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

Ogólnym celem tej analizy przyczynowości Grangera jest zbadanie ukierunkowanych połączeń funkcjonalnych w mózgu związanych z postępem choroby Alzheimera, ustanawiając w ten sposób nową obiektywną podstawę do oceny ciężkości choroby. Metoda ta może pomóc odpowiedzieć na kluczowe pytania w dziedzinie choroby Alzheimera, takie jak ukierunkowana łączność między PCC a całymi obszarami mózgu. Główną zaletą tej techniki jest to, że mierzy ona skutki przyczynowe szeregów czasowych FMRI oraz pokazuje dynamikę i kierunki słabego sygnału.

Implikacje tej techniki rozciągają się w kierunku diagnozy progresji choroby Alzheimera, ponieważ porównuje ona ukierunkowaną łączność funkcjonalną między AD, MCI i grupami kontrolnymi. Dzięki tej metodzie może zapewnić wgląd w skalowanie ukierunkowanej łączności funkcjonalnej choroby Alzheimera, można ją również zastosować w innych systemach, takich jak badania cefalogramu elektrolizującego. Ogólnie rzecz biorąc, osoby, które są nowe w tej metodzie, będą miały problemy, jeśli nie są zaznajomione z działaniem oprogramowania.

Najpierw dodajemy tutaj na semestr, a następnie oceniamy wcześniejszą literaturę na temat Analizy przyczynowości Grangera. Chociaż mamy demonstrację tej metody w świecie rzeczywistym, jest to bardzo ważne, ponieważ istnieje wiele elementów, które należy zauważyć poza tym, co można napisać w tekście. Zacznij od otwarcia RESTplus za pomocą oprogramowania i kliknięcia lewym przyciskiem myszy Pipeline.

Zaimportuj odpowiednie pliki do RESTplus. Wybierz katalog roboczy, a następnie początkowe katalogi EPI i T1. Następnie, aby przekonwertować pliki Dicom na Nifti, zaznacz pole DicomToNifti w Przetwarzaniu wstępnym.

I sprawdź parametry EPI Dicom do Nifiti i T1 do Nifiti. Usuń pierwsze 10 punktów czasowych, zaznaczając RemoveFirstTimePoints i ustawiając parametr end na 10. Następnie zaznacz pole Czas plasterka.

Ustawić numer wycinka zgodnie z parametrami RS FMRI badania i wprowadzić kolejność wycinków. Zaznacz opcję Wyrównaj ponownie, aby skorygować czas i ruch głowy. Następnie wykonaj normalizację przestrzenną, zaznaczając opcję Normalizuj i pozostaw parametry domyślne na dole.

Użyj ujednoliconej segmentacji obrazu T1 i wszystkich głowic ustandaryzowanych do tej samej przestrzeni, wybierając parametry. Normalizacja przy użyciu ujednoliconej segmentacji obrazu T1 i europejskiej. Następnie wybierz gładkość, aby wykonać wygładzanie przestrzenne przy użyciu izotropowego kernalu Gaussa o pełnej szerokości przy połowie maksymalnej liczby 6 mm.

Usuń trend liniowy, zaznaczając opcję Detrend. Wybierz uciążliwe współzmienne regresję w następujących sześciu parametrach ruchu głowy, globalnym średnim sygnale, sygnale istoty białej i sygnale płynu mózgowo-rdzeniowego w celu zwiększenia stosunku sygnału do szumu. Na koniec wybierz filtr, aby zachować sygnały z zakresu od 0,01 do 0,08 herca.

Usuń szum fizjologiczny o wysokiej częstotliwości, a także usuń dryf o niskiej częstotliwości. Zacznij od wykonania analizy przyczynowości Grangera (GCA) pod względem wokseli przy użyciu REST GCA w przyborniku REST. W polu Postprocessing (Przetwarzanie końcowe) zaznacz opcję GCA.

Ustaw kolejność jako jedną w domyślnej. Wybierz opcję Zdefiniuj ROI i wybierz sferyczny ROI, aby zdefiniować obszar zainteresowania. Wybierz pozycję Dalej.

Zidentyfikuj punkty zainteresowania w tylnej korze pojedynczej (PCC), ustawiając współrzędne środkowe i promień ROI nasion na podstawie znanych danych, a następnie wybierz przycisk OK. Następnie wybierz Uruchom i OK, aby uruchomić program. Następnie znajdź foldery o nazwach ZGCA i GCA po przetworzeniu odpowiednich danych pliku. Posortuj pliki ZGCA i sklasyfikuj je odpowiednio w czterech podfolderach, XX, XY, YX, YY.

W oprogramowaniu otwórz RESTplus i kliknij lewym przyciskiem myszy Analiza statystyczna. Kliknij lewym przyciskiem myszy test t dla dwóch prób REST. 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. Następnie kliknij lewym przyciskiem myszy, aby otworzyć podplik BrainMask w folderze maski. Następnie wybierz pozycję Oblicz, aby uruchomić program.

Nazwij wyniki wyjściowe 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 obliczenia pliku maski mózgu, aby uzyskać dane wyjściowe dla T3XY, T1YX, T2YX i T3YX, co daje łącznie sześć plików. Kliknij lewym przyciskiem myszy przeglądarkę RESTplus, aby wyświetlić wynikowe pliki. Zaimportuj szablon o nazwie Ch2 w polu Podkładanie.

Na koniec znajdź sześć plików wynikowych w katalogu wyjściowym i wypełnij nakładkę jeden po drugim. Utwórz końcowy wykres przy użyciu sześciu plików wyjściowych. Po tym, jak po raz pierwszy zidentyfikowano aktywne węzły w całym mózgu, technologia GCA została wykorzystana do określenia ukierunkowanej funkcjonalnej łączności między PCC a całym mózgiem.

I od całego mózgu do PCC w AD, MCI i grupach kontrolnych. Ukierunkowane połączenie z całego mózgu do PCC zostało wzmocnione w grupie AD w porównaniu z normalną grupą kontrolną i koncentrowało się głównie na obustronnym regionie móżdżku poza DMN. Ukierunkowana łączność z PCC do całego mózgu była znacznie zmniejszona w grupie AD w porównaniu z grupą kontrolną z głównymi regionami, takimi jak prawy przedklinek i lewy meta zakręt czołowy należący do DMN.

Chociaż są mistrzami, tę technikę można wykonać w 14 godzin, jeśli zostanie wykonana prawidłowo. Próbując wykonać tę procedurę, należy pamiętać, że wszystkie nazwy plików i zdjęć muszą być w języku angielskim i nie mogą zawierać spacji. Po jej opracowaniu, technika ta utorowała drogę badaczom w dziedzinie FMRI do zbadania ukierunkowanej łączności frakcyjnej w postępie choroby Alzheimera.

Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak go uruchomić ukierunkowaną łączność frakcyjną w mózgu związaną z postępem AD. W ten sposób należy ustanowić wąską obiektywną podstawę do oceny ciężkości choroby.