a> NeuroImage. 58 (2), 323-329 (2011).</li>
</ol>

Autorzy oświadczają, że nie mają żadnych konkurencyjnych interesów finansowych.

W niniejszym raporcie przedstawiono proces porównywania ukierunkowanych połączeń funkcjonalnych od PCC do całego mózgu i od całego mózgu do PCC między AD, MCI i grupami kontrolnymi. Co więcej, kluczowym krokiem w tym procesie jest klasyfikacja i badanie przesiewowe próbki przed eksperymentem. W związku z tym kryteria klasyfikacji i kwalifikacji mają kluczowe znaczenie, ponieważ ich błędne wyniki mogą mieć wpływ na dokładność wyników. Zgodnie z wykazem w protokole zastosowaliśmy kryteria diagnostyczne NINCDS-ADRDA z 2011 ...

AD to choroba zwyrodnieniowa ośrodkowego układu nerwowego, którą można zdiagnozować za pomocą histopatologii, elektrofizjologii i neuroobrazowania1. DMN związany z pamięcią jest istotnym systemem oddziałujących na siebie obszarów mózgu związanych z chorobą Alzheimera, a jego nieprawidłowa funkcja jest charakterystyczna dla AD2,3. PCC jest ważnym regionem tradycyjnej sieci domyślnej w stanie spoczynku i odgrywa kluczową rolę w pamięci epizodycznej, uwadze przestrzennej, samoocenie i innych funkcjach poznawczych4,5,6,7. Ponadto może być markerem obrazowym do monitorowania progresji choroby Alzheimera. Korzystając z GCA, Liao i wsp. odkryli, że PCC jest regionem wielu cytoarchitektoniki z wieloma połączeniami i odgrywa ważną rolę w funkcjonalnej strukturze mózgu8. Zhong i in. stwierdzili, że PCC było centrum konwergencji, które otrzymywało interakcje z większości innych regionów w obrębie DMN3. Co więcej, Miao i in. wykazali, że w regionach koncentratora DMN PCC ma największy związek przyczynowo-skutkowy z innymi węzłami9. Wszystkie te dowody wskazują, że ukierunkowane połączenie PCC jest cenne w badaniach nad chorobą Alzheimera i że PCC musi być dalej dogłębnie badane jako istotny region DMN.
Poprzednie badania ograniczały się do połączenia między PCC a innymi regionami DMN; jednak zmiany w ukierunkowanej funkcjonalnej łączności między PCC a regionami mózgu poza DMN, jak również ich wpływ na AD nie zostały jeszcze zbadane10. Nasze badanie dalej badało tę niezbadaną łączność funkcjonalną u normalnych, zdrowych osób z grupy kontrolnej, pacjentów z MCI i pacjentów z AD. Obserwując ukierunkowane połączenie między PCC a całymi obszarami mózgu, chcieliśmy wyjaśnić zmiany funkcjonalne w mózgu związane z progresją choroby Alzheimera, a tym samym ustanowić nową obiektywną podstawę do oceny ciężkości choroby.
Łączność funkcjonalna odnosi się do interakcji międzyregionalnej, która może być reprezentowana przez synchroniczne fluktuacje niskiej częstotliwości (LFF) w sygnałach fMRI zależnym od poziomu tlenu we krwi mózgu (BOLD). Dlatego, aby zaobserwować funkcjonalną łączność między PCC a innymi obszarami mózgu, przeanalizowaliśmy funkcjonalną łączność między PCC a całą siecią mózgową za pomocą fMRI przy użyciu GCA, z PCC jako regionem zainteresowania (ROI). Technika ta bezpośrednio wyprowadza podstawową relację każdego węzła przy użyciu danych uzyskanych z neuroobrazowania11. Ostatnio GCA została zastosowana w badaniach elektroencefalogramu (EEG) i fMRI, aby ujawnić skutki przyczynowe między regionami mózgu12. Wszystkie te badania wykazały, że technika GCA może być optymalna do wykrywania związku przyczynowego każdego węzła w mózgu.

<table><tbody><tr><td>116 pacjentów</td><td>Ludowy Szpital Prowincji Zhejiang s szpital</td> <td>-</td> <td>To badanie zostało zatwierdzone przez komisję etyczną Ludowego Inspektoratu Prowincji Zhejiang s szpital. Każdy uczestnik podpisał pisemny formularz świadomej zgody.</td></tr><tr><td>Skaner MRI Siemens Trio 3.0 T</td><td>Siemens, Erlangen, Niemcy</td><td>20571</td><td>Wyposażony w AudioComfort, który redukuje hałas akustyczny do 90%; Zapewnia wysoką wydajność przy niskim poziomie hałasu; Ultra lekka cewka; Unikalny projekt sekwencji MRI; Obsługuje do 400 funtów bez ograniczeń.</td></tr><tr><td>RESTplus</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, Chiny</td><td>20160122</td><td>RESTplus wyewoluował z REST (Resting-State fMRI Data Analysis Toolkit), wygodnego zestawu narzędzi do obliczania łączności funkcjonalnej (FC), jednorodności regionalnej (ReHo), amplitudy fluktuacji niskiej częstotliwości (ALFF), frakcyjnego ALFF (fALFF), przyczynowości Gragnera, centralności stopnia, łączności homotopowej lustrzanej woksela (VMHC) i wykonywania analiz statystycznych.</td></tr><tr><td>DPARSF</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, Chiny</td><td>130615</td><td>Data Processing Assistant for Resting-State fMRI (DPARSF) to wygodna wtyczka do DPABI, która jest oparta na SPM. Wystarczy ułożyć pliki DICOM i kliknąć kilka przycisków, aby ustawić parametry, DPARSF poda wszystkie wstępnie przetworzone dane, łączność funkcjonalną, ReHo, ALFF / fALFF, centralność stopnia, wyniki łączności homotopowej w lustrze wokseli (VMHC).</td></tr><tr><td>SPSS</td><td>SPSS Inc., Chicago, IL,</td><td></td> <td>USA-SPSS oferuje szczegółowe opcje analizy, które pozwalają dokładniej przyjrzeć się danym i dostrzec trendy, których być może nie zauważyłeś.</td></tr></tbody></table>

zastosowanie analizy przyczynowości grangera ukierunkowanego związku funkcjonalnego w chorobie alzheimera i łagodnych zaburzeniach poznawczych

Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment

Upośledzona łączność funkcjonalna w sieci trybu domyślnego (DMN) może być zaangażowana w postęp choroby Alzheimera (AD). Kora obręczy tylnej (PCC) jest potencjalnym markerem obrazowym do monitorowania postępu choroby Alzheimera. Poprzednie badania nie koncentrowały się na funkcjonalnej łączności między PCC a węzłami w regionach poza DMN, ale nasze badanie jest próbą zbadania tych przeoczonych połączeń funkcjonalnych. Do zbierania danych wykorzystaliśmy funkcjonalny rezonans magnetyczny (fMRI) oraz analizę przyczynowości Grangera (GCA). fMRI zapewnia nieinwazyjną metodę badania dynamicznych interakcji między różnymi obszarami mózgu. GCA to test hipotezy statystycznej służący do określenia, czy jeden szereg czasowy jest przydatny w prognozowaniu innego. Mówiąc prościej, ocenia się to poprzez porównanie "Znane wszystkie informacje w ostatniej chwili, rozkład prawdopodobieństwa X w tym czasie" i "Znane wszystkie informacje w ostatniej chwili z wyjątkiem Y, rozkład prawdopodobieństwa X w tym czasie", aby określić, czy istnieje związek przyczynowy między Y i X. Definicja ta opiera się na pełnym źródle informacji i stacjonarnej sekwencji chronologicznej. Głównym krokiem tej analizy jest użycie X i Y do ustalenia równania regresji i narysowania związku przyczynowego za pomocą hipotetycznego testu. Ponieważ GCA może mierzyć skutki przyczynowe, wykorzystaliśmy go do zbadania anizotropii łączności funkcjonalnej i zbadania funkcji koncentratora PCC. W tym przypadku przebadaliśmy 116 uczestników pod kątem skanowania MRI, a po wstępnym przetworzeniu danych uzyskanych z neuroobrazowania, użyliśmy GCA do wyprowadzenia związku przyczynowego każdego węzła. Na koniec doszliśmy do wniosku, że ukierunkowany związek znacznie różni się między grupami z łagodnymi zaburzeniami poznawczymi (MCI) i AD, zarówno od PCC do całego mózgu, jak i od całego mózgu do PCC.

Informacje demograficzne
Tabela 1 przedstawia charakterystykę badanych. Wszyscy uczestnicy posiadali wykształcenie co najmniej podstawowe. Wiek, płeć oraz poziom wykształcenia były zbliżone w trzech grupach (P &#62;0.05), natomiast wyniki w skali MMSE różniły się istotnie (p &#60;0.01).
Kierunkowa funkcjonalna łączność mózgu
<p class="j...

Na podstawie obrazowania funkcjonalnego rezonansu magnetycznego w stanie spoczynku z analizą przyczynowości Granger, zbadaliśmy zmiany w ukierunkowanej funkcjonalnej łączności między tylną korą obręczy a całym mózgiem u pacjentów z chorobą Alzheimera (AD), pacjentów z łagodnymi zaburzeniami poznawczymi (MCI) i zdrowych osób z grupy kontrolnej.

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych

Impaired functional connectivity in the Default Mode Network (DMN) may be involved in the progression of Alzheimer&#39;s Disease (AD). The Posterior ...

Ogólnym celem niniejszej analizy przyczynowości Grangera jest badanie ukierunkowanej łączności funkcjonalnej w mózgu związanej z postępem choroby Alzheimera, co pozwala na ustanowienie nowej obiektywnej podstawy do oceny stopnia zaawansowania choroby. Metoda ta może pomóc w odpowiedzi na kluczowe pytania w dziedzinie choroby Alzheimera, takie jak ukierunkowana łączność między PCC a pozostałymi obszarami mózgu. Główną zaletą tej techniki jest to, że mierzy ona efekty przyczynowe szeregów czasowych fMRI oraz wykazuje dynamikę i kierunki osłabionego sygnału.Zastosowanie tej techniki rozciąga się na diagnostykę progresji choroby Alzheimera, ponieważ pozwala ona na porównanie kierunkowej łączności funkcjonalnej między grupą z AD, MCI oraz grupą kontrolną. Dzięki temu, że metoda ta umożliwia wgląd w skalowanie kierunkowej łączności funkcjonalnej w chorobie Alzheimera, może ona zostać zastosowana również w innych systemach, takich jak badania elektroencefalograficzne. Zazwyczaj osoby rozpoczynające pracę z tą metodą mogą napotkać trudności, jeśli nie są zaznajomione z obsługą oprogramowania.W pierwszej kolejności wprowadzamy dane dla semestru, a następnie analizujemy istniejącą literaturę dotyczącą analizy przyczynowości Grangera. Praktyczna demonstracja tej metody jest kluczowa, ponieważ istnieją liczne aspekty, które należy odnotować, a których nie można w pełni opisać w tekście. Rozpocznij od uruchomienia oprogramowania RESTplus i kliknij lewym przyciskiem myszy w sekcji Pipeline.Zaimportuj odpowiednie pliki do programu RESTplus. Wybierz katalog roboczy, a następnie katalogi początkowe dla obrazów EPI i T1. Następnie, aby przekonwertować pliki Dicom na format Nifti, zaznacz pole DicomToNifti w sekcji Preprocessing.Następnie zaznacz parametry EPI Dicom to Nifiti oraz T1 to Nifiti. Usuń pierwsze 10 punktów czasowych, zaznaczając opcję RemoveFirstTimePoints i ustawiając parametr końcowy na 10. Na koniec zaznacz pole Slice timing.Ustaw numer plastra zgodnie z parametrami RS FMRI badania i wprowadź kolejność plastrów. Zaznacz opcję Realign, aby skorygować czas oraz ruchy głowy. Następnie wykonaj normalizację przestrzenną, zaznaczając Normalize, i pozostaw domyślne parametry na dole.Użyj zunifikowanej segmentacji obrazu T1 i zestandaryzuj wszystkie głowy do tej samej przestrzeni, wybierając odpowiednie parametry. Przeprowadź normalizację, korzystając z zunifikowanej segmentacji obrazu T1 oraz szablonu europejskiego. Następnie wybierz opcję wygładzania, aby przeprowadzić wygładzanie przestrzenne przy użyciu izotropowego jądra Gaussa o pełnej szerokości połówki maksimum wynoszącej 6 mm.Usuń trend liniowy, zaznaczając opcję Detrend. W celu zwiększenia stosunku sygnału do szumu wybierz regresję uciążliwych współzmiennych (nuisance covariates regression) w postaci następujących parametrów: sześciu parametrów ruchu głowy, globalnego średniego sygnału, sygnału z białej istoty oraz sygnału z płynu mózgowo-rdzeniowego. Na koniec wybierz filtr, aby zachować sygnały z zakresu od 0,01 do 0,08 hertz.Usuń szum fizjologiczny o wysokiej częstotliwości oraz dryft o niskiej częstotliwości. Rozpocznij od przeprowadzenia analizy przyczynowości Grangera na poziomie wokseli (Granger Causality Analysis, GCA), korzystając z modułu REST GCA w narzędziach REST toolbox. W polu Postprocessing zaznacz opcję GCA.Ustaw kolejność na jeden w ustawieniach domyślnych. Wybierz Define ROI i wybierz sferyczny ROI, aby zdefiniować obszar zainteresowania. Wybierz Dalej.Zidentyfikuj interesujące punkty startowe w tylnej części kory pojedynczej, czyli PCC, ustawiając współrzędne środka i promień obszaru ROI punktu startowego na podstawie znanych danych, a następnie wybierz OK. Następnie wybierz Run i OK, aby uruchomić program. W kolejnym kroku odszukaj foldery o nazwach ZGCA i GCA po przetworzeniu odpowiednich danych z plików. Posegreguj pliki ZGCA i przypisz je odpowiednio do czterech podfolderów: XX, XY, YX oraz YY.W programie otwórz RESTplus i kliknij lewym przyciskiem myszy Analiza Statystyczna (Statistical Analysis). Kliknij lewym przyciskiem myszy Test T dla dwóch prób REST (REST Two-Sample T-Test). Nazwij wynik wyjściowy T1XY i ustaw katalog wyjściowy.Kliknij lewym przyciskiem myszy opcję Add Group Images, aby otworzyć podfolder XY w folderze AD Results oraz podfolder XY w folderze NC Results. Następnie kliknij lewym przyciskiem myszy, aby otworzyć podplik BrainMask w folderze mask. Na koniec wybierz Compute, aby uruchomić program.Nazwij wyniki wyjściowe jako T2XY i ustaw katalog wyjściowy. Kliknij lewym przyciskiem myszy Add Group Images, aby otworzyć podfolder XY w folderze AD Results oraz podfolder XY w folderze MCI Results.Powtórz obliczenia pliku maski mózgu, aby uzyskać wyniki dla T3XY, T1YX, T2YX i T3YX, co łącznie daje sześć plików. Kliknij lewym przyciskiem myszy w oknie Viewer programu RESTplus, aby wyświetlić otrzymane pliki. Zaimportuj szablon o nazwie Ch2 w sekcji Underlay.Na koniec odszukaj sześć wynikowych plików w katalogu wyjściowym i uzupełniaj nakładkę jeden po drugim. Stwórz końcowy wykres, korzystając z sześciu plików wyjściowych. Po uprzedniej identyfikacji aktywnych węzłów w całym mózgu, zastosowano technologię GCA w celu określenia kierunkowej łączności funkcjonalnej z PCC do całego mózgu.Oraz z całego mózgu do PCC w grupach AD, MCI i kontrolnej. Kierowana łączność z całego mózgu do PCC była nasilona w grupie AD w porównaniu z normalną grupą kontrolną i koncentrowała się głównie w obustronnym obszarze móżdżku poza DMN. Kierowana łączność z PCC do całego mózgu była znacznie zmniejszona w grupie AD w porównaniu z grupą kontrolną, przy czym głównymi regionami były m.in. prawy precuneus i lewy zakręt czołowy przedni należące do DMN.Przy prawidłowym wykonaniu technika ta może zostać zrealizowana w ciągu 14 godzin. Podczas przeprowadzania tej procedury należy pamiętać, że wszystkie nazwy plików i zdjęć muszą być w języku angielskim i nie mogą zawierać spacji. Po opracowaniu technika ta otworzyła badaczom z dziedziny fMRI drogę do analizy ukierunkowanej łączności funkcjonalnej w progresji choroby Alzheimera.Po obejrzeniu tego filmu powinni Państwo posiadać dobrą wiedzę na temat tego, jak badać ukierunkowaną łączność funkcjonalną w mózgu powiązaną z progresją AD. Pozwoli to na stworzenie obiektywnej podstawy do oceny stopnia zaawansowania choroby.

application-granger-causality-analysis-directed-functional-connection

Research

JoVE Journal

Medicine

Medycyna

Omówiono metodologię gromadzenia gęstych danych potencjałów wywołanych podczas wykonywania przez pacjentów z chorobą Alzheimera zadania z pamięcią rozpoznawczą. Protokół ten obejmuje przygotowanie badanych, zapewnienie jakości, akwizycję danych oraz analizę danych.

Badanie charakterystyki pamięci epizodycznej z wykorzystaniem potencjałów wywołanych zdarzeniami u pacjentów z chorobą Alzheimera

Techniki wielowymiarowe, w tym analiza głównych składowych (PCA), zostały wykorzystane do identyfikacji wzorców sygnatur zmian regionalnych w funkcjonalnych obrazach mózgu. Opracowaliśmy algorytm identyfikacji powtarzalnych biomarkerów sieciowych do diagnostyki chorób neurodegeneracyjnych, oceny progresji choroby oraz obiektywnej oceny efektów leczenia w populacjach pacjentów.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Ten film przedstawia metodę badania związanych z wiekiem zmian w funkcjonalnej łączności kognitywnych sieci kontrolnych zaangażowanych w wybrane zadania/procesy. Technika ta opiera się na wielowymiarowej analizie danych fMRI.

Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów

Ten artykuł opisuje Test 4 Gór (4MT), zależny od hipokampa test działającej allocentrycznej pamięci przestrzennej. Hipokamp jest dotknięty chorobą na wczesnym etapie choroby Alzheimera (AD), a w tym artykule przedstawiono metodologię 4MT i wyniki badań pacjentów, które pokazują wartość 4MT w diagnostyce stanu przeddemencyjnego AD.

Test 4 Gór: Krótki test pamięci przestrzennej o wysokiej czułości do diagnozy choroby Alzheimera w stanie przeddemencyjnym

Ten manuskrypt opisuje, jak przeprowadzić analizę interakcji psychofizjologicznej, aby ujawnić zależne od zadania zmiany funkcjonalnej łączności między wybranym regionem nasiennym a wokselami w innych regionach mózgu. Analiza interakcji psychofizjologicznych jest popularną metodą badania wpływu zadań na łączność mózgową, w odróżnieniu od tradycyjnych efektów aktywacji jednowymiarowej.

Analiza uogólnionej interakcji psychofizjologicznej (PPI) łączności związanej z pamięcią u osób z genetycznym ryzykiem choroby Alzheimera

Siatkówka wykazuje wyraźne podobieństwa do mózgu, a zatem stanowi unikalne okno do nieinwazyjnego badania układu naczyniowego i struktury neuronalnej w mózgu. Protokół ten opisuje metodę badania demencji przy użyciu technik obrazowania siatkówki. Ta metoda może potencjalnie pomóc w diagnozie i ocenie ryzyka demencji.

Wykorzystanie obrazowania siatkówki do badania demencji

Prezentujemy in vivo elektrofizjologiczny zapis potencjału pola lokalnego (LFP) w obustronnej wtórnej korze ruchowej (M2) myszy, który może być zastosowany do oceny lateralizacji półkuli. Badanie wykazało zmienione poziomy synchronizacji między lewym i prawym M2 u myszy APP/PS1 w porównaniu z kontrolami WT.

Ocena lateralizacji półkuli z obustronnym zapisem potencjału pola lokalnego w wtórnej korze ruchowej myszy

Skale oceny klinicznej nie są wystarczająco wrażliwe na dysfunkcje poznawcze u wysoko funkcjonujących pacjentów po udarze. Paradygmat podwójnej pracy przedstawia zalety i potencjał w ocenie i treningu poznawczym dysfunkcji poznawczych. W badaniu zaproponowano paradygmat Stroopa o podwójnym zadaniu w celu identyfikacji dysfunkcji poznawczych u wysoko funkcjonujących pacjentów po udarze.

Paradygmat Stroopa o podwójnym zadaniu, wykrywający deficyty poznawcze u wysokofunkcjonujących pacjentów po udarze mózgu

Ten artykuł przedstawia integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu. Podejście to obejmuje wielkoskalową metaanalityczną bazę danych neuroobrazowania, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku oraz techniki modelowania sieci i teorii grafów.

Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

Koherencja transformacji falkowej (WTC) to powszechna metodologia oceny sprzężenia między sygnałami, która jest używana w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). W niniejszej pracy przedstawiono zestaw narzędzi do oceny kierunkowości interakcji sygnału.

Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

DeepOmicsAE to przepływ pracy skoncentrowany na zastosowaniu metody głębokiego uczenia (tj. autoenkodera) w celu zmniejszenia wymiarowości danych multi-omicznych, zapewniając podstawę dla modeli predykcyjnych i modułów sygnalizacyjnych reprezentujących wiele warstw danych omicznych.

DeepOmicsAE: Reprezentowanie modułów sygnalizacyjnych w chorobie Alzheimera z analizą proteomiki, metabolomiki i danych klinicznych za pomocą głębokiego uczenia

Poznaj analizę przyczynowości Grangera w badaniu skierowanej łączności funkcjonalnej mózgu u pacjentów z chorobą Alzheimera i łagodnymi zaburzeniami poznawczymi. Metoda ta umożliwia obiektywną ocenę stopnia zaawansowania choroby.

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych (Wideo) | JoVE Journal

Zastosowanie analizy przyczynowości Grangera ukierunkowanego związku funkcjonalnego w chorobie Alzheimera i łagodnych zaburzeniach poznawczych

Przeglądaj więcej filmów