Методическая статья

Применение анализа причинно-следственных связей Грейнджер режиссер функциональные связи в болезни Альцгеймера и умеренными когнитивными нарушениями

DOI:

10.3791/56015

⸱

7 августа 2017 г.

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

В этой статье

Краткое содержание

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

Основываясь на отдыха государство функционального магнитного резонанса с Грейнджер анализа причинно-следственных связей, мы исследовали изменения направлены функциональной связи между задней поясной коры и весь мозг пациентов с болезнью Альцгеймера (AD), пациентов с мягкий когнитивных нарушений (MCI) и здорового контроля.

Аннотация

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

Нарушением функциональной связи в сети по умолчанию режим (НУМ) могут быть вовлечены в прогрессирования болезни Альцгеймера (AD). Задней поясной коры (PCC) является потенциальным изображения маркера для мониторинга прогрессирование AD. Предыдущие исследования не нацелен на функциональные связи между КЦП и узлы в регионах за пределами НУМ, но наше исследование является попыткой изучить эти упускается из виду функциональных соединений. Для сбора данных, мы использовали функциональная магнитно-резонансная томография (МРТ) и анализ причинно-следственных связей Грейнджер (ГКА). МР-томографию предоставляет неинвазивный метод для изучения динамического взаимодействия между регионами различных мозга. ВКА — статистическая гипотеза тест для определения, полезен ли одноразовый серии прогнозирования другой. В простых терминах, он оценивается путем сравнения «Известные всю информацию на последний момент, распределения вероятностей X в это время» и «Известные всю информацию на последний момент, за исключением Y, распределения вероятностей X в настоящее время», чтобы определить, существует ли причинно-следственная связь между X и Y. Это определение основывается на источник полной информации и стационарные хронологическую последовательность. Основной шаг этого анализа заключается в использовании X и Y, чтобы установить уравнение регрессии и привлечь причинно-следственной связи, гипотетический теста. С ГКА можно измерить причинных эффектов, мы использовали его для изучения анизотропии функциональной связности и исследовать функцию концентратора PCC. Здесь мы проверку 116 участников для МРТ сканирование, и после предварительной обработки данных, полученных от нейровизуализации, мы использовали ГЦА вывести причинно-следственной связи каждого узла. Наконец мы пришли к выводу, что режиссер связи значительно отличаются между группами мягкий когнитивных нарушений (MCI) и AD, PCC весь мозг и весь мозг для КПК.

Введение

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

АД это дегенеративное заболевание центральной нервной системы, которая может быть диагностирована с помощью гистопатология, электрофизиологии и нейровизуализации1. Связанных с памятью НУМ является жизненно важной системы взаимодействующих областей мозга, связанные с AD, и аномальные функции характерно AD2,3. PCC является важным регионом по умолчанию традиционной сети в состоянии покоя и играет ключевую роль в эпизодических памяти, пространственной внимание, самооценки и других когнитивных функций4,5,6,7. Кроме того она может быть маркер изображений для мониторинга AD прогрессии. Используя вка, Ляо et al. обнаружил, что КПК является регионом несколько cytoarchitectonics с несколькими подключениями и играет важную роль в функциональных мозга структуры8. Чжун et al. сообщили, что центр конвергенции, который получил взаимодействия от большинства других регионов в течение НУМ3PCC. Кроме того Мяо et al. показали, что в регионах хаб НУМ, PCC имеет наибольшее причинной эффект отношения с другими узлами9. Вместе все, что это свидетельство показывает, что режиссер подключение PCC ценные исследования AD и PCC нуждается в дальнейшем изучить обстоятельно как жизненно важного региона НУМ.

Предыдущие исследования были ограничены соединения между КПК и других регионов в НУМ; Однако изменения направлены функциональные связи между регионами КЦП и мозг за пределами НУМ, а также их влияние на объявление пока не изучены10. Наше исследование дополнительно изучить этот неисследованных функциональные связи в нормальных здоровых элементов управления, с MCI и пациентам с AD. Наблюдая режиссер подключения между КПК и весь мозг регионами, мы стремились выяснить функциональные изменения в головном мозге, относящиеся к AD прогрессии и тем самым создать роман объективной основы для оценки тяжести заболевания.

Функциональные связи относится к межрегионального взаимодействия, который может быть представлен синхронных колебаниями низкой частоты (LFFs) в мозгового сигнала зависит от уровня крови кислорода (BOLD) МР-томографию. Таким образом для того чтобы наблюдать функциональной связи между КПК и других регионах мозга, мы проанализировали функциональной связи между КПК и весь мозг сети по МР-томографию с помощью вка, с PCC как региона интерес (ROI). Этот метод непосредственно вытекает фундаментальные отношения каждого узла, используя данные, полученные от нейровизуализации11. В последнее время GCA был применен к электроэнцефалограммы (ЭЭГ) и МР-томографию исследования для выявления причинных эффектов среди регионов мозга12. Все эти исследования показали, что ВКА техника может быть оптимальным для выявления причинно-следственной связи каждого узла в головном мозге.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Это исследование было одобрено Комитетом по этике Народной больницы провинции Чжэцзян. Каждый зарегистрированный субъект подписал письменное информированное согласие.

1. Классификация и скрининг образцов

  1. Диагностировать и разделить 116 пациентов на группы БА и ЛКН.
    ПРИМЕЧАНИЕ: Используйте диагностические критерии Национального института неврологических и коммуникативных расстройств и инсульта 2011 года и Ассоциации болезни Альцгеймера и связанных с ней расстройств (NINCDS-ADRDA), а также критерии мини-обследования психического состояния (MMSE) для идентификации и классификации MCI, которые подробно описаны в Yu et al.10
  2. Выберите участников в здоровой контрольной группе.
    Примечание: Возраст, пол и уровень образования контрольной группы были сопоставимы с пациентами в группах MCI и AD.
  3. Оценивайте все предметы по MMSE10.
  4. Исключите субъектов, которые не соответствовали критериям включения. Для всех субъектов критерии исключения упоминаются в Yu et al.10
  5. Используйте МРТ для сканирования субъектов; исключите субъекты с непригодными для использования данными из-за движений головы.
    Примечание: В конечном счете, мы обследовали 26 пациентов с MCI, 32 пациента с болезнью Альцгеймера и 58 пациентов контрольной группы.

2. Получение нейровизуализации

  1. Удалите металлические и магнитные предметы перед входом в лабораторию МРТ 3,0 Тл.
  2. Установите приемную катушку МРТ на станине магнитно-резонансного сканирования. Приемная катушка представляет собой 8-канальную кольцевую поляризованную катушку с фазированной антенной решеткой мозга.
  3. Проинструктируйте участника лечь на кровать и оставаться лежа на спине, наклонив голову вперед и расположив длинную ось тела вдоль длинной оси кровати. Поместите голову участника на кронштейн катушки и убедитесь, что линия орбитометали перпендикулярна кровати.
  4. Скажите участнику, чтобы он располагал верхние конечности по бокам тела, держал глаза закрытыми, не думал ни о чем конкретном и двигался как можно меньше во время сканирования. Положите поролоновые прокладки на голову в двусторонней височной области, чтобы предотвратить движение головы<, и предоставьте наушники, чтобы уменьшить шум сканера >для участника. ПРИМЕЧАНИЕ: Размеры поролоновой прокладки: длинный диаметр = 13 см, короткий диаметр = 10 см, наибольшая толщина = 7 см, самая тонкая толщина = 3 см, средняя толщина = 5 см.
  5. Отрегулируйте положение головы с помощью позиционирующего света таким образом, чтобы сагиттальный позиционирующий курсор находился в средней линии лица, а курсор позиционирования оси был параллелен боковому кантусу. Затем переместите кровать так, чтобы ось позиционирования курсора находилась на бровях или на 2 см ниже нее.
  6. Переместите головку к центру магнита. Проведите фМРТ сканирование головного мозга, включая градиентную эхо-планарную визуализацию (EPI-BOLD) и 3D-T1-MPRAGE.
    ПРИМЕЧАНИЕ: Используйте следующие параметры:
    EPI-BOLD: TR/TE = 2,000/30 мс, толщина слоя/шаг слоя = 3,2/0,8 мм, 31 срез, матрица = 64 x 64, FOV = 220 x 220 мм, размер вокселя = 3 x 3 x 4 мм, угол отражения = 90 °, время сканирования 484 с, всего 240 изображений сканирования.
    Визуализация 3D-T1-MPRAGE: TR/TE = 8,5/3,2 мс, угол поворота = 15°, поле зрения = 250 x 250 мм, матрица = 256 x 256, номер среза = 176, толщина/зазор среза = 1/0 мм, время сканирования 353 с, всего 192 сканирования изображений.
  7. Обеспечьте безопасность пациента, когда он встает с кровати в конце сканирования.

3. Предварительная обработка данных

ПРИМЕЧАНИЕ: Анализируйте исходные данные о функциях мозга в состоянии покоя, используя набор инструментов для анализа данных фМРТ в состоянии покоя (rs-fMRI) plus (RESTplus).

  1. Откройте RESTplus через MATLAB и щелкните левой кнопкой мыши по Pipeline.
  2. Импортируйте соответствующие файлы в RESTplus. Выберите рабочий каталог, а затем начальные каталоги EPI и T1.
  3. Конвертация файлов DICOM в NIFTI. Отметьте галочкой поле DICOM-NIFTI в предварительной обработке и отметьте параметры EPI DICOM-NIFTU и T1 DICOM-NIFTI.
  4. Удалите первые 10 временных точек, отметив галочкой опцию Удалить первые n временных точек и установив параметр n равным 10.
  5. Установите время среза в соответствии с параметрами rs-fMRI. Отметьте галочкой поле «Время среза». Установите номер среза в соответствии с параметрами rs-фМРТ исследования. Введите порядок нарезки.
    Примечание: Получение данных о каждом слое сканирования мозга происходит не в один и тот же момент времени, и, таким образом, он должен быть откалиброван в одну и ту же временную точку.
  6. Корректируйте время и движение головы. Отметьте галочкой Realign.
    ПРИМЕЧАНИЕ: Критерием исключения чрезмерного движения головы являлось перемещение на >2,0 мм или вращение на >2,0° в любом направлении. В RESTplus это параметр по умолчанию (щелкните левой кнопкой мыши по опции «Выровнять»).
  7. Выполните пространственную нормализацию с помощью унифицированной сегментации изображений T1 и стандартизации всех головок в одном и том же пространстве. Отметьте галочкой Нормализовать и оставьте параметры по умолчанию внизу. Выберите параметр Нормализовать с помощью унифицированной сегментации изображения T1 и европейских параметров.
    ПРИМЕЧАНИЕ: Пересчитывайте изображения rs-фМРТ с вокселями от 3 × 3 × 3 мм, а другие параметры в RESTplus являются стандартными, просто щелкните левой кнопкой мыши по опции «Нормализовать с помощью унифицированной сегментации изображений T1».
  8. Выполните пространственное сглаживание с помощью изотропного гауссова ядра с полной шириной в половине максимума (FWHM) 6 мм. Отметьте галочками Smooth.
  9. Удалите линейный тренд, отметив галочкой «Удалить тренд».
  10. Регрессия сигналов от раздражающих регрессоров (WM, CSF, Global) для увеличения отношения сигнал/шум. Отметьте галочкой регрессию неприятных ковариатов и следующие параметры: 6 параметров движения головы, глобальный средний сигнал, сигнал белого вещества и сигнал спинномозговой жидкости.
    ПРИМЕЧАНИЕ: На этом шаге установите значение "Полиномиальный тренд" как 1 по умолчанию и выберите "6 параметров движения головы", "Нежелательные регрессоры (WM, CSF, Глобальный)" и "Добавить среднее обратно" по умолчанию.
  11. Используйте полосовую фильтрацию для сохранения сигналов в диапазоне от 0,01 до 0,08 Гц. Удалите высокочастотный физиологический шум и низкочастотный дрейф. Отметьте галочкой опцию Фильтр.

4. Анализ направленной связности

ПРИМЕЧАНИЕ: Выполните GCA в сочетании с сигналами BOLD для каждого вокселя во всем мозге после извлечения средней интенсивности сигнала BOLD в начальной области.

  1. Выполните GCA по вокселям с помощью REST-GCA в наборе инструментов REST. В поле постобработки отметьте галочкой GCA.
  2. Установите 'order' как 1 по умолчанию. Выберите параметры во входных данных.
  3. Определение ROI и выявление исходных точек интереса в PCC. Выберите Определить ROI и выберите Сферический ROI. Нажмите кнопку Далее. Установите координаты центра и радиус ROI затравки на основе известных данных и выберите OK.
    ПРИМЕЧАНИЕ: ROI для DMN был помещен в PCC (центрирование при x = 0, y = -53, z = 26 с радиусом = 6 мм), как и в предыдущем исследовании13.
  4. Выберите «Выполнить» и «ОК», чтобы запустить программу.
  5. Находите папки с именами ZGCA и GCA после обработки соответствующих файловых данных. Отсортируйте файлы ZGCA и классифицируйте их по четырем подпапкам: xx, xy, yx, yy соответственно.
    ПРИМЕЧАНИЕ: Позже в основном используйте подпапки xy и yx. Все три набора файловых данных ('AD', 'MCI'', 'NC') обрабатываются и сортируются в соответствии с шагами 3.1 - 4.5 выше.
  6. Откройте RESTplus через MATLAB и щелкните левой кнопкой мыши по «Статистическому анализу». Щелкните левой кнопкой мыши по REST Two-Sample T-Test.
  7. Назовите результат вывода T1xy и задайте директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку xy в папке AD Results и подпапку xy в папке NC Results.
  8. В опции «Файл маски» щелкните левой кнопкой мыши, чтобы открыть подфайл BrainMask_05_61*73*61 в папке «маска».
  9. Выберите Вычислительные ресурсы, чтобы запустить программу.
  10. Назовите результат вывода T2xy и задайте директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку xy в папке AD Results и подпапку xy в папке MCI Results. Повторите шаги 4.8 - 4.9.
  11. Назовите результат вывода T3xy и задайте директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку xy в папке MCI Results и подпапку xy в папке NC Results. Повторите шаги 4.8 - 4.9.
  12. Назовите результат вывода T1yx и установите директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку yx в папке AD Results и подпапку yx в папке NC Results. Повторите шаги 4.8 - 4.9.
  13. Назовите результат вывода T2yx и установите директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку yx в папке AD Results и подпапку yx в папке MCI Results. Повторите шаги 4.8 - 4.9.
  14. Назовите результат вывода T3yx и установите директорию вывода. Щелкните левой кнопкой мыши по кнопке «Добавить групповые изображения», чтобы открыть подпапку yx в папке MCI Results и подпапку yx в папке NC Results. Повторите шаги 4.8 - 4.9.
  15. Наконец, получите шесть файлов результатов, выполнив шаги 4.6 - 4.14, и щелкните левой кнопкой мыши на просмотрщике RESTplus, чтобы просмотреть результат. Импортируйте шаблон с именем ch2 в Underlay.
  16. Найдите шесть файлов результатов в выходном каталоге и заполните Наложение один за другим. Получите итоговый график результатов и шесть файлов результатов, соответствующих шести графам.
  17. Используйте Statistical Product and Service Solutions (SPSS) для обработки данных, полученных на предыдущем этапе.
    1. Представление непрерывных переменных в виде средних значений и стандартных отклонений (SD).
    2. Представьте категориальные переменные в виде чисел и процентов, а затем используйте критерий хи-квадрат.
      Примечание: Все p-значения <0,05 были признаны статистически значимыми.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Демографическая информация

Таблица 1 представляет характеристики предметов. Все предметы имели уровень образования от младшей школы и выше. Возраст, пол и уровень образования были схожими между тремя группами (P >0,05), в то время как баллы MMSE значительно различались (p <0,01).

Направленная функциональная связь мозга

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Этот доклад представляет собой процесс для сравнения режиссер функциональные соединения в КЦП весь мозг и весь мозг КЦП между AD, MCI и управления группы. Кроме того ключевым этапом в этом процессе является классификация и отбора образца до эксперимента. Таким образом классификации и критериев отбора важны потому, что точность результатов могут быть затронуты, если они ошибочны. Как указано в протоколе, мы использовали 2011 NINCDS-ADRDA диагностические критерии и MMSE и критерии для идентификации и классификации MCI; Наш...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют, что они не имеют каких-либо финансовых интересов.

Благодарности

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

Авторы благодарят Gongjun JI для поддержки программного обеспечения компьютеров. Это исследование было частично поддерживается Фонд национального естественных наук Китая (№ 81201156, 81271517); Чжэцзян провинции естественных наук фонд Китая (no. LY16H180007, LY13H180016, 2013C33G1360236) и научный фонд здравоохранения Комиссии провинции Чжэцзян (№ 2013RCA001, 201522257).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
116 пациентовНародный округ провинции Чжэцзян Этоисследование было одобрено Комитетом по этике Народной провинции Чжэцзян больницы. Каждый зарегистрированный субъект подписал письменную форму информированного согласия.
МРТ-сканер Siemens Trio 3.0 TSiemens, Эрланген, Германия20571Оснащен системой AudioComfort, снижающей акустический шум до 90%; Обеспечивает высокую производительность при низком уровне шума; Сверхлегкая катушка; Уникальная конструкция последовательности МРТ; Выдерживает вес до 400 фунтов без ограничений.
RESTplusHangzhou Normal University, Ханчжоу, Чжэцзян, Китай20160122RESTplus развился из REST (Resting-State fMRI Data Analysis Toolkit), удобного набора инструментов для расчета функциональной связности (FC), региональной однородности (ReHo), амплитуды низкочастотных колебаний (ALFF), дробного ALFF (fALFF), причинно-следственной связи Грагнера, центральности степени, воксельно-зеркальной гомотопической связности (VMHC) и выполнения статистического анализа.
DPARSFHangzhou Normal University, Ханчжоу, Чжэцзян, Китай130615Data Processing Assistant for Resting-State fMRI (DPARSF) — это удобное подключаемое программное обеспечение в рамках DPABI, основанное на SPM. Вам просто нужно упорядочить файлы DICOM и нажать несколько кнопок для установки параметров, DPARSF затем предоставит все предварительно обработанные данные, функциональную связность, ReHo, ALFF/fALFF, степень центральности, воксельно-зеркальную гомотопическую связь (VMHC).
SPSSSPSS Inc., Чикаго, Иллинойс,США-SPSSпредлагает варианты подробного анализа, позволяющие глубже изучить ваши данные и выявить тенденции, которые вы, возможно, не заметили.

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи