Картирование региональной однородности и функциональной связности зрительной коры при фМРТ в состоянии покоя

Summary

Мы представляем протокол анализа данных функциональной магнитно-резонансной томографии для исследования спонтанных изменений нейронной активности у пациентов с пигментным ретинитом с использованием комбинированного метода региональной гомогенности и функциональной связности.

Abstract

Комбинированный метод региональной гомогенности (ReHo) и функциональной связности (FC), разновидность неинвазивного метода функциональной магнитно-резонансной томографии (фМРТ), был использован для оценки синхронных изменений активности нейронов при пигментном ретините (RP). Целью данного исследования является описание нашего метода анализа внутри- и межрегиональных синхронизаций изменений нейрональной активности у пациентов с РП. Преимущества комбинированного метода ReHo и FC заключаются в том, что он является неинвазивным и достаточно чувствительным для исследования изменений синхронной активности нейронов головного мозга in vivo. Здесь 16 пациентов с РП и 14 здоровых контрольных групп, близких по возрасту, полу и образованию, прошли МРТ в состоянии покоя. Были проведены два выборочных t-критерия для сравнения ReHo и FC в разных группах. Наши результаты показали, что разрыв зрительной сети и реорганизация ретино-таламокортикального пути и дорсального зрительного потока происходили у пациентов с РП. Здесь мы пошагово опишем детали этого метода, его использование и влияние его ключевых параметров.

Introduction

Функциональная магнитно-резонансная томография (фМРТ) — это неинвазивный метод, который может быть использован для исследования изменений в функции и структуре мозга in vivo. Регионарная однородность (ReHo) и функциональная связность (FC) часто используются для оценки внутри- и межрегиональных синхронизаций активности мозга. ReHo, методология фМРТ в состоянии покоя, используется для вычисления сходства между временным рядом данного вокселя и его ближайших соседей, что отражает локальную синхронизацию активности мозга¹. FC используется для исследования сходства между пространственно удаленными региональными временными рядами².

Технология фМРТ может предложить объективную оценку зрительной функции в контексте лечения глазных заболеваний. Здесь мы представляем методологический протокол, который сочетает в себе методы ReHo и FC для обмена этим опытом и поддержки распространения наших знаний. В настоящей работе мы использовали протокол ReHo и FC у пациентов с пигментным ретинитом (РП) и здоровых контрольных групп (ГЦ) для уточнения деталей процедуры. РП – серьезное наследственное заболевание глаз, характеризующееся нарушением ночного зрения и прогрессирующей потерей зрения ^3,4. Генетическая мутация является основным фактором риска развития РП. Гибель палочек и колбочек фоторецепторов приводит к потере периферического зрения и, в конечном итоге, к слепоте у пациентов с РП. Предыдущие нейровизуализационные исследования показали структурные и функциональные аномалии в зрительной коре и зрительном пути пациентов с РП ^5,6,7. Кроме того, для исследования целостности пучков волокон белого вещества была использована диффузионно-тензорная визуализация. У пациентов с РП наблюдался значительно более высокий коэффициент кажущейся диффузии, главное собственное значение и ортогональное собственное значение, а также значительно более низкая фракционная анизотропия в зрительных нервах по сравнению с ГЦ⁸.

В данном случае нашей целью было исследование внутри- и межрегиональных синхронизаций нейронной активности. Мы исследовали, коррелируют ли средние значения ReHo и средние значения FC с клиническими переменными у пациентов с RP. Наш метод может позволить исследователям получить важную информацию о нейронном механизме потери периферического зрения у пациентов с РП.

Protocol

Протокол исследования был одобрен комитетом по медицинской этике больницы Жэньминь Уханьского университета. Все участники заполнили форму письменного согласия.

1. Классификация и отбор участников

1. Запишите предметы RP и HC, близкие по возрасту, полу и образованию.
2. Убедитесь, что все участники соответствуют следующим критериям: 1) возможность сканирования с помощью МРТ-сканера (например, отсутствие кардиостимуляторов или имплантированных металлических устройств); 2) отсутствие клаустрофобии; 3) отсутствие болезней сердца, гипертонии или церебральных заболеваний.

2. Сбор данных фМРТ

ПРИМЕЧАНИЕ: В этом протоколе используется МРТ-сканер 3 Тл с восьмиканальной катушкой головки.

1. Попросите каждого участника убрать металлические предметы перед входом в комнату с МРТ-сканером после окончательной проверки безопасности.
2. Проинструктируйте участника лечь на кровать и следить за тем, чтобы орбитометальная линия была перпендикулярна кровати. Затем поместите поролоновые подушечки в двустороннюю височную область головы, чтобы предотвратить движение головы, и предусмотрите беруши, чтобы уменьшить шум сканера.
3. Проинструктируйте участника лежать в покое, держать глаза закрытыми, не засыпая, и не думать ни о чем конкретном во время сканирования.
4. Отрегулируйте положение головы участника с помощью позиционного света. Убедитесь, что курсор позиционирования оси параллелен латеральному кантусу, а курсор сагиттального позиционирования совпадает со средней линией лица. Затем переместите кровать так, чтобы курсор позиционирования по оси оставался на 2 см выше или ниже бровей участника.
5. Уведомить участника о начале сеанса сканирования. Используя сканирующую консоль, запустите сканирование структурного локализатора, чтобы определить положение головы участника в сканере и спланировать последующие структурные и функциональные сканирования.
6. Проводят фМРТ со следующими последовательностями и параметрами.
   1. Выполнить трехмерную объемную томографию мозга (3D-BRAVO) МРТ со следующими параметрами: время повторения (TR)/время эха (TE) = 8,5 мс/3,3 мс; толщина = 1,0 мм; отсутствие зазора на пересечении; матрица сбора данных = 256 x 256; поле зрения = 240 х 240 мм²; и угол откидывания = 12°.
   2. Получение функциональных изображений с помощью градиентной эхопланарной визуализации в зависимости от уровня оксигенации крови (EPI-BOLD) со следующими параметрами: TR/TE = 2 000 мс/25 мс; толщина = 3,0 мм; зазор = 1,2 мм; матрица сбора данных = 256 x 256; поле зрения = 240 х 240 мм²; размер вокселя = 3,6 х 3,6 х 3,6 мм³; и 35 осевых срезов.
7. Следите за состоянием участника во время сканирования, проинструктируйте его как можно меньше двигаться и прекратите сканирование, если участник испытывает какой-либо дискомфорт.
8. Извлеките участника из сканера и попросите его осторожно сесть в конце эксперимента.

3. Предварительная обработка данных и подготовка программного обеспечения

Примечание: Функциональные изображения, анализируемые в этом протоколе, предварительно обрабатываются SPM8 и набором инструментов для обработки и анализа данных для визуализации мозга (DPABI, http://rfmri.org/dpabi)⁹ на основе MATLAB 2013a. Выполните следующие шаги предварительной обработки отдельно для каждого сеанса фМРТ.

1. Откройте программное обеспечение DPABI в терминале MATLAB, нажав dpabi, затем выберите DPARSF 4.3 Advanced Edition и импортируйте папку "FunRaw" (рисунок 1).
   ПРИМЕЧАНИЕ: Папка FunRaw содержит файл DICOM для каждого участника.
2. Нажмите FunRaw, чтобы импортировать файлы сканирования фМРТ в DPABI с согласованной схемой нумерации (например, "sub0001", "sub0002" и т.д.). Выберите рабочую директорию и начальные директории EPI и T1 и продолжайте выбирать все нужные параметры на шагах 3.3–3.9 перед нажатием кнопки «Выполнить» в разделе 4.
3. Введите параметры: Точки времени = 240 и TR = 2 (Рисунок 2). Выберите EPI DICOM в NIFTI , чтобы преобразовать функциональные изображения из формата DICOM в формат NIFTI и удалить первые 10 томов каждого функционального изображения.
4. Установите флажки для Slice Timing и Realign в программном обеспечении DPABI, чтобы скорректировать оставшиеся 230 томов изображений, зависящих от уровня функционального насыщения крови кислородом, для эффектов времени среза и коррекции движения головы.
   ПРИМЕЧАНИЕ: Для движения головы следует исключить данные участников с движением головы на >2 мм или вращением на >2° во время сканирования. Для порядка срезов последовательность чисел в векторе является порядком времени захвата этих слоев. Выбранный номер среза — 40, порядок срезов — [1:2:39,2:2,40], а эталонный срез — 39.
5. Выберите «Нормализовать по DARTEL » с помощью программного обеспечения DPABI.
   ПРИМЕЧАНИЕ: При выборе этой опции программное обеспечение автоматически выполнит пространственную нормализацию с использованием индивидуальных Т1-взвешенных структурных изображений, зарегистрированных в средних данных фМРТ. Полученные выровненные Т1-взвешенные изображения сегментируются с помощью инструментария DARTEL для повышения пространственной точности во время нормализации данных фМРТ. Нормализованные данные (в Монреальском неврологическом институте [MNI] 152 space) срезаны с разрешением 3 x 3 x 3 мм³.
6. Удалите линейный тренд, выбрав «Удалить тренд » в программном обеспечении DPABI.
7. Отметьте галочкой опцию « Регрессия неприятных ковариат » и выберите следующие параметры: модель движения головы, сигнал белого вещества, глобальный средний сигнал и сигнал спинномозговой жидкости.
8. Установите флажок « Перемотка », чтобы удалить неверные временные точки из-за движения головы в программном обеспечении DPABI.
9. Сохраняйте сигналы в диапазоне 0,01–0,08 Гц, установив флажок «Фильтр» [0,01–0,08] в программном обеспечении DPABI, чтобы удалить высокочастотный физиологический шум и низкочастотный дрейф.
   ПРИМЕЧАНИЕ: После подготовки данных можно проводить анализ ReHo и FC.

4. Анализ ReHo и FC

1. Для вычисления ReHo откройте программное обеспечение DAPABI через MATLAB и выберите 27 вокселей в кластере. Щелкните левой кнопкой мыши ReHo и сгладьте [6*6*6], затем выберите «Выполнить».
   Примечание: Коэффициент согласованности Кендалла присваивается данному вокселу путем вычисления коэффициента согласованности Кендалла временных рядов из 27 вокселей и их ближайших соседей. Чтобы уменьшить влияние отдельных вариаций на статистические сравнения между группами, карты ReHo каждого воксела преобразуются с помощью преобразования Фишера r-to-z. Остальные z отображения ReHo пространственно сглаживаются с использованием гауссова ядра полной ширины 6*6*6 в половине максимума.
2. Для расчета FC откройте программное обеспечение DAPABI через MATLAB и определите измененные области мозга ReHo между обеими группами как области интереса (ROI). Нажмите « Функциональная связность » и задайте ROI (центрирование в точках x = 0, y = -69 и z = -3 с радиусом = 10 мм), затем выберите «Выполнить».
   ПРИМЕЧАНИЕ: Корреляционный анализ временного хода для каждого участника выполняется между сферической затравочной областью и вокселями всего мозга. Все карты ФК преобразуются с помощью преобразования Фишера r-to-z, чтобы уменьшить влияние отдельных вариаций на статистическое сравнение между группами. Радиус ROI вокруг координат должен составлять 10 мм (X = 0, Y = -69, Z = -3).

5. Статистический анализ

1. Найдите папки с именами ReHo и FC после обработки соответствующих данных файла. Отсортируйте файлы zReHo.nii и zFC.nii, разделив их на четыре подпапки: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" и "HC-group-FC".
2. Откройте DPABI через MATLAB для выполнения t-теста с одним образцом.
   1. Щелкните левой кнопкой мыши «Статистический анализ», затем выберите «T-критерий одной выборки». Назовите результат вывода "one-sample-t-test-RP" и задайте директорию вывода.
   2. Щелкните левой кнопкой мыши « Добавить изображения группы » и откройте подпапку «RP-group-ReHo».
   3. В опции "Файл маски " щелкните левой кнопкой мыши, чтобы открыть подфайл "BrainMask-05-61*73*61" в папке "mask".
   4. Выберите Вычислительные ресурсы, чтобы запустить программу. Выполните ту же процедуру для группы "one-sample-t-test-HC".
      ПРИМЕЧАНИЕ: Одновыборочный t-критерий используется для анализа и отображения средних карт ReHo каждой группы в программном обеспечении DPABI.
3. Откройте DPABI через MATLAB для выполнения t-теста с двумя образцами.
   1. Щелкните левой кнопкой мыши «Статистический анализ», затем выберите двухвыборочный t-критерий. Назовите результат вывода "two-sample-t-test-ReHo" и задайте директорию вывода.
   2. Щелкните левой кнопкой мыши « Добавить изображения группы » и откройте подпапки «RP-group-ReHo» и «HC-group-ReHo».
   3. В опции "Файл маски " щелкните левой кнопкой мыши, чтобы открыть подфайл "BrainMask-05-61*73*61" в папке "mask".
   4. Выберите Вычислительные ресурсы, чтобы запустить программу. Выполните ту же процедуру для теста "two-sample-t-test-FC". Щелкните Статистический анализ и коррекция случайных полей Гаусса (GRF) [двусторонний, воксельный уровень (0.01) и воксельный уровень (0.05)] , а затем нажмите Выполнить.
      ПРИМЕЧАНИЕ: Различия между группами карт zReHo и карт zFC сравниваются с помощью двух выборочных t-тестов. GRF используется для коррекции множественных сравнений и регрессионных ковариат возраста и пола с помощью программного обеспечения DPABI.
4. Используйте программное обеспечение BrainNet Viewer (https://www.nitrc.org/projects/bnv/) для отображения результатов.
   1. Откройте BrainNet через MATLAB и нажмите « Загрузить файл». Для файлов поверхностей нажмите «Обзор» и выберите BrainMesh-ICBM152-smoothed.nv, затем нажмите «ОК»; Для файлов томов выберите spm-T.nii (включая результаты ReHo и FC), затем нажмите Ok.
5. Используйте статистическое программное обеспечение для обработки данных, полученных на предыдущем этапе.
   Примечание: Критерий хи-квадрат используется для сравнения полов, в то время как t-критерий независимых выборок используется для других клинических переменных. Непрерывные переменные представлены средними и стандартными отклонениями.
6. Проведите анализ коэффициента корреляции Пирсона для выявления взаимосвязи между значениями zReHo и значениями zFC различных областей мозга и данными визуальных измерений с помощью статистического программного обеспечения.
   1. Получайте сигналы ROI значений zReHo и zFC по каждому участнику с помощью программного обеспечения DPABI. Нажмите Извлечь сигналы ROI и Добавить директорию с файлом ROI mask.nii.
      ПРИМЕЧАНИЕ: Значения P в размере <0,05 следует считать статистически значимыми.

Results

В нашем исследовании 16 человек с РП и 14 здоровых контрольных групп, близких по возрасту, полу и образованию, прошли МРТ в состоянии покоя. Методы ReHo и FC были использованы для изучения внутри- и межсинхронной нейронной активности у лиц с РП. Значимые различия в МКОЗ наблюдались между правым глазом (P < 0,001) и левым глазом (P < 0,001), но разница в поле, возрасте или весе между группами не была значимой.

RP и HC демонстрируют схожее пространственное распределение на картах ReHo. Тем...

Discussion

В этом отчете описан протокол вычисления значений ReHo и FC для групп RP и HC и показаны значительные различия в значениях ReHo и FC между двумя группами. Примечательно, что важным этапом в этом процессе является классификация и скрининг образцов перед экспериментом. Когда мы применили этот протокол для нашего собственного анализа, все пациенты с РП были диагностированы двумя опытными офтальмологами. Мы исключили пациентов с РП с другими заболеваниями глаз, такими как глаукома, катаракта...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Программное обеспечение BrainNet Viewer	Национальная ключевая лаборатория познания, нейронауки и обучения, BNU	BrainNet Viwer 2013	BrainNet Viewer - это инструмент визуализации сети мозга для визуализации структурных и функциональных связей
Программное обеспечение DPABI	Институт психологии, CAS, Пекин, Китай	DPABI 4.3	DPABI - это набор инструментов для обработки данных и анализа визуализации мозга.
MATLAB	MathWorks, Натик, Массачусетс, США	2013a	MATLAB — это высокоуровневый технический язык вычислений и интерактивная среда для разработки алгоритмов, визуализации данных, анализа данных и численных вычислений.
Программное обеспечение для МРТ сканера	GE Healthcare, Milwaukee	MRI 3.0
SPM	Wellcome Centre for Human Neuroimaging, UCL	SPM8 SPM8	является крупным обновлением программного обеспечения SPM, содержащим существенные теоретические, алгоритмические, структурные и интерфейсные усовершенствования по сравнению с предыдущими версиями.
SPSS	IBM, Чикаго, Иллинойс, США	Программная платформа SPSS версии 20.0 SPSS	предлагает расширенный статистический анализ, анализ текста, расширяемость с открытым исходным кодом, интеграцию с большими данными и бесшовное развертывание в приложениях.