Análise de Redes da rede de modo padrão Usando Funcional Conectividade RM em Epilepsia do Lobo Temporal

O objetivo geral do experimento a seguir é obter mapas estatísticos. Comparando a diferença entre exames de RMf de estado de repouso de controles saudáveis e pacientes com epilepsia. Isso é alcançado obtendo-se dados de RMf de indivíduos com epilepsia do lobo temporal, bem como de indivíduos controles saudáveis.

Como segundo passo, a RMf é pré-processada, o que prepara os dados para serem analisados estatisticamente. Em seguida, os dados de RMf pré-processados são analisados para obter comparações estatisticamente válidas entre os dois grupos. São obtidos resultados que mostram diferenças nas redes cerebrais entre pacientes com epilepsia em comparação com as redes cerebrais de indivíduos controle saudáveis.

Com base nas diferenças estatísticas nos mapas de redes cerebrais entre esses dois grupos, tornou-se cada vez mais evidente que mesmo as epilepsias manifestadas por crises focais são propriedades emergentes de distúrbios difusos nas redes. A ideia para esta técnica surgiu após reconhecer a importância da rede DEF Favo durante as crises e questionar se a rede LO padrão é anormal entre as crises na epilepsia do lobo temporal. A população de estudo para este protocolo deve incluir três grupos, certo?

Pacientes com epilepsia do lobo temporal, pacientes com epilepsia do lobo temporal esquerdo, bem como controles saudáveis. Recomenda-se um total de aproximadamente 35 indivíduos. Os grupos de pacientes com epilepsia devem ser indivíduos diagnosticados com epilepsia do lobo temporal, como candidatos à ressecção do lobo temporal anterior, conforme determinado por vídeo, monitoramento por EEG, imagem por PET e testes neuropsicológicos, garantindo que todos os indivíduos tenham ressonâncias magnéticas cerebrais normais e estejam livres de doenças neurológicas além da epilepsia nos grupos de pacientes.

Obtenha aprovação do CEP e consentimento informado por escrito de todos os indivíduos antes da aquisição de imagens e realize triagem para segurança em RNM. Os pacientes devem continuar com seus medicamentos habituais durante o exame de RNMf e não devem ser escaneados imediatamente após uma crise epiléptica. Um sistema de RNM de três Tesla deve ser utilizado para todas as aquisições de imagens descritas neste protocolo.

Obtenha cortes axiais para imagens funcionais utilizando uma sequência de imagem por eco planar e, para imagens anatômicas, utilize uma sequência de gradiente recuperado com saturação. Peça aos participantes que relaxem e permaneçam imóveis com os olhos fechados, e realize a aquisição de imagens funcionais usando os parâmetros mostrados aqui. Utilize também os seguintes parâmetros para a aquisição estrutural de alta resolução ponderada em T1 S PGR.

Cada sessão de aquisição de imagens deve durar cerca de 20 minutos. Comece pré-processando os dados de FMRI usando o software FSL First. Utilize o FSL MFL para remover artefatos de movimento da cabeça.

Em seguida, utilize a ferramenta de extração de cérebro FSL ou BET para remover tecidos não cerebrais com a opção -F para arquivos BOLD. Isso permite etapas adicionais de análise somente no tecido cerebral. A seguir, no FEAT, execute uma análise com processamento mínimo com registro.

Selecione a análise de primeiro nível e altere a análise completa para pré-estatística usando os dois botões superiores. Em seguida, na guia pré-estatística, desmarque a extração do cérebro com BET e selecione nenhum para correção de movimento, pois essas etapas já foram realizadas. Em seguida, registre as imagens funcionais nas imagens anatômicas e depois em uma imagem padrão MNI.

Isso resulta na geração de matrizes de transformação, que são usadas posteriormente durante a análise para distorcer a semente selecionada no espaço padrão para o espaço cerebral do sujeito. Em seguida, utilize a matriz de transformação gerada chamada standard to example funk dot mat e transforme as ROI de LCR e da substância branca para o espaço bold individual. Depois, usando o comando FSL mean TS, extraia as séries temporais das ROI de LCR e da substância branca.

Usando a ROI no espaço individual do sujeito como máscara, normalize as séries temporais extraídas utilizando o software R. Essas séries temporais serão posteriormente usadas como regressores no modelo linear geral para remover os sinais artefatuais correspondentes da análise. O próximo passo é a remoção de artefatos relacionados ao movimento do sujeito. Para a regressão dos parâmetros de movimento.

Defina o seguinte no FSL feet antes de executá-lo pela primeira vez na guia de dados: utilize o arquivo corrigido para movimento e com extração do cérebro como entradas e configure o valor de TR para corresponder ao seu conjunto de dados. Aplique o filtro passa-alta utilizando um filtro de 102º, o que removerá sinais de muito baixa frequência sem interesse. Um filtro passa-baixa para remover sinais de alta frequência será aplicado posteriormente na guia prestats.

Escolha nenhuma opção na correção de movimento e desmarque, mas mantenha a extração do cérebro. Como essas etapas já foram realizadas, realize a suavização espacial utilizando uma largura total na metade máxima de cinco milímetros. Em seguida, na guia de estatísticas, realize a regressão dos seis parâmetros de movimento e suas derivadas temporais.

Selecione nenhum para convolução e marque aplicar filtro temporal. Utilize a saída do F selmic flirt para obter arquivos de texto com os parâmetros de movimento, que então podem ser inseridos na análise feet para regressar esses parâmetros em um modelo linear geral. Além disso, adicione os sinais de LCR e de matéria branca que foram extraídos e normalizados nas etapas anteriores ao GLM.

Selecione nenhum para convolução. Adicione derivada temporal e desmarque aplicar filtragem temporal. Os resíduos do pré-processamento descrito acima devem ser usados para a correlação baseada em semente.

Esses resíduos devem primeiro passar por um filtro PESS baixo de 0,1 hertz, depois ser desviados pela subtração da média, divididos pelo desvio padrão e então escalonados mediante adição de 100. A semente deve ser definida com um diâmetro de seis milímetros no espaço MNI padrão. Utilizando o software MRI crown, as sementes posterior e anterior devem corresponder às coordenadas mostradas aqui.

Observe que essas localizações de semente foram definidas com base em controles saudáveis. As sementes devem posteriormente ser transformadas para o espaço funcional cerebral individual de cada sujeito a partir do espaço padrão MNI. Para isso, utilize a matriz de transformação previamente gerada para converter a semente do espaço padrão MNI para o espaço funcional individual.

Em seguida, utilize o comando FSL mean Ts para extrair a série temporal do resíduo previamente subtraído da média e escalonado, usando a semente no espaço do sujeito individual como máscara. Normalize a série temporal extraída utilizando o software R; as correlações parciais entre os vóxeis da semente e todos os vóxeis cerebrais devem ser calculadas separadamente para cada sujeito e para cada execução.

Para isso, dentro da interface FSL FEAT, selecione primeiramente a análise de primeiro nível e, em seguida, estatísticas mais pós-estatísticas dentro da guia de dados. O resíduo previamente subtraído a média e escalado deve ser usado como entrada. Defina o corte do filtro passa-alta como 10.000, já que o resíduo já foi previamente filtrado acima de 100 segundos na guia de estatísticas.

Desmarque o uso de pré-branqueamento com filme e utilize as séries temporais de sementes previamente extraídas e normalizadas. No GLM, na guia de estatísticas pós-teste, defina o limiar estatístico Z desejado para um valor de 2,0 antes de executar a análise de grupo. Ao combinar execuções dentro dos sujeitos, deve-se realizar uma transformação Z de Fisher no contraste das estimativas de parâmetros.

Arquivo gerado a partir da análise de correlação; copie os dados de registro do diretório reg da análise dos pés para a execução da correlação. Execute uma análise de nível superior combinando execuções dentro de cada sujeito. Primeiro, selecione análise de nível superior e, em seguida, estatísticas mais pós-estatísticas.

Em seguida, na guia de dados, selecione que as entradas são diretórios de nível inferior e insira as execuções do sujeito na guia de estatísticas. Escolha efeitos mistos. Ajuste OLS simples configure um modelo como o efeito médio e insira um valor de um para cada uma das execuções dos sujeitos.

Para combinar os dados entre os sujeitos, uma análise simples de efeitos mistos por mínimos quadrados ordinários deve ser utilizada; para isso, escolha análise de alto nível e estatísticas mais pós-estatísticas dentro da guia de dados. Escolha como entradas os diretórios de nível inferior e insira as execuções combinadas do sujeito dentro da guia de estatísticas, selecione efeitos mistos. No modelo simples de mínimos quadrados ordinários, configure o modelo como três grupos e insira um valor de um para o grupo.

Cada sujeito pertence a zero. Caso contrário, a análise de grupo deve ser realizada em cada vóxel utilizando uma ANOVA unifatorial com três níveis, que correspondem aos três grupos, para definir o limiar. As imagens da estatística Z utilizam um limiar de formação de aglomerados de Z maior que 2,0 e um limiar de significância de aglomerado corrigido de P igual a 0,05 para obter os valores corretos de Z no mapa de correlação.

Deve-se realizar uma transformação reversa de Fisher Z nos resultados. Finalmente, utilize os seguintes contrastes específicos conforme exibidos na tela aqui. Esta figura mostra a rede do modo padrão revelada com conectividade a partir de uma semente posterior, incluindo o retrosplênio e o precúneo em cores vermelho-amareladas, e a partir de uma semente anterior, incluindo o córtex pré-frontal medial ventral em cores azul-esverdeadas.

A primeira linha revela a rede para os sujeitos de controle, a segunda linha para epilepsia do lobo temporal esquerdo e a linha inferior para epilepsia do lobo temporal direito. As figuras a seguir comparam essas redes entre esses três grupos. Aqui observamos as redes do modo padrão reveladas com uma semente anterior e uma posterior para epilepsia do lobo temporal direito e esquerdo combinadas em comparação com controles saudáveis.

Esta figura mostra as redes do modo padrão reveladas com os mesmos pontos de semente apenas para epilepsia do lobo temporal esquerdo em comparação com controles saudáveis. Enquanto esta figura mostra as redes reveladas apenas para epilepsia do lobo temporal direito em comparação com controles saudáveis, e finalmente aqui observamos as redes do modo padrão reveladas com uma semente anterior e uma posterior para epilepsia do lobo temporal esquerdo em comparação com epilepsia do lobo temporal direito. Estudos de conectividade funcional que incluem todo o cérebro são essenciais para compreender os mecanismos fundamentais da epilepsia.

Utilizamos uma técnica baseada em semente neste experimento para avaliar a conectividade com a rede inativa. Será interessante observar como outras técnicas se comparam em seus resultados ao estudar a epilepsia do lobo temporal.