Artigo de método

Aplicação da análise de causalidade de Granger da Conexão funcional direcionado na doença de Alzheimer e transtorno cognitivo leve

DOI:

10.3791/56015

⸱

7 de agosto de 2017

 ,  ,  ,  ,  ,  , 
1Zhejiang Chinese Medical University, 2Department of Psychiatry, Zhejiang Provincial People's Hospital, 3Department of Radiology, Zhejiang Provincial People's Hospital

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Com base no estado de repouso ressonância magnética funcional com análise de causalidade de Granger, investigamos as alterações na conectividade funcional do dirigido entre o córtex cingulado posterior e todo o cérebro em pacientes com doença de Alzheimer (AD), pacientes com comprometimento cognitivo leve (MCI) e controles saudáveis.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conectividade funcional prejudicada em rede de modo padrão (DMN) pode estar envolvida na progressão da doença de Alzheimer (AD). O córtex cingulado Posterior (PCC) é um potencial marcador de imagem para monitorar a progressão da AD. Estudos anteriores não se concentrar sobre a conectividade funcional entre o PCC e nós em regiões fora do DMN, mas nosso estudo é um esforço para explorar estas conexões funcionais negligenciados. Para a coleta de dados, usamos a ressonância magnética funcional (fMRI) e análise de causalidade de Granger (GCA). ressonância magnética fornece um método não-invasivo para estudar as interações dinâmicas entre as regiões diferentes do cérebro. GCA é um teste de hipótese estatística para determinar se a série One-Time é útil na previsão de outro. Em termos simples, for julgado comparando-se a todas as informações sobre o último momento, a distribuição de probabilidade de X neste momento "conhecido" e o "conhecido de todas as informações sobre o último momento exceto Y, a distribuição de probabilidade de X neste momento", para determinar se existe uma relação causal entre Y e X. Esta definição baseia-se na fonte de informação completa e estacionária sequência cronológica. O passo principal desta análise é a utilização de X e Y para estabelecer a equação de regressão e desenhar uma relação causal por um teste hipotético. Desde que o GCA pode medir efeitos causais, usamos para investigar a anisotropia da conectividade funcional e explorar a função de cubo do PCC. Aqui, nós selecionados 116 participantes para fazer a varredura de MRI, e depois do processamento dos dados obtidos de neuroimagem, costumávamos GCA para derivar a relação causal de cada nó. Finalmente, concluiu-se que a conexão dirigida é significativamente diferente entre os grupos Impairment Cognitive suave (MCI) e AD, partir do PCC para o cérebro e do cérebro inteiro para o PCC.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

AD é uma doença degenerativa do sistema nervoso central que pode ser diagnosticada usando histopatologia, eletrofisiologia e neuroimagem1. O DMN relacionados à memória é um sistema vital das regiões do cérebro interagindo associado com AD, e sua função anormal é característica da AD2,3. O PCC é uma importante região da rede padrão tradicional no estado de repouso e tem um papel crucial na memória episódica, atenção espacial, auto-avaliação e outras funções cognitivas4,5,6,7. Além disso, pode ser um marcador de imagem para monitorar a progressão do AD. Usando o GCA, Liao et al encontrou que o PCC é uma região de vários Citoarquitetura com várias conexões e desempenha um papel importante no cérebro funcional estrutura8. Zhong et al relataram que o PCC era um centro de convergência que recebeu as interações da maioria das outras regiões dentro do DMN3. Além disso, Miao et al demonstraram que, nas regiões de cubo DMN, o PCC tem a maior relação de relação causal com outros nós9. Juntos, tudo esta evidência indica que a conexão dirigido do PCC é valioso na pesquisa de AD e o PCC precisa ser mais estudado em profundidade como uma região vital do DMN.

Os estudos anteriores foram confinados para a conectividade entre o PCC e outras regiões dentro do DMN; no entanto, as alterações na conectividade funcional direcionada entre os PCC e cérebro regiões fora do DMN, bem como sua influência na AD ainda não foram explorados10. Nosso estudo investigou mais este inexplorado conectividade funcional em controles saudáveis normais, pacientes com MCI e pacientes com AD. Ao observar a conectividade dirigida entre o PCC e regiões de todo o cérebro, objetivo elucidar as alterações funcionais do cérebro relacionadas à progressão de AD e, assim, estabelecer uma nova base objectiva para avaliar a gravidade da doença.

Conectividade funcional refere-se a uma interação inter-regional que pode ser representada por flutuações de baixa frequência síncrona (LFFs) no sinal de ressonância magnética cerebral do sangue oxigênio nível dependente (BOLD). Portanto, a fim de observar a conectividade funcional entre o PCC e outras regiões do cérebro, analisamos a conectividade funcional entre o PCC e a rede de todo o cérebro por ressonância magnética usando GCA, com o PCC, como a região de interesse (ROI). Essa técnica deriva diretamente a relação fundamental de cada nó usando dados obtidos de neuroimagem11. Recentemente, GCA foi aplicada ao eletroencefalograma (EEG) e estudos de fMRI para revelar os efeitos causais entre cérebro regiões12. Todos estes estudos indicaram que a técnica de GCA pode ser ideal para detectar a relação causal de cada nó no cérebro.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi aprovado pelo Comitê de Ética do Hospital Popular da Província de Zhejiang. Todos os indivíduos inscritos assinaram um termo de consentimento livre e esclarecido.

1. Classificação e triagem da amostra

  1. Diagnosticar e dividir 116 pacientes em grupos DA e CCL.
    NOTA: Use os critérios diagnósticos do Instituto Nacional de Distúrbios Neurológicos e Comunicativos e Acidente Vascular Cerebral de 2011 e da Associação de Doença de Alzheimer e Distúrbios Relacionados (NINCDS-ADRDA) e os critérios do Mini-Exame do Estado Mental (MMSE) para identificação e classificação de MCI, que é descrito em detalhes em Yu et al.10
  2. Selecione os participantes do grupo controle saudável.
    NOTA: A idade, sexo e nível de escolaridade do grupo controle foram pareados com pacientes nos grupos CCL e DA.
  3. Avalie todos os sujeitos por MMSE10.
  4. Excluir os sujeitos que não preencheram os critérios de inclusão. Para todos os sujeitos, os critérios de exclusão são mencionados em Yu et al.10
  5. Use a ressonância magnética para escanear os sujeitos; exclua os indivíduos com dados inutilizáveis devido aos movimentos da cabeça.
    NOTA: Por fim, rastreamos 26 pacientes com CCL, 32 pacientes com DA e 58 controles.

2. Aquisição de Neuroimagem

  1. Remova objetos metálicos e magnéticos antes de entrar no Laboratório de Ressonância Magnética de 3.0 T.
  2. Instale uma bobina receptora de ressonância magnética no leito de ressonância magnética. A bobina receptora é uma bobina phased-array cerebral polarizada circularmente de 8 canais.
  3. Instrua o participante a deitar na cama e permanecer em decúbito dorsal com a cabeça avançada e o eixo longo do corpo ao longo do eixo longo da cama. Coloque a cabeça do participante no suporte da bobina e certifique-se de que a linha orbitomeatal esteja perpendicular ao leito.
  4. Diga ao participante para colocar os membros superiores nas laterais do corpo, manter os olhos fechados, não pensar em nada em particular e se mover o mínimo possível durante o exame. Coloque almofadas de espuma na cabeça na área temporal bilateral para evitar o movimento da cabeça e forneça fones de ouvido para reduzir o ruído do scanner para o participante.
    NOTA: As dimensões da almofada de espuma são: diâmetro longo = 13 cm, diâmetro curto = 10 cm, espessura mais grossa = 7 cm, espessura mais fina = 3 cm, espessura média = 5 cm.
  5. Ajuste a posição da cabeça através da luz de posicionamento para que o cursor de posicionamento sagital fique na linha média da face e o cursor de posicionamento do eixo fique paralelo ao canto lateral. Em seguida, mova a cama para manter o cursor de posicionamento do eixo nas sobrancelhas ou 2 cm abaixo dela.
  6. Mova a cabeça para o centro do ímã. Realize uma varredura cerebral de fMRI, incluindo imagem ecoplanar gradiente (EPI-BOLD) e imagem 3D-T1-MPRAGE.
    NOTA: Use os seguintes parâmetros:
    EPI-BOLD: TR/TE = 2.000/30 ms, espessura da camada/passo da camada = 3,2/0,8 mm, 31 fatias, matriz = 64 x 64, FOV = 220 x 220 mm, tamanho do voxel = 3 x 3 x 4 mm, ângulo de inversão = 90 °, tempo de varredura de 484 s e um total de 240 imagens de varredura.
    Imagem 3D-T1-MPRAGE: TR/TE = 8,5/3,2 ms, ângulo de inversão = 15 °, campo de visão = 250 x 250 mm, matriz = 256 x 256, número de fatias = 176, espessura/folga das fatias = 1/0 mm, tempo de varredura de 353 s e um total de 192 imagens de varredura.
  7. Mantenha o paciente seguro quando ele estiver saindo da cama no final do exame.

3. Pré-processamento de dados

NOTA: Analise os dados brutos para funções cerebrais em estado de repouso usando o Kit de ferramentas de análise de dados plus (RESTplus) de fMRI em estado de repouso (rs-fMRI).

  1. Abra o RESTplus através do MATLAB e clique com o botão esquerdo em Pipeline.
  2. Importe os arquivos relevantes para o RESTplus. Selecione o diretório de trabalho e, em seguida, os diretórios EPI e T1 iniciais.
  3. Converta arquivos DICOM para NIFTI. Marque a caixa DICOM para NIFTI no pré-processamento e marque os parâmetros EPI DICOM para NIFTU e T1 DICOM para NIFTI.
  4. Remova os primeiros 10 pontos de tempo marcando a opção Remover os primeiros n pontos de tempo e definindo o parâmetro n como 10.
  5. Defina o tempo de corte de acordo com os parâmetros rs-fMRI. Marque a caixa Tempo de fatia. Defina o número do corte de acordo com os parâmetros rs-fMRI do estudo. Insira a ordem das fatias.
    NOTA: A aquisição de dados de cada camada na varredura cerebral não está no mesmo ponto de tempo e, portanto, precisa ser calibrada para o mesmo ponto de tempo.
  6. Corrija o tempo e o movimento da cabeça. Marque Realign.
    NOTA: O critério de exclusão para movimento excessivo da cabeça foi >2,0 mm de translação ou rotação de >2,0 ° em qualquer direção. No RESTplus, este é um parâmetro padrão (clique com o botão esquerdo na opção 'Realinhar').
  7. Execute a normalização espacial usando a segmentação unificada de imagem T1 e todas as cabeças padronizadas para o mesmo espaço. Marque Normalizar e deixe os parâmetros padrão na parte inferior. Selecione a opção Normalizar usando a segmentação unificada de imagem T1 e os parâmetros europeus.
    NOTA: Reamostre as imagens rs-fMRI com voxels de 3 × 3 × 3 mm, e outros parâmetros no RESTplus são padrão, basta clicar com o botão esquerdo na opção 'Normalizar usando segmentação unificada de imagem T1'.
  8. Execute a suavização espacial usando um kernel gaussiano isotrópico com uma largura total na metade máxima (FWHM) de 6 mm. Marque Suave.
  9. Remova a tendência linear marcando Detrend.
  10. Regresse os sinais de regressores incômodos (WM, CSF, Global) para aumentar a relação sinal-ruído. Marque a regressão de covariáveis incômodas e os seguintes parâmetros: 6 parâmetros de movimento da cabeça, sinal médio global, sinal da substância branca e sinal do líquido cefalorraquidiano.
    NOTA: Durante esta etapa, defina a 'Tendência polinomial' como 1 como padrão e escolha os '6 parâmetros de movimento da cabeça', os 'Regressores incômodos (WM, CSF, Global)' e 'adicionar média de volta' como padrão.
  11. Use a filtragem passa-banda para reter sinais entre 0,01 e 0,08 Hz. Remova o ruído fisiológico de alta frequência e o desvio de baixa frequência. Marque Filtro.

4. Análise de conectividade dirigida

NOTA: Execute GCA combinado com os sinais BOLD para cada voxel em todo o cérebro após extrair a intensidade média do sinal BOLD na área da semente.

  1. Execute o GCA em voxel usando o REST-GCA na caixa de ferramentas REST. Na caixa de pós-processamento, marque GCA.
  2. Defina o 'pedido' como 1 como padrão. Selecione os parâmetros na entrada.
  3. Definir o ROI e identificar pontos de interesse no PCC. Selecione Definir ROI e escolha o ROI esférico. Selecione Avançar. Defina as coordenadas centrais e o raio do ROI inicial com base nos dados conhecidos e selecione OK.
    NOTA: Uma ROI para o DMN foi colocada no PCC (centralizando em x = 0, y = -53, z = 26 com raio = 6 mm), como em um estudo anterior13.
  4. Selecione Executar e OK para executar o programa.
  5. Encontre pastas chamadas ZGCA e GCA após o processamento de dados de arquivos relevantes. Classifique os arquivos do ZGCA e classifique-os em quatro subpastas, xx, xy, yx, yy de acordo.
    NOTA: Mais tarde, use principalmente as subpastas xy e yx. Os três conjuntos de dados de arquivo ('AD', 'MCI', 'NC') são todos processados e classificados de acordo com as etapas 3.1 a 4.5 acima.
  6. Abra o RESTplus através do MATLAB e clique com o botão esquerdo em Análise Estatística. Clique com o botão esquerdo em Teste T REST de duas amostras.
  7. Nomeie o resultado de saída como T1xy e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta xy na pasta Resultados do AD e a subpasta xy na pasta Resultados NC.
  8. Na opção de Arquivo de máscara, clique com o botão esquerdo para abrir o subarquivo BrainMask_05_61*73*61 na pasta 'máscara'.
  9. Selecione Computação para executar o programa.
  10. Nomeie o resultado de saída como T2xy e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta xy na pasta Resultados do AD e a subpasta xy na pasta Resultados do MCI. Repita as etapas 4.8 - 4.9.
  11. Nomeie o resultado de saída como T3xy e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta xy na pasta Resultados MCI e a subpasta xy na pasta Resultados NC. Repita as etapas 4.8 - 4.9.
  12. Nomeie o resultado de saída como T1yx e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta yx na pasta Resultados do AD e a subpasta yx na pasta Resultados NC. Repita as etapas 4.8 - 4.9.
  13. Nomeie o resultado de saída como T2yx e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta yx na pasta Resultados do AD e a subpasta yx na pasta Resultados do MCI. Repita as etapas 4.8 - 4.9.
  14. Nomeie o resultado de saída como T3yx e defina o diretório de saída. Clique com o botão esquerdo em Adicionar imagens de grupo para abrir a subpasta yx na pasta Resultados MCI e a subpasta yx na pasta Resultados NC. Repita as etapas 4.8 - 4.9.
  15. Por fim, obtenha os seis arquivos de resultados seguindo as etapas 4.6 - 4.14 e clique com o botão esquerdo no visualizador do RESTplus para visualizar o resultado. Importe o modelo chamado ch2 na subjacência.
  16. Encontre os seis arquivos de resultado no diretório de saída e preencha a sobreposição um por um. Obtenha o gráfico de resultados finais e os seis arquivos de resultados que correspondem aos seis gráficos.
  17. Use o SPSS (Statistical Product and Service Solutions) para processar os dados obtidos na etapa anterior.
    1. Apresentar variáveis contínuas como médias e desvios-padrão (DP).
    2. Apresente variáveis categóricas como números e porcentagens e, em seguida, use o teste do qui-quadrado.
      NOTA: Todos os valores de p de <0,05 foram considerados estatisticamente significativos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Informações demográficas

A Tabela 1 apresenta as características dos sujeitos. Todos os sujeitos tinham escolaridade igual ou superior ao ensino fundamental. Idade, sexo e escolaridade foram semelhantes entre os três grupos (P >0,05), enquanto os escores do MEEM foram significativamente diferentes (p <0,01).

Conectividade funcional ce...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este relatório apresenta um processo de comparação entre a dirigido funcional conectividade do PCC para o cérebro e do cérebro inteiro para o PCC entre AD, MCI e controle de grupos. Além disso, um passo fundamental neste processo é a classificação e a seleção da amostra antes do experimento. Assim, a classificação e critérios de triagem são cruciais como a precisão dos resultados pode ser afectada se eles estão errados. Constantes do protocolo, usamos critérios diagnósticos do NINCDS-ADRDA 2011 e meem e os critérios para...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores declaram que não têm quaisquer interesses financeiros concorrentes.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores agradecer Gongjun JI para suporte de software de computador. Esta pesquisa foi parcialmente apoiada pela Fundação Nacional de ciências naturais da China (n. º 81201156, 81271517); o Zhejiang Provincial Natural Science Foundation da China (n. LY16H180007, LY13H180016, 2013C33G1360236) e a Fundação de ciência, da Comissão de saúde da província de Zhejiang (n. º 2013RCA001, 201522257).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
116 pacientesPovo Provincial de Zhejiang Esteestudo foi aprovado pelo comitê de ética do Povo Provincial de Zhejiang s hospital. Todos os sujeitos inscritos assinaram um termo de consentimento livre e esclarecido.
Scanner de ressonância magnética Siemens Trio 3.0 TSiemens, Erlangen, Alemanha20571Equipado com AudioComfort que reduz o ruído acústico em até 90%; Proporciona alto desempenho com baixo nível de ruído; Bobina ultraleve; Design exclusivo de sequência de ressonância magnética; Suporta até 400 libras sem restrições.
RESTplusHangzhou Normal University, Hangzhou, Zhejiang, China20160122O RESTplus evoluiu do REST (Resting-State fMRI Data Analysis Toolkit), um kit de ferramentas conveniente para calcular a Conectividade Funcional (FC), Homogeneidade Regional (ReHo), Amplitude de Flutuação de Baixa Frequência (ALFF), ALFF Fracionário (fALFF), Causalidade de Gragner, centralidade de grau, conectividade homotópica espelhada em voxel (VMHC) e realizar análises estatísticas.
DPARSFHangzhou Normal University, Hangzhou, Zhejiang, China130615Assistente de Processamento de Dados para fMRI em Estado de Repouso (DPARSF) é um software plug-in conveniente dentro do DPABI, que é baseado em SPM. Você só precisa organizar seus arquivos DICOM e clicar em alguns botões para definir os parâmetros, o DPARSF fornecerá todos os dados pré-processados, conectividade funcional, ReHo, ALFF/fALFF, centralidade de grau, resultados de conectividade homotópica espelhada em voxel (VMHC).
SPSSSPSS Inc., Chicago, IL, EUA-SPSSoferece opções de análise detalhadas para analisar mais profundamente seus dados e identificar tendências que você pode não ter notado.

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Conectividade FuncionalRede de Modo Padr oC rtex Cingulado PosteriorResson ncia Magn tica FuncionalConectividade DirecionadaAn lise de Redes CerebraisAn lise Voxel a Voxel

Artigos relacionados