Name: Aplicação da análise de causalidade de Granger da Conexão funcional direcionado na doença de Alzheimer e transtorno cognitivo leve (Vídeo) | JoVE Journal
Uploaded: 2017-08-07T15:00:00.000+00:00
Duration: 8 min 43 s
Description: Aprenda a analisar conectividade funcional direcionada entre o córtex cingulado posterior e regiões cerebrais em pacientes com doença de Alzheimer e comprometimento cognitivo leve usando ressonância magnética funcional e análise de causalidade de Granger.

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

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).

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
<ol>
	<li>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</li>
	<li>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.</li>
	<li>Avalie todos os sujeitos por MMSE10.</li>
	<li>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</li>
	<li>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.</li>
</ol>
2. Aquisição de Neuroimagem
<ol>
	<li>Remova objetos metálicos e magnéticos antes de entrar no Laboratório de Ressonância Magnética de 3.0 T.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Mantenha o paciente seguro quando ele estiver saindo da cama no final do exame.</li>
</ol>
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).
<ol>
	<li>Abra o RESTplus através do MATLAB e clique com o botão esquerdo em Pipeline.</li>
	<li>Importe os arquivos relevantes para o RESTplus. Selecione o diretório de trabalho e, em seguida, os diretórios EPI e T1 iniciais.</li>
	<li>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.</li>
	<li>Remova os primeiros 10 pontos de tempo marcando a opção Remover os primeiros n pontos de tempo e definindo o parâmetro n como 10.</li>
	<li>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.</li>
	<li>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').</li>
	<li>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'.</li>
	<li>Execute a suavização espacial usando um kernel gaussiano isotrópico com uma largura total na metade máxima (FWHM) de 6 mm. Marque Suave.</li>
	<li>Remova a tendência linear marcando Detrend.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
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.
<ol>
	<li>Execute o GCA em voxel usando o REST-GCA na caixa de ferramentas REST. Na caixa de pós-processamento, marque GCA.</li>
	<li>Defina o 'pedido' como 1 como padrão. Selecione os parâmetros na entrada.</li>
	<li>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.</li>
	<li>Selecione Executar e OK para executar o programa.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Na opção de Arquivo de máscara, clique com o botão esquerdo para abrir o subarquivo BrainMask_05_61*73*61 na pasta 'máscara'.</li>
	<li>Selecione Computação para executar o programa.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Use o SPSS (Statistical Product and Service Solutions) para processar os dados obtidos na etapa anterior.
	<ol>
		<li>Apresentar variáveis contínuas como médias e desvios-padrão (DP).</li>
		<li>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.</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>

Os autores declaram que não têm quaisquer interesses financeiros concorrentes.

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...

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.

<table><tbody><tr><td>116 pacientes</td><td>Povo Provincial de Zhejiang Este</td><td></td> <td>estudo 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.</td></tr><tr><td>Scanner de ressonância magnética Siemens Trio 3.0 T</td><td>Siemens, Erlangen, Alemanha</td><td>20571</td><td>Equipado 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.</td></tr><tr><td>RESTplus</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>20160122</td><td>O 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.</td></tr><tr><td>DPARSF</td><td>Hangzhou Normal University, Hangzhou, Zhejiang, China</td><td>130615</td><td>Assistente 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).</td></tr><tr><td>SPSS</td><td>SPSS Inc., Chicago, IL, EUA-SPSS</td><td></td> <td>oferece opções de análise detalhadas para analisar mais profundamente seus dados e identificar tendências que você pode não ter notado.</td></tr></tbody></table>

aplicação da análise de causalidade de granger da conexão funcional direcionado na doença de alzheimer e transtorno cognitivo leve

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

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.

Informações demográficas
Tabela 1 apresenta as características dos participantes. Todos os participantes tinham nível de escolaridade igual ou superior ao ensino fundamental. Idade, sexo e nível de escolaridade foram semelhantes entre os três grupos (P &#62;0,05), enquanto os escores do MMSE foram significativamente diferentes (p &#60;0,01).
<p class="jove_step" fo:keep-together.within-page="1...

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.

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

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

O objetivo geral desta análise de causalidade de Granger é estudar a conectividade funcional direcionada no cérebro relacionada à progressão da doença de Alzheimer, estabelecendo assim uma nova base objetiva para avaliar a gravidade da doença. Este método pode ajudar a responder questões fundamentais na área da doença de Alzheimer, como a conectividade direcionada entre o CPC e regiões cerebrais inteiras. A principal vantagem desta técnica é que ela mede os efeitos causais das séries temporais de FMRI e mostra a dinâmica e as direções do sinal fraco.A implicação desta técnica estende-se ao diagnóstico da progressão da doença de Alzheimer, pois compara a conectividade funcional direcionada entre os grupos de DA, CIM e controle. Por meio deste método, que pode fornecer informações sobre a escala da conectividade funcional direcionada no Alzheimer, também pode ser aplicado a outros sistemas, como estudos de eletroencefalograma. Geralmente, indivíduos novos neste método terão dificuldades se não estiverem familiarizados com a operação do software.Primeiro, devemos adicionar aqui para o semestre e, em seguida, avaliar os trabalhos anteriores sobre Análise de Causalidade de Granger. Ao demonstrar essa metodologia no mundo real, é fundamental considerar diversos aspectos que vão além do que pode ser descrito no texto. Comece abrindo o RESTplus por meio do software e clique com o botão esquerdo em Pipeline.Importe os arquivos relevantes para o RESTplus. Selecione o diretório de trabalho e, em seguida, os diretórios iniciais de EPI e T1. Em seguida, para converter arquivos Dicom em Nifti, marque a caixa DicomToNifti na Pré-processamento.E marque os parâmetros EPI Dicom para Nifiti e T1 para Nifiti. Remova os primeiros 10 pontos temporais marcando a opção RemoveFirstTimePoints e definindo o parâmetro final como 10. Em seguida, marque a caixa de tempo de corte.Defina o número de cortes de acordo com os parâmetros de RMf RS do estudo e insira a ordem dos cortes. Marque Realign para corrigir o tempo e os movimentos da cabeça. Em seguida, realize a normalização espacial marcando Normalize e mantenha os parâmetros padrão na parte inferior.Utilize a segmentação unificada da imagem T1 e padronize todos os cabeçotes para o mesmo espaço ao selecionar os parâmetros. Normalize utilizando a segmentação unificada da imagem T1 e o modelo europeu. Em seguida, selecione suavização para realizar o alisamento espacial usando um núcleo gaussiano isotrópico com largura total na metade do máximo de 6 mm.Remova a tendência linear marcando a opção Detrend. Selecione a regressão de covariáveis de ruído a seguir: seis parâmetros de movimento da cabeça, sinal médio global, sinal da substância branca e sinal do líquido cefalorraquidiano, a fim de aumentar a relação sinal-ruído. Por fim, selecione o filtro para reter sinais entre 0,01 e 0,08 hertz.Remova o ruído fisiológico de alta frequência, bem como a deriva de baixa frequência. Comece realizando a Análise de Causalidade de Granger voxel a voxel, ou GCA, utilizando o GCA REST na caixa de ferramentas REST. Na caixa de Pós-processamento, marque GCA.Defina a ordem como um no padrão. Selecione Definir ROI e escolha a ROI esférica para definir a região de interesse. Selecione próximo.Identifique pontos de semente de interesse no córtex singular posterior, ou PCC, definindo as coordenadas centrais e o raio da ROI de semente com base nos dados conhecidos e selecione OK. Em seguida, selecione Executar e OK para rodar o programa. Depois, localize pastas denominadas ZGCA e GCA após o processamento dos dados dos arquivos relevantes. Separe os arquivos de ZGCA e classifique-os em quatro subpastas, XX, XY, YX, YY, conforme apropriado.No software, abra o RESTplus e clique com o botão esquerdo em Análise Estatística. Clique com o botão esquerdo no Teste T de duas amostras REST. 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 DA e a subpasta XY na pasta Resultados CN. Em seguida, clique com o botão esquerdo para abrir o subarquivo BrainMask na pasta mask. Depois, selecione Calcular para executar o programa.Nomeie os resultados 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 DA. E a subpasta XY na pasta Resultados MCI.Repita o cálculo do arquivo da máscara cerebral para obter as saídas para T3XY, T1YX, T2YX e T3YX, totalizando seis arquivos. Clique com o botão esquerdo no Visualizador do RESTplus para visualizar os arquivos resultantes. Importe o modelo denominado Ch2 na Sobreposição.Por fim, localize os seis arquivos resultantes no diretório de saída e preencha a sobreposição um por um. Crie o gráfico final utilizando os seis arquivos de saída. Após os nós ativos em todo o cérebro serem inicialmente identificados, a tecnologia GCA foi utilizada para determinar a conectividade funcional direcionada do PCC para todo o cérebro.E da região do cérebro inteiro para o CPC nos grupos DA, CIM e controle. A conectividade direcionada do cérebro inteiro para o CPC foi aumentada no grupo DA em comparação com o grupo controle normal e concentrou-se principalmente na região cerebelar bilateral fora da DMN. A conectividade direcionada do CPC para o cérebro inteiro foi significativamente reduzida no grupo DA em comparação com os controles, com as principais regiões, como o precúneo direito e o giro metaprontal esquerdo, pertencentes à DMN.Embora exija domínio, esta técnica pode ser realizada em 14 horas se for executada corretamente. Ao tentar este procedimento, é importante lembrar que todos os arquivos e nomes de fotos devem estar em inglês e não podem conter espaços. Após seu desenvolvimento, esta técnica abriu caminho para pesquisadores na área de fMRI explorarem a conectividade fracional direcionada na progressão da doença de Alzheimer.Após assistir a este vídeo, você deverá ter uma boa compreensão de como iniciar a análise da conectividade fracional direcionada no cérebro relacionada à progressão da DA. Assim, estabelecer uma base objetiva precisa para avaliar a gravidade da doença.

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

Research

JoVE Journal

Medicine

Medicina

A metodologia para a coleta de alta densidade de eventos relacionados com o potencial de dados, enquanto os pacientes com doença de Alzheimer executar uma tarefa de memória de reconhecimento é revisado. Este protocolo incluirá preparação assunto, garantia de qualidade, aquisição de dados e análise de dados.

Examinando as características de memória episódica com potenciais relacionados a eventos em Pacientes com Doença de Alzheimer

Técnicas de análise multivariada, incluindo a análise de componentes principais (PCA) foram usados ​​para identificar padrões de assinatura de mudança regional de imagens funcionais do cérebro. Nós desenvolvemos um algoritmo para identificar biomarcadores rede reprodutíveis para o diagnóstico de doenças neurodegenerativas, a avaliação da progressão da doença, e a avaliação objectiva do efeito do tratamento na população de doentes.

Identificação de doenças relacionadas com padrões de covariância espacial utilizando dados de neuroimagem

Este vídeo apresenta um método de examinar as mudanças relacionadas à idade na conectividade funcional das redes de controle cognitivo envolvidas em tarefas/processos direcionados. A técnica é baseada na análise multivariada de dados de fMRI.

Um método para investigar diferenças relacionadas à idade na conectividade funcional of Cognitive Controle Networks associados à mudança Dimensional Card Sort Desempenho

Este artigo descreve o Teste das 4 Montanhas (4MT), um teste dependente do hipocampo da memória espacial alocêntrica funcional. O hipocampo é afetado no início da doença de Alzheimer (DA) e este artigo descreve a metodologia 4MT e os resultados dos testes em pacientes, o que demonstra o valor do 4MT no diagnóstico de DA pré-demência.

A 4 Montanhas de teste: um teste curto de memória espacial com alta sensibilidade para o diagnóstico de pré-demência da doença de Alzheimer

Este manuscrito descreve como implementar uma análise da interação psicofisiológicos para revelar alterações de tarefas dependentes em conectividade funcional entre uma região de sementes selecionadas e voxels em outras regiões do cérebro. Análise de interação psicofisiológica é um método popular para examinar os efeitos de tarefa na conectividade do cérebro, distinto do tradicional univariada efeitos de ativação.

Análise de interação psicofisiológicos generalizada (PPI) de memória relacionados com a conectividade em indivíduos em risco genético para a doença de Alzheimer

A retina partes proeminentes semelhanças com o cérebro e, portanto, representa uma janela única para estudar vasculatura e estrutura neuronal no cérebro de forma não-invasiva. Este protocolo descreve um método para estudar a demência usando técnicas de imagem da retina. Esse método potencialmente pode ajudar no diagnóstico e avaliação de riscos de demência.

Utilizando imagens da retina para estudar a demência

Nós apresentamos in vivo a gravação eletrofisiológicos do potencial local do campo (LFP) no córtice de motor secundário bilateral (m2) dos ratos, que podem ser aplicados para avaliar o lateralization do hemisfério. O estudo revelou níveis alterados de sincronização entre o m2 esquerdo e direito em camundongos APP/PS1 comparados aos controles de WT.

Avaliação da lateralização do hemisfério com registro de potencial de campo local bilateral no córtex motor secundário de camundongos

As escalas de avaliação clínica não são suficientemente sensíveis à disfunção cognitiva em pacientes com AVC de alto funcionamento. O paradigma da dupla tarefa apresenta vantagens e potencialidades na avaliação e treinamento cognitivo da disfunção cognitiva. O estudo aqui propõe um paradigma de Stroop de dupla tarefa para identificar disfunção cognitiva em pacientes com AVC de alto funcionamento.

Paradigma Stroop de Dupla Tarefa para Detecção de Déficits Cognitivos em Pacientes com AVC de Alto Funcionamento

Este artigo apresenta uma abordagem integrativa para investigar a rede funcional para navegação espacial no cérebro humano. Esta abordagem incorpora um banco de dados meta-analítico de neuroimagem em larga escala, ressonância magnética funcional de repouso e modelagem de redes e técnicas teóricas de grafos.

Modelagem da Rede Funcional para Navegação Espacial no Cérebro Humano

A coerência da transformada wavelet (WTC) é uma metodologia comum para avaliar o acoplamento entre sinais que é usada em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS). Uma caixa de ferramentas para avaliar a direcionalidade da interação do sinal é apresentada neste trabalho.

Nova estrutura para entender a coerência entre cérebros em estudos de hipervarredura por espectroscopia funcional no infravermelho próximo (fNIRS)

DeepOmicsAE é um fluxo de trabalho centrado na aplicação de um método de aprendizagem profunda (ou seja, um autoencoder) para reduzir a dimensionalidade de dados multi-ômicos, fornecendo uma base para modelos preditivos e módulos de sinalização que representam várias camadas de dados ômicos.

DeepOmicsAE: Representando Módulos de Sinalização na Doença de Alzheimer com Análise de Aprendizagem Profunda de Proteômica, Metabolômica e Dados Clínicos

Aprenda a analisar conectividade funcional direcionada entre o córtex cingulado posterior e regiões cerebrais em pacientes com doença de Alzheimer e comprometimento cognitivo leve usando ressonância magnética funcional e análise de causalidade de Granger.

Aplicação da análise de causalidade de Granger da Conexão funcional direcionado na doença de Alzheimer e transtorno cognitivo leve (Vídeo) | JoVE Journal

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

Explorar mais vídeos