Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Une méthode Multimodal Imaging- et basée Stimulation-de l'évaluation de connectivité liés excitabilité cérébrale chez les patients atteints d'épilepsie

Published: November 13, 2016 doi: 10.3791/53727
Automatic Translation
1,2,3, 4, 1,5, 1,2,3, 1,2
1Department of Neurology, Harvard Medical School, 2Department of Neurology, Beth Israel Deaconess Medical Center, 3Berenson-Allen Center for Noninvasive Brain Stimulation, Beth Israel Deaconess Medical Center, 4Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology, 5Department of Neurology, Massachusetts General Hospital

Introduction

La stimulation magnétique transcrânienne (TMS) est un moyen de stimuler de façon non invasive les régions du cortex par induction électromagnétique. Dans TMS, un grand espace mais restreint le flux magnétique est utilisé pour induire un champ électrique dans une zone corticale cible, et ainsi moduler l'activité neuronale du tissu sous-jacent. TMS aux résultats du cortex moteur dans le moteur potentiels évoqués qui peuvent être mesurés de manière périphérique par l'intermédiaire d'électromyographie (EMG). Lorsqu'ils sont appliqués par paires ou triplets d'impulsions, TMS peut être utilisé pour évaluer l'activité GABAergique et glutamatergique circuits spécifiques intracorticales 1-3, et donc d' évaluer l'équilibre de l' excitation et de l' inhibition in vivo chez des patients humains. Dans l' épilepsie spécifiquement, les études TMS ont montré que l' hyperexcitabilité corticale est présent chez les patients souffrant d' épilepsie 4,5, et peut normaliser avec la thérapie de médicament anti-épileptique réussie et donc de prédire la réponse aux médicaments 6. En outre, les mesures TMS de l'ex corticalecitability montrer des valeurs intermédiaires chez les patients avec une seule saisie 7 et dans la fratrie des patients avec les deux épilepsies focales idiopathiques généralisées et acquises 8. Ces résultats suggèrent que les mesures TMS de l'excitabilité corticale peuvent nous permettre d'identifier endophénotypes pour l'épilepsie. Cependant, la sensibilité et la spécificité de ces mesures sont limitées, probablement parce que TMS-EMG ne peut être évalué avec une stimulation des circuits corticaux moteur, et de nombreux patients atteints d'épilepsie ont saisie des foyers en dehors du cortex moteur.

Électroencéphalographie (EEG) offre la possibilité de mesurer directement la réponse cérébrale à TMS, et peut être utilisé pour évaluer la réactivité cérébrale dans de vastes zones de néocortex. Les études intégrant TMS avec EEG (TMS-EEG) ont montré que TMS produit des ondes de l' activité qui se répercutent dans l'ensemble du cortex 9,10 et qui sont reproductibles et fiables 11-13. En évaluant la propagation de l'activité évoquéedans différents états de comportement et dans différentes tâches, TMS-EEG a été utilisé pour sonder la connectivité causalement efficace dynamique des réseaux cérébraux humains 10,14-16. Mesures TMS-EEG ont montré des anomalies significatives dans les maladies allant de la schizophrénie 17 à 18 TDAH et des troubles de la conscience tels que l' état végétatif persistant 19. En outre, plusieurs groupes ont identifié les corrélats de l' EEG de l'impulsion appariée métriques TMS-EMG qui sont anormales chez les patients atteints d' épilepsie 20,21. Particulièrement pertinentes, des études antérieures ont également suggéré que l' activité anormale de stimulation évoquée EEG est observée chez les patients atteints d' épilepsie 22-25.

Un autre moyen d'évaluer les circuits du cerveau se fait via la connectivité fonctionnelle état de repos IRM (rs-fcMRI), une technique qui permet d' évaluer les corrélations au fil du temps dans le niveau d'oxygénation du sang signal dépendant (BOLD) à partir de différentes régions du cerveau 26. Les études qui utilisentrs-fcMRI ont démontré que le cerveau humain est organisé en réseaux distincts de régions qui interagissent 26-29, que les maladies neuropsychiatriques peuvent se produire au sein de grands réseaux neuronaux distribués spécifiques identifiés par rs-fcMRI 30, et que les réseaux cérébraux identifiés via rs- fcMRI sont souvent anormaux dans les états pathologiques neuropsychiatriques 31,32. En termes d'applications cliniques potentielles, rs-fcMRI a plusieurs avantages sur la base tâche application classique IRMf 33, dont moins de dépendance sur le sujet de la coopération et le souci de la performance variable. Par conséquent, il a récemment eu une explosion des études explorant les changements rs-fcMRI dans différents états pathologiques. Cependant, une des limites de rs-fcMRI est la difficulté à déterminer si et comment les corrélations (ou anticorrélations) dans le signal BOLD portent sur les interactions électrophysiologiques qui forment la base de la communication neuronale. Un problème connexe est qu'il est often ne sait pas si les rs-fcMRI changements observés dans divers états pathologiques ont une signification physiologique. En particulier en ce qui concerne l'épilepsie, il est difficile de savoir si des anomalies dans rs-fcMRI sont uniquement dues aux transitoires épileptiformes intercritiques, ou existent indépendamment de ces anomalies électrophysiologiques; simultanée EEG-IRMf est nécessaire pour aider à évaluer entre ces possibilités 34.

Comme TMS peut être utilisé pour produire des changements transitoires ou durables dans les activations de différentes régions corticales, les études TMS fournissent un moyen d'évaluer causalement la signification des différents modèles de connectivité IRMf-état de repos. Une approche consiste à utiliser rs-fcMRI pour guider les efforts de stimulation thérapeutiques dans différents états pathologiques; il pourrait être prévu que TMS ciblé sur les régions qui sont reliées fonctionnellement à des zones connues pour être impliquées dans différents états pathologiques est plus susceptible d'être thérapeutiquement efficace que TMS ciblé vers les régions sans une telle functiola connectivité finale, et même plusieurs études ont trouvé des preuves préliminaires pour cette 35,36. Une autre approche consisterait à l'aide de TMS-EEG pour évaluer causalement la signification physiologique des motifs fcMRI d'état de repos différent. Plus précisément, on peut tester l'hypothèse que les régions qui montrent la connectivité fonctionnelle anormale dans un état de maladie spécifique devraient montrer une réponse différente à la stimulation chez les patients que chez les sujets sains, et que ces anomalies physiologiques sont présents explicitement (ou principalement) avec une stimulation de l'anormalement région connectée.

Pour illustrer ce qui précède, nous fournissons un exemple d'une étude récente dans laquelle rs-fcMRI, TMS et EEG ont été combinées pour explorer hyperexcitabilité corticale chez les patients souffrant d' épilepsie en raison du développement du cerveau anomalie hétérotopie nodulaire périventriculaire (HPN) 37. Les patients atteints d'HPN présente cliniquement avec l'épilepsie ou adulte-adaptés aux adolescents l'apparition, le handicap de lecture, et inte normalelligence, et ont des nodules anormaux de la matière grise adjacentes aux ventricules latéraux sur neuroimagerie 38,39. Des études antérieures ont montré que ces nodules périventriculaires de matière grise hétérotopique sont structurellement et fonctionnellement reliés à des foyers discrets dans le néocortex 40,41, et que les crises d' épilepsie peuvent provenir de régions du néocortex, la matière grise ectopique, ou les deux simultanément 42, ce qui suggère que l' épileptogenèse dans ces patients est un phénomène de circuit. En utilisant l'état de repos fc-IRM pour guider TMS-EEG, nous avons démontré que les patients atteints d'épilepsie active en raison de la PNH ont des preuves de l'hyperexcitabilité corticale, et que cette hyperexcitabilité semble être limitée aux régions où la connectivité fonctionnelle anormale aux nodules profonds.

Le protocole se déroule en deux sessions distinctes. Au cours de la première session, le sang-oxygénation structurelle et l'état de repos en fonction du niveau (BOLD) séquences contraste IRM sont acquises(Pour les patients), ou tout simplement des séquences d'IRM structurelles (pour les témoins en bonne santé). Entre les première et deuxième sessions, à l'état de repos analyse de la connectivité fonctionnelle est utilisée pour définir les cibles corticales pour les patients, et l'INM coordonne ces objectifs sont obtenus. Les cibles corticales équivalentes (basé sur MNI coordonnées) sont ensuite identifiés pour chaque sujet témoin sain. Dans la deuxième session, les données TMS-EEG est obtenue.

Dans l'exemple donné dans le présent document, les analyses d'IRM fonctionnelle connectivité ont été effectuées à l' aide d' une boîte à outils en interne le logiciel et le logiciel IRM 43,44. Neuro-navigué TMS a été réalisée avec un stimulateur magnétique transcrânien en temps réel IRM neuronavigation. L'EEG a été enregistré avec un système de TMS compatible avec 60 canaux, qui utilise un circuit échantillonneur-bloqueur pour éviter la saturation de l'amplificateur par TMS. Données EEG ont été analysées à l' aide des scripts personnalisés et la boîte à outils EEGLAB 45 (version 12.0.2.4b) en cours d' exécution dans MATLAB R2012b.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Le protocole décrit ici a été approuvé par les comités d'examen institutionnels du Beth Israel Deaconess Medical Center et le Massachusetts Institute of Technology.

Sélection 1. Sous réserve

  1. La sélection des patients pour le protocole de recherche.
    1. Identifier les patients souffrant d'épilepsie active (saisies dans la dernière année) ou des antécédents d'épilepsie à distance (crises antérieures, mais avec aucune saisie au cours des cinq dernières années, soit sur ou hors médicaments) et hétérotopie nodulaire périventriculaire sur l'imagerie cérébrale structurale.
    2. Exclure les patients sans antécédents de convulsions. Exclure également les patients atteints d'étiologies possibles alternatives pour les saisies (par exemple, une histoire de traumatisme crânien, accident vasculaire cérébral, méningo) ou avec les résultats de l' EEG compatibles avec un autre diagnostic (par exemple, l' épilepsie généralisée idiopathique, mésiale épilepsie du lobe temporal).
    3. Exclure les patients présentant des troubles neurologiques supplémentaires ou diseà psychiatriquesoi, ou avec toute autre condition médicale instable. Exclure également les patients ayant des antécédents de chirurgie du cerveau antérieur, incapacité à tolérer l' IRM, substance illicite récente ou forte consommation d'alcool, ou d' une IRM spécifique 46 ou TMS 47 contre - indication.
  2. sélection saine de sujet témoin.
    1. Pour chaque patient HPN (dans notre étude préalable publiée 37, 8 patients, âgés de 20 - 43 années signifient 30,25; 3 hommes, 5 femmes), identifier un contrôle sain âge et au sexe appariés.
    2. Exclure les sujets avec toute neurologique permanente ou d'une maladie psychiatrique ou sur les médicaments psychotropes, toute autre condition médicale instable, une histoire de la chirurgie du cerveau antérieur, l'incapacité à tolérer l'IRM, la substance illicite ou forte consommation d'alcool, ou de toute autre IRM ou TMS contre-indication spécifique.

2. Génération des cibles de stimulation

  1. L'utilisation d'un système IRM 3T, acquérir à haute résolution de structure des tranches entières cerveau à l'aide d'un T1-pond séquence. Utilisez les paramètres d'acquisition suivants: 128 tranches par dalle, une matrice, champ de vision (FOV) 256 mm 256 x 256, tranche d' épaisseur 1,33 mm avec fente intercoupe 0,63 mm, taille de voxel 1 x 1 x 1,33 mm 3, temps de répétition (TR ) 2530 msec, le temps d'inversion 1100 msec, temps d'écho (TE) 3,39 msec, angle de bascule 7 °.
  2. L'utilisation d'un système IRM 3T, acquérir des images fonctionnelles-état de repos à l'aide d'une séquence d'écho-planaire sensible au sang-oxygénation en fonction du niveau (BOLD) contraste. Tout en effectuant cette analyse des instructions aux patients de se reposer tranquillement avec les yeux ouverts sans effectuer aucune tâche spécifique. Utilisez les paramètres d'acquisition suivants: FOV 256 mm, taille de voxel 2.0 x 2.0 x 2.0 mm, TR 6000 msec, TE 30 msec, angle de bascule de 90 °, le temps d'acquisition de 6,4 min.
  3. En utilisant le logiciel MRICroN 44, identifier chaque région discrète d'hétérotopie nodulaire (soit chaque nodule individu ou un cluster contigu indissociable de nodules) 46. Utilisez l'outil Plume pour décrire manuellement ilrégions terotopia d'intérêt (ROIs), tranche par tranche dans le plan axial sur les images structurelles pondérées en T1.
  4. Utilisez le CONN connectivité fonctionnelle logiciel boîte à outils 48,49 pour effectuer quatre étapes dans le traitement de données fonctionnelle état de repos: installation, prétraitement, l' analyse et les résultats.
    1. Pour la configuration, utilisez les choix de menu pour démarrer un nouveau projet et entrez les informations de base de l'expérience. Chargez les images fonctionnelles, alignée et co-enregistrée aux images anatomiques pour chaque sujet.
    2. Chargez les images structurelles. fichiers ROI Load hétérotopie créé à l'étape 2.3. Entrez les détails de la condition expérimentale; puisque ce repose-état, entrez un seul état avec apparition 0 secondes et la durée égale à la durée complète de chaque session. La boîte à outils va extraire le hétérotopie ROI BOLD séries chronologiques. Inspecter les incohérences éventuelles.
    3. Pour Prétraitement, sources de confusion de variation BOLD comprennent des modulations induites respiratoires de la ma principaledomaine gnétique et pulsations cardiaques, ainsi que les mouvements du sujet. Retirer les facteurs confondants via la méthode basée sur des composants principaux intégré qui analyse les données de séries chronologiques provenant de régions peu susceptibles d'être associés à l' activité neuronale, tels que les ventricules et les grands navires, pour identifier les processus physiologiques du bruit 50. Aperçu de la variance totale expliquée par chacune des sources de confusion possibles. Appliquer un filtre passe-bande de fréquence (0,01 Hz <f <0,1 Hz) et le lissage gaussien (6 mm de largeur à mi-maximum).
      REMARQUE: La boîte à outils par défaut d'identifier les sources de facteurs de confusion possibles, y compris le signal BOLD de la matière blanche et paramètres fluides et réalignement céphalo-rachidien (sous réserve de mouvement).
    4. Pour l'analyse et les résultats, identifier les sources d'intérêt que les ROIs de hétérotopie. Aperçu de la mesure de la connectivité de la corrélation (plutôt que la régression), et afficher à l'aide des valeurs de seuil pour les coefficients de corrélation.
      1. Pour chaque sujet, voir createcartes d-à-voxel connectivité utilisant chaque région discrète de la matière grise hétérotopique comme un retour sur investissement de semences, ce qui démontre la corrélation entre la série temporelle du signal BOLD moyenne du ROI et de tous les autres voxel du cerveau.
      2. analyse de second niveau Effectuer pour entre-sujet ou entre source contrastes (en option). Afficher les résultats en utilisant la hauteur (niveau voxel) et l'étendue (niveau cluster) seuils; découverte des valeurs p non corrigées et les faux taux corrigés sont présentés.
  5. Utilisez un logiciel MRICroN pour décrire manuellement deux cibles d'intérêt, une cible connecté et une cible non-connecté, pour TMS, en utilisant l'outil Plume 43. En utilisant la fonction "Overlay" superposer les cartes de connectivité fonctionnelles créées ci-dessus sur les images structurelles pour chaque sujet.
    1. Faire en sorte que la région cible est une région du cortex qui a une connectivité fonctionnelle significative à la matière grise Hétérotopie comme décrit ci-dessus. Assurez-vous que le goudron non-connectéobtenir est une région de taille similaire qui ne démontre pas la connectivité fonctionnelle significative à un retour sur investissement de hétérotopie, et est situé à au moins 2,5 cm de la cible connecté à la surface corticale pour réduire au minimum le risque d'effets de stimulation de quartier pendant TMS.
    2. Choisissez des cibles telles que la probabilité de grands artefacts induits TMS-est faible 51. Plus précisément, éviter de sélectionner des cibles dans les régions temporales ou frontopolar latérales, car ceux - ci sont susceptibles de produire de grandes contraction musculaire et / ou mouvements oculaires artefacts qui peuvent masquer le signal précoce TMS-EEG 51. Enregistrer les objectifs énoncés en tant que nouveaux ROIs cibles.
  6. Déterminer les coordonnées de l'INM pour chaque ROI cible dans chaque sujet. Utilisez ensuite ces coordonnées pour identifier les équivalents deux sites cibles dans appariés le sujet témoin sain de chaque sujet.

3. TMS-EEG installation expérimentale

  1. Téléchargez scans structurels (généralement à haute résolution T1-weighted 3D images volumétriques) dans le système de neuronavigation.
  2. Utilisation du logiciel de neuronavigation, marquer les cibles désirées sur les images. Marquez également des marqueurs anatomiques externes (le nasion, tragus bilatérale) qui sera utilisé pour coregistration et neuronavigation au cours de la séance de stimulation. Si l'on utilise un capuchon d' EEG avec des électrodes rotatives et les fils d'électrodes, des fils orient perpendiculairement à l'axe de la bobine 52 TMS.
  3. Contactez le sujet avant la session expérimentale pour lui rappeler ou elle ne pas utiliser les conditionneurs ou d'autres produits pour les cheveux (shampooing est acceptable) le jour de la session TMS-EEG, d'éviter les boissons alcoolisées le soir avant la session TMS-EEG, et de boire son habitude la consommation quotidienne de caféine avant la session de TMS.

4. Session expérimentale

  1. Vérifiez que le sujet passe critères de sécurité TMS, idéalement par le biais d' un questionnaire structuré 53. Vérifiez que le sujet ne consume boissons alcoolisées la nuit précédente, ne bois pas significativement plus ou moins de sa consommation quotidienne habituelle de caféine, ne consommaient pas over-the-counter aides de sommeil qui modifient l'excitabilité corticale (comme la diphenhydramine) la nuit avant, et a reçu un typique nuit de sommeil (comme la privation de sommeil peut augmenter l' excitabilité corticale 54).
  2. Demandez au sujet de s'asseoir dans un fauteuil confortable.
  3. Mettre le bouchon EEG sur le sujet et préparer les électrodes.
    1. Mesurer la tête du sujet et sélectionnez un bouchon EEG de taille appropriée pour aider à permettre impédances d'électrodes basse.
    2. Nettoyer soigneusement la peau en dessous de chaque électrode en utilisant un applicateur coton-tige et l'alcool.
    3. Ajouter un gel conducteur à chaque électrode. Ne pas ajouter trop de gel qu'il fuit entre les électrodes, car cela pourrait créer un pont et conduire à signal commun entre les différentes électrodes.
    4. Si nécessaire, pour assurer un bon contact entre le cuir chevelu, le gel et l'electrode, essayez d'appuyer vers le bas sur chaque électrode après addition du gel. Pour réduire au minimum la charge des artefacts, veiller à ce que le gel ne se propage pas à l'extérieur du porte-électrode. De façon homogène réduit les niveaux de conductance pour réduire au minimum les artefacts d'enregistrement.
    5. Placer la référence et des électrodes de masse aussi loin de la bobine de stimulation possible afin de minimiser la possibilité d'induit TMS-électrode artefact contaminer l'ensemble de l'enregistrement. Il est préférable de placer ces électrodes au-dessus des structures osseuses, vraisemblablement dans les zones «inactifs» ayant une activité corticale minimale.
      NOTE: Même dans les études pour lesquelles les emplacements cibles sont variables, les régions frontopolar sont peu susceptibles d'être choisis comme cibles parce TMS dans ces régions peut se traduire par d' importants mouvements oculaires, la contraction des frontalis et les muscles du visage 51, et, souvent, la douleur du cuir chevelu et mal de tête; par conséquent, le signal TMS-EEG pendant la stimulation de ces régions est souvent obscurci par de grands objets.
    6. PéchéÇe ces régions sont donc peu susceptibles d'être choisis comme cibles pour la stimulation, utilisent le front pour le placement des électrodes de référence et au sol. Placez-les à quelques centimètres les uns des autres pour minimiser le bruit de mode commun.
      NOTE: Dans les situations où toutes les cibles de stimulation sont dans un hémisphère, l'apophyse controlatéral serait une autre option.
    7. Vérifiez impédances d'électrodes comme suit; branchez les câbles de sortie EEG dans la "impédance" jack du système d'enregistrement EEG, puis appuyez sur le bouton "mesurent impédances" sur le système EEG. Faire en sorte que l'impédance d'électrode est non supérieure à 5 kQ.
  4. Préparer les électrodes EMG sur la main controlatérale (première utilisation interosseux dorsal ou abducteur brevis muscles; utiliser le même muscle à travers des sujets dans une seule étude).
  5. Donnez les bouchons d'oreille soumis à minimiser le risque de perte auditive et des acouphènes.
    REMARQUE: Une autre option serait d'utiliser des écouteurs jouant whitbruit de e ou le bruit de couleur (avec des caractéristiques spectrales correspondant à celles du TMS clic) tout au long du processus d'enregistrement, à un volume suffisant pour masquer le clic auditif produit par TMS; auditive cela aurait l'avantage de minimiser le confondre potentiel des TMS induits potentiels évoqués 10,55. Fait à noter, une mince couche de mousse entre la bobine et le cuir chevelu est également nécessaire de minimiser le potentiel évoqué auditif.
  6. Placer les détecteurs infrarouges sur la tête du sujet, en veillant à ce que les détecteurs sont placés de façon à minimiser les risques de déplacement lors de la session expérimentale.
  7. COREGISTER la tête du sujet avec les images IRM en identifiant l'emplacement des marqueurs de référence anatomiques externe pré-sélectionné (section 3.2) sur le sujet à l'aide du pointeur qui est inclus avec l'équipement de neuronavigation.
  8. Le sujet se familiariser avec la stimulation par l' application d' une impulsion ailleurs (par exemple, le bras du sujet), soit par l' application d' une basse-impulsion d'intensité de stimulation (par exemple 5% de la puissance du stimulateur max) sur le cuir chevelu.
  9. Déterminer le seuil moteur au repos (l'intensité minimale qui produit un moteur-potentiel évoqué au moins 50 mV taille sur 5/10 essais). Un tel procédé, le procédé de 56 la fréquence relative, est le suivant.
    1. Déterminer l'emplacement du cortex moteur du sujet sur l'hémisphère ipsilatéral aux cibles à base de connectivité IRMf. Lors de l'utilisation neuronavigation, ce qui est généralement dans la région de "Omega" dans le gyrus précentral. Angle de la bobine perpendiculaire au gyrus, avec la poignée de pointage occipitales.
    2. Commencer la stimulation à une intensité qui devrait être inférieure au seuil (par exemple 35% de la puissance de stimulation maximum).
    3. Augmenter l'intensité de la stimulation par pas de 5% de la puissance stimulatrice max jusqu'à TMS évoque toujours les députés avec des amplitudes> 50 mV dans chaque essai.
    4. Ensuite, diminuer l'intensité de la stimulation par pas de 1% maximusortie m du stimulateur jusqu'à moins de 5 réponses positives sur 10 sont enregistrés.
      REMARQUE: Cette intensité de stimulation, plus 1 est défini comme le seuil moteur. Vous pouvez également utiliser des techniques de seuil adaptatif 57 pour identifier le seuil moteur avec moins de stimuli.
  10. Pour la stimulation des zones cibles, définir l'intensité de TMS à la valeur désirée (par exemple, 120% de repos seuil moteur).
    NOTE: Cependant, dans les cas où il existe des variations régionales importantes dans la distance du cuir chevelu-cortex (par exemple, chez les patients présentant une atrophie du lobe frontal), une telle technique peut entraîner une stimulation subliminale. En variante, avec des systèmes de neuronavigation appropriés capables d'effectuer une estimation en ligne du champ électrique induit, l'intensité de la stimulation peut également être réglée à une amplitude spécifique du champ électrique induit calculé (en V / m) sur la surface corticale 58.
  11. Appliquer des impulsions individuelles de TMS à chacune des régions cibles en utilisantle logiciel de neuronavigation, avec un intervalle variable entre les impulsions pour minimiser la plasticité corticale et les effets de l' espérance de sujets (par exemple, tous les 4-6 sec, avec un intervalle d'au moins 3 sec pour éviter les effets cumulatifs 59). Afin de maximiser la cohérence, l'angle de la bobine perpendiculairement à l'axe long du gyrus sous-jacentes, avec la poignée a postéro.

5. EEG des données pré-traitement et de l'analyse

REMARQUE: Les données TMS-EEG contient généralement de grandes artefacts liés à la stimulation, en particulier lorsque stimulant loin de la ligne médiane / sommet ou avec des intensités élevées de stimulation, et prétraitement significative peut être nécessaire pour obtenir des données analysables propres. Analyse en composantes indépendantes (ICA) est une méthode qui a été utilisée pour l' élimination des artefacts TMS, et peut être appliqué en utilisant des boîtes à outils accessibles au public (par exemple, EEGLAB 45) sur la plate - forme MATLAB. Une approche validée 60 est aussi follows, décrivant l'analyse des données recueillies à l'aide du système Eximia EEG:

  1. Importez les données dans EEGLAB
    1. Cliquez sur "Fichier", "Données d'importation", "Utilisation des fonctions EEGLAB et plugins", "De fichiers EDF / EDF + / GDF (Biosig boîte à outils)".
  2. Extraire les heures des événements
    1. Cliquez sur "Fichier", "informations sur l'événement d'importation", "De canal de données". Remplissez "canal de l'événement" 1, "Prétraitement transformée (données = 'X')" X> 0,1, "longueur de transition (1 = bords parfaits) 0. Assurez-vous que" Supprimer canal (s) de l'événement? "Et" Supprimer les anciens événements , si des "cases à cocher? sont vérifiés.
  3. Segment des données dans les époques centrées autour de l'impulsion TMS, de 1 sec avant l'impulsion de 2 secondes après. Pour ce faire, sélectionnez "Outils", "Extract Époques". Si l'impulsion de TMS est le seul type d'événement, "type d'événement Time-de verrouillage (s)" champ peut être laissé vide. Pour les "limites de Epoch [commencent, end] en secondes "entrer [-1 2].
  4. Examiner les données EEG visuellement (sélectionnez "Plot", " les données de canal (scroll)".) Retirer les mauvais canaux (par exemple, les canaux sans signal, ou artefact excessive continue). Pour ce faire, cliquez sur "Modifier", "Choisir des données". Dans le champ "range Channel", entrez le numéro (s) de la chaîne à supprimer (ou cliquez sur la case à bascule vers la droite et sélectionner les canaux par nom, puis appuyez sur "OK"), assurez-vous que le «ON- > supprimer ces "case est cochée, puis appuyez sur" Ok ".
  5. Définissez les potentiels dans toutes les électrodes à zéro à partir du moment de l'impulsion jusqu'à ce que le signal EEG est revenue à environ un ordre de grandeur du signal neural (par exemple, en découpant des données supérieure à 150 mV), ou tout point fixe plus tard de temps ( par exemple, 40 msec) pour veiller à ce que les grands artefacts de TMS ne faussent pas la séparation ICA. 61 Cette étape devra scriptée dans Matlab.
  6. Effectuer une première ronde de l'ICA, et retirer les 1 - 2 composantes représentant la grande activation initiale TMS induite par muscle.
    1. Exécutez ICA en utilisant la méthode FastICA avec l'approche «symétrique» et la fonction de contraste "tanh" en utilisant la ligne de commande suivante: "EEG = pop_runica (EEG, 'icatype', 'FastICA', 'approche', 'sym', 'g ',' tanh '); ".
      REMARQUE: exécuter ICA séparément pour chaque site, l'artefact produit par la stimulation variera en fonction du site de stimulation.
    2. Identifier les composants compatibles avec TMS artefact en sélectionnant "Outils", "Rejeter les données en utilisant ICA", "Supprimer des composants par carte». Les cartes topographiques de toutes les composantes de l'ICA seront ensuite reportées. Cliquez sur le nombre pour chaque composant à tracer (une carte plus grande de la distribution topographique, le profil d'activité entre les essais et le spectre de fréquence) les détails des composants.
      NOTE: L'artefact Compo d'impulsion de TMScom- (typiquement 1 - 2) peuvent être reconnus par le tracé topographique dipolaire localisée sur le site de stimulation, la très grande amplitude de l'activation des composants immédiatement après l'impulsion, et la décroissance exponentielle lisse subséquente.
    3. Supprimez les composants artefactuels en sélectionnant "Outils", "Supprimer des composants", et en entrant les numéros de composants pertinents dans le domaine de "Component (s) pour supprimer des données". Dans la zone «Confirmation» qui apparaît, appuyez sur "Accepter" après avoir examiné les ERPs qui résultent après la suppression du composant sélectionné (appuyez sur "Plot ERPs") et après avoir examiné les effets simples procès (presse "Plot essais simples»). REMARQUE: Cette étape devrait être achevée avant la filtration pour minimiser les artefacts de filtration provenant de l'artefact musculaire induite par TMS, qui peut souvent être plusieurs millivolts.
  7. Interpoler les données manquantes (pendant la période de temps zéro rembourré). Cette étape sera need pour être fait en utilisant un script Matlab.
  8. Bandpass et / ou filtre notch les données ( en option, ou qui pourrait être fait à un moment ultérieur, par exemple, après la deuxième ronde de l' artefact élimination ICA).
    NOTE: Si la haute amplitude TMS-artefact n'a pas été retiré de manière adéquate, l'effet de lissage temporel d'un filtre passe-haut peut conduire à la dispersion temporelle de l'artefact. En outre, la bande passante ondulation produite par les filtres passe-bas peut conduire à l'artefact de premier plan bourdonnements dans la partie "propre" du signal EEG filtré résultant.
  9. Re-référence à la référence moyenne ( en option, ou qui pourrait être fait à un moment ultérieur, par exemple, après interpolation des canaux manquants).
  10. Retirer les époques individuelles avec des artefacts de grande amplitude, l'activité musculaire importante, ou d'autres artefacts majeurs.
    1. Pour le rejet semi-automatisé artefact, sélectionnez "Outils", "Rejeter époques de données", "Rejeter les données (toutes méthodes)".
    2. Sous la rubrique «Trouver d improbableata "entrez 3,5 dans le domaine de" limite-canal unique (std. dev.) et 3 dans le champ pour "Tous les canaux limite (std. dev.)", puis appuyez sur le bouton "Calculer" immédiatement ci-dessous. Cela permet d'identifier les époques qui contiennent des données improbables sur la base de la distribution des valeurs de données à travers les époques.
    3. Sous la rubrique «Trouver des distributions anormales", entrez 5 dans le champ pour "limit-canal unique (std. Dev.)" Et 3 dans le champ pour "Tous les canaux limite (std. Dev.)", Puis appuyez sur le bouton "Calculer" immédiatement au-dessous. Celui-ci identifie comme contenant des artefacts des époques sur la base du coefficient d'aplatissement des données.
    4. Pour rejeter les époques avec des valeurs anormalement élevées ou basses, sous la rubrique «Trouver des valeurs anormales", entrez 100 dans le champ pour "Limite supérieure (s) (uV)" et -100 dans le domaine de "limite (s) inférieur (uV)" (bien que des limites différentes peuvent être nécessaires chez les enfants, en qui amplitudes EEG sont généralement plus élevés). Entrez les numéros d'électrodes pour appliquer la tension thresholding dans le domaine marqué "Electrode (s)"; pour éviter le rejet de toutes les époques avec clignement des yeux, ne comprennent pas frontopolar (et / ou EOG) canaux. Ensuite, appuyez sur "Calc / Plot.".
    5. Faites défiler les époques marquées, et les époques désélectionner qui ne contiennent pas des artefacts par un clic droit sur l'époque. Marquer les époques supplémentaires qui contiennent des artefacts significatifs par un clic gauche sur l'époque. Après avoir vérifié que toutes les époques contenant des artefacts sont marqués, cliquez sur "MARQUES UPDATE" bouton.
    6. Pour enregistrer qui sont époques marquée pour la suppression, cliquez sur «Fermer (garder les marques)» et puis enregistrez ensemble de données ( "Fichier", "Enregistrer ensemble de données actuel comme").
      1. Pour ensuite supprimer les époques pertinentes, sélectionnez "Outils", "Rejeter époques de données", "Rejeter époques marquées". Cliquez sur "Oui" à la suite boîte de dialogue de confirmation. Enregistrer ensemble de données résultant.
  11. Effectuer un second tour de l'ICA, et supprimer des composants correspondant à la pourritureartefacts, des artefacts clignotants, des artefacts musculaires, et des artefacts de bruit de l'électrode.
    NOTE: L'élimination des composants compatibles avec les potentiels auditifs évoqués peut être considéré, bien que ces composants peuvent également contenir des neuronaux évoqués composants directement liés à l'impulsion de stimulation (qui ont également des pics à des moments similaires). Une meilleure option qui minimiserait les potentiels TMS-évoqués induits par le TMS "clic", et ainsi éliminer la nécessité d'une élimination à base de l'ICA, serait d'effectuer de masquage de bruit tel que décrit dans la section 4.5 ci-dessus, si tolérable par les sujets.
    1. Exécutez ICA en utilisant la méthode FastICA avec l'approche «symétrique» et la fonction de contraste "tanh", comme décrit dans 5.6.1 ci-dessus.
    2. Évaluer les propriétés des composants comme décrit dans 5.6.2 ci-dessus.
    3. Marquer les composants compatibles avec TMS résiduelle désintégration des artefacts 62.
      REMARQUE: Identifier ce sur la base de synchronisation (maximale immédiatement après l'impulsion), la morphologie (une décroissance lente avec overshoot, puis lente reprise sur des dizaines à des centaines de millisecondes) et l'emplacement (près du site de stimulation). En outre, les composants ICA peuvent être organisées dans l'ordre de la variance expliquée décroissant; que l'artefact de TMS est assez grande, il est généralement représenté dans les premiers composants et représentent généralement pas plus de 1 à 5 composants.
    4. Utiliser le plugin 62 ADJUST pour EEGLAB, marquer des composants compatibles avec les artefacts de clignotement.
      REMARQUE: Identifier ce sur la base de localisation (frontopolar maximale), timecourse (longues périodes avec une activité relativement minime, suivie par de courtes périodes d'activation intense), les spectres (haute puissance à basses fréquences) et la morphologie (triphasique).
    5. Marquer les composants compatibles avec l' artefact musculaire 62.
      REMARQUE: Identifier cette base sur les caractéristiques spectrales (puissance significative à des fréquences bêta et ci-dessus), la distribution temporelle (très irrégulière / dentelée), la répartition spatiale (maximale le long de la périphérie du cuir chevelu) et l'activité dans le domaine temporel(Hérissés).
    6. Marquer les composants compatibles avec le bruit de canal basé sur la distribution spatiale (isolé à 1 ou 2 canaux) et la distribution temporelle (souvent très pointu, haute activité sur quelques essais, ou très lentes grandes fluctuations d'amplitude) en utilisant le plugin 62 ADJUST pour EEGLAB.
    7. Retirer les composants marqués comme dans 5.6.4 ci-dessus. Interpoler canaux manquants et d'effectuer des analyses ultérieures sur ces données.
      NOTE: La prudence est requise lors de l'interpolation des canaux. En particulier, si une proportion importante (par exemple 10%) des canaux ou des canaux adjacents sont interpolés, l'ensemble de données résultant peut ne pas être fiable, en particulier lorsque l'activité cérébrale sous - jacente a une fréquence spatiale élevée.
  12. Chargez un autre ensemble de données avec tous les canaux désirés dans EEGLAB. Ensuite, mettre l'ensemble de données que vous souhaitez effectuer l'interpolation à l'avant-plan en sélectionnant "datasets", puis en cliquant sur l'ensemble de données pertinentes.
  13. Sélectionnez "Outils";, "Interpoler électrodes". Dans l'ensemble de données résultant, sélectionnez "Utiliser tous les canaux de l'autre ensemble de données". Pour «méthode d'interpolation", sélectionnez "Spherical" puis appuyez sur "Ok".

6. Évaluer les preuves de corticale Hyperexcitabilité

  1. Calculer le potentiel global du champ moyen (GMFP) 63 pour chaque site sujet et la stimulation en fonction du temps, en utilisant l'équation suivante:
    L'équation 1
    où K est le nombre d'électrodes, V i (t) est la tension mesurée à l' électrode à l' instant t i, et V moy (t) est la tension moyenne entre des électrodes à l' instant t.
  2. Segment des données dans des périodes «précoces» lorsque l' activité TMS évoquée est normalement présent chez les individus en bonne santé (par exemple, 100-225 msec) et des périodes de temps en retard, quand anormale retardl' activité peut être observée chez les patients souffrant d' épilepsie (par exemple, 225 - 700 msec). Calculer l'aire sous la courbe (AUC) du GMFP (AUC-GMFP) au cours de chaque période de temps.
    NOTE: Étant donné que la valeur absolue de la réponse évoquée peut varier considérablement entre les individus en raison de facteurs indépendants de la physiologie corticale (par exemple, l' épaisseur du crâne, la distance du cuir chevelu-cortex, individuelle anatomie du cerveau) qui peut toutefois varier entre les groupes (par exemple, parce que les patients souffrant d' épilepsie peut-être sur les médicaments antiépileptiques), amplitudes premières sont d'une utilité limitée pour évaluer les potentiels de TMS évoqués. Pour isoler si les patients souffrant d'épilepsie ont anormalement augmentation de l'activité de TMS évoquée, normaliser l'ampleur de l'AUC-GMFP pendant des périodes de temps plus tard par l'ampleur de l'AUC-GMFP pendant les «précoces» des périodes de temps.
  3. Comparer la normalisée AUC GMFP pour chaque patient, l'épilepsie à celui obtenu par la stimulation de la même région adaptée con de ce patient en bonne santécontrôle. Une valeur plus élevée (rapport> 1), l'épilepsie chez le patient indique que le patient a augmenté l'épilepsie excitabilité.

7. Source Estimation de l'activité électrique Évoquée

  1. Reconstruire la surface corticale pour le sujet en utilisant le paquet Freesurfer 64.
    1. Lancer la commande "Générer FreeSurfer Output". Lancer la commande "Générer Surfaces". Exécuter la commande "Créer un espace Source". Importer emplacements des électrodes numérisées à partir du logiciel de neuronavigation et aligner les électrodes en utilisant MNE Analyser le logiciel (MNE Version 2.7.0) 65,66; si l'emplacement des électrodes individuelles ne sont pas disponibles, les données provenant d'un sujet avec une taille approximative de la tête similaire peuvent suffire.
    2. Lancer la commande "mne_analyze". Cliquez sur "Fichier", "les données de charge numériseur" (.FIF). Cliquez sur "Fichier", "Surface de charge". Sélectionnez le chemin aux données IRM Freesurfer reconstruction.
    3. Cliquez sur "Affichage", "Show Viewer ". Cliquez sur" Ajuster "," Coordonner l'alignement ". Cliquez sur" LAP ". Cliquez sur l'emplacement de LAP dans" Viewer "fenêtre. Répétez l'opération pour" Nasion "et" RAP ".
    4. Cliquez sur "Aligner l'aide de repères". Cliquez sur,, des flèches sur le terrain "X" "Y" "Z" pour ajuster manuellement l'alignement de coordonnées. Cliquez sur "Enregistrer par défaut" dans "Coordonner Alignement" fenêtre pour enregistrer -trans fichier.
  2. Déterminer la solution avant à l' aide d' une méthode appropriée (par exemple, la modélisation limite-élément que mis en œuvre dans le logiciel MNE 65,66). Pour ce faire, exécutez la commande "MNE Solution Forward Do".
  3. Identifier les points dans le temps des pics dans le GMFP pour l'analyse de la source. Pour ce faire, exécutez la commande "MNE_Browse_Raw" pour .FIF fichier.
    1. Cliquez sur "Ajuster", Filtre "pour faire des changements de filtre. Cliquez sur" Ajuster "," balances "pour apporter des changements à grande échelle. Cliquez sur" Ajuster "," Sélection &# 34; pour changer la sélection de montage.
    2. Cliquez sur le point de temps dans les données de tension brute. Cliquez sur "Windows", "Show Annotator". Cliquez sur "marque" à code sélectionné point de temps avec nombre et commentaire correspondant. Ecraser champ de commentaire le cas échéant.
    3. Dans le champ moyen, entrez le numéro d'annotation. Cliquez sur "Moyenne". Cliquez sur "Windows", "Gérer Moyennes". Cliquez sur "Enregistrer sous" et le fichier nom.
  4. En utilisant la moyenne (entre les essais) potentiels évoqués aux points de temps pertinentes, calculer la solution de source de courant en utilisant un opérateur inverse approprié (par exemple, l' estimation de la norme minimale mis en œuvre dans le logiciel de MNE). Pour ce faire, lancez la commande "MNE Inverse opérateur".
  5. Appliquer un seuil de tension sur les images résultantes pour identifier la région de source des sommets évoqués.
    1. Cliquez sur "Windows", "Start MNE Analyser". Cliquez sur "Fichier", "Ouvrir". Sélectionnez le temps pfichier .FIF moyenne oint dans le champ "Fichiers". Sélectionnez inverse .FIF fichier dans le champ "Opérateur inverse".
    2. Cliquez sur "Fichier", "Surface de charge". Sélectionnez le chemin aux données IRM Reconstruction. Sélectionnez "Pial" dans le champ "Surfaces disponibles".
    3. Cliquez sur "Ajuster", les estimations "dans" MNE Analyser "fenêtre. Pour régler l'échelle, cliquez à gauche dans" Valeur Histogramme "champ pour sélectionner la distribution de la valeur de seuil. Cliquez sur l'histogramme pour ajuster les seuils de colormap.
    4. Cliquez sur "img" dans "MNE Analyser" champ. Sélectionnez ".tif", "Enregistrer".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

État de repos connectivité fonctionnelle IRMf peut être utilisé pour identifier les régions du cortex qui démontrent la connectivité fonctionnelle élevée avec les hétérotopiques périventriculaires matière nodules gris (figure 1), et les régions de contrôle sans une telle connectivité. Pour déterminer si une telle connectivité fonctionnelle anormale a une signification physiologique, la région corticale avec l'activité de l'état de repos corrélé peut être choisi comme les «branchés» des sites cibles pour neuronavigated TMS, et les résultats de l'EEG évoqués par rapport aux potentiels EEG produites par la stimulation d'un contrôle cible non-connecté dans les mêmes patients. En outre, les mêmes régions peuvent être ciblées sur des sujets témoins en bonne santé (figure 2) pour déterminer si la connectivité fonctionnelle anormale vu chez les patients atteints d'HPN a une signification physiopathologique pour le syndrome de l' épilepsie clinique des patients. Plus précisément, la présence de hyperex corticalecitability peut être évaluée au niveau du patient individuel en déterminant l'aire sous la courbe normalisée du potentiel mondial champ moyen, puis évaluer si cette valeur est plus grande pour le patient de l' épilepsie que son témoin apparié (Figure 2). Localisation Source des pics fin anormaux dans les potentiels de TMS évoqués chez les patients souffrant d' épilepsie peuvent identifier les régions du cerveau dont l'activité anormale se pose, et peut spatialement co-localisation avec la saisie de la mise au point du patient (figure 3).

Figure 1
Figure 1. Repos état-fonctionnels Connectivité et TMS cibles. (A, B) des régions avec des corrélations significatives dans l' activation fonctionnelle (bleu / vert) au signal BOLD état de repos dans les nodules hétérotopiques chez deux patients avec hétérotopie nodulaire périventriculaire et de l' épilepsie. et al., 2015 37). S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 2
Figure 2. TMS-Potentiels évoqués et moyenne globale sur le terrain Potentiels. (A) Le potentiel de TMS évoquée produite par la stimulation de la cible connecté à un patient d'HPN et de l' épilepsie. (B) Le potentiel de TMS évoquée produite par la stimulation du même région appariés santé sujet contrôle du patient au- dessus. (C) le potentiel de champ moyen global (GMFP) produite par la stimulation des cibles connectés et non-connectés pour ce patient et son témoin apparié. (D) L'aire sous la courbe normalisée de la GMFP produite par la stimulation des cibles connectés et non-connectés pour ce sujet paire. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 3
Figure 3. Source localisation de l' activité TMS évoquée et les saisies Onsets. (A) électriques des résultats d'imagerie source d'un pic fin TMS évoquée chez un patient souffrant d' épilepsie; échelle est les courants estimés multiplié par 10 -11. (B) électriques résultats d'imagerie source d'un début de saisie précédemment capturé dans ce même patient. (Modifié avec la permission de Shafi et al 2015 37)t = "_ blank"> S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

État de repos connectivité fonctionnelle IRM a été utilisée pour identifier la connectivité réseau dans le cerveau humain, et d'identifier les modifications de connectivité qui se produisent dans différents états pathologiques 26,31,32. Cependant, comme la connectivité fonctionnelle IRMf repose sur l'identification des corrélations dans le signal BOLD, et que les changements d'oxygénation du sang ont une relation non négligeable à l'activité neuronale sous-jacente, la signification causale et la pertinence physiologique de ces résultats de connectivité IRMf est incertaine. TMS permet manipulations spatialement et temporellement ciblées de l'activité cérébrale dans les régions corticales spécifiques; lorsqu'il est combiné avec l'EEG, TMS peut être utilisé pour évaluer la réponse du cerveau à la stimulation dans les différentes régions du cerveau. Par conséquent, TMS-EEG peut être appliquée à des régions avec une connectivité fonctionnelle modifiée IRMf pour évaluer si les altérations observées dans la connectivité ont un corrélat physiologique qui pourrait se rapporter à la physiopathologie de la maladie sous-jacente.

Cet article présente un protocole utilisant la connectivité guidée TMS-EEG pour évaluer l' excitabilité corticale chez les patients souffrant d' épilepsie en raison d'une malformation du développement du cerveau, hétérotopie nodulaire périventriculaire, qui est associée au développement des réseaux de connectivité fonctionnelle anormales 37. Ce protocole est utilisé pour démontrer que les patients souffrant d'épilepsie actif ont une hyperexcitabilité corticale qui est spécifique aux régions à l'état de repos modifié IRMf connectivité fonctionnelle, et que hyperexcitabilité peut être évaluée à un niveau de sujet individuel. Chez un patient présentant des convulsions précédemment capturées sur l'EEG, l'activité TMS évoquée retard anormal est visible dans la même région (à distance du site de stimulation) à partir de laquelle les saisies du patient proviennent, ce qui suggère que la région de la connectivité fonctionnelle anormale est en effet une partie de la réseau saisie génératrice.

Il y a un certain nombre d'étapes critiques à succèsl'achèvement de ce protocole. L'expertise technique à la collecte de l'état de repos IRMf données, les données d'état de repos de haute qualité, et de l'expérience avec les techniques rs-fcMRI traitement et d'analyse des données sont essentielles pour la détermination précise des cibles fondées sur la connectivité. Une autre contrainte importante dans la conception et l'exécution des études TMS-EEG est le besoin d'équipement EEG TMS-compatible; en outre, pour les études où un ciblage précis est critique, l'équipement de neuronavigation est également nécessaire. Une autre limitation est que TMS génère souvent des artefacts EEG importants, en particulier lors de la stimulation sur les régions temporelles frontopolar et latérales, et il peut donc être difficile d'obtenir des données de haute qualité lorsque la cible de stimulation se trouve dans ces régions. La collecte des données et le processus d'enregistrement EEG doit également être optimisée pour réduire au minimum les artefacts dans le signal EEG, et les expériences devraient idéalement être dirigées par des personnes familières avec les données EEG afin que les artefacts qui ne se posent (par exemple, poor impédance conductrice pâte sèche) peut être identifiée et minimisée rapidement. Une étape importante consiste à démontrer les effets de clignement des yeux, la contraction musculaire et le mouvement sur l'EEG au sujet de la recherche, comme cela peut être critique pour aider le sujet à comprendre et à minimiser ces types d'artefacts.

Une autre considération importante est la minimisation des artefacts biologiques qui peuvent limiter l'interprétation des résultats. Un tel artefact biologique particulièrement important est le potentiel évoqué auditif produit par la bobine TMS "clic", qui est connu pour contribuer à l'amplitude du potentiel évoqué TMS, en particulier à 100 et 180 millisecondes 55,67,68 lorsque le TMS -evoked potentiel est également typiquement maximale. Une méthode qui a été montré pour minimiser le potentiel auditif évoqué TMS est de masquage de bruit via l'utilisation d' un bruit blanc ou en couleur, avec l'addition d'une mince couche de mousse entre la bobine et le cuir chevelu 10,55

Enfin, même si l'on prend soin d'optimiser l'enregistrement, le prétraitement significatif est souvent nécessaire pour récupérer les données propres à l'analyse. Heureusement, les méthodes validées pour la suppression des artefacts à partir d' enregistrements TMS-EEG ont été publiées 60; Cependant, même avec ces techniques, la récupération des tout premiers signaux (<15 ms) peut être très difficile ou peu fiable. Un défi supplémentaire est que les données EEG est de grande dimension et complexe, et donc une hypothèse préalable claire est souvent nécessaire d'extraire les informations significatives. En outre, parce que les effets de TMS et les signaux EEG peuvent varier de manière significative entre les sujets en raison d'un large éventail de facteurs non-cérébraux qui sontdifficile ou impossible à contrôler (par exemple, l' épaisseur du crâne, la distance crâne-cortex, les médicaments concomitants, la qualité du sommeil la nuit précédente), les mesures des résultats qui sont moins dépendants de l'ampleur brute des réponses évoquées sont susceptibles d'être plus informatif ou significatif.

Bien que techniquement difficile, l'intégration de rs-fcMRI, TMS et EEG ensemble dans une expérience permet des tests d'un large éventail d'hypothèses concernant l'importance des résultats de connectivité spécifiques sur la physiologie corticale. Dans les états pathologiques, ces technologies peuvent être intégrées ensemble pour évaluer la relation entre les changements de connectivité réseau IRMf, des altérations physiopathologiques dans l'excitabilité corticale et l'activité cérébrale évoquée, et l'expression de la maladie. Notamment, ce protocole peut être utilisé pour étudier la physiologie corticale via des mesures de résultats communs, même lorsque la mise au point de la connectivité anormale (et donc la région stimulée) diffère d'un sujet à un autre, providing une sortie qui peut être significatif au niveau de sujet individuel, et l'ouverture de la possibilité d'une approche personnalisée de l'enquête et, finalement, le traitement.

Le protocole décrit dans cette étude pourrait aussi être élargie pour évaluer les caractéristiques spécifiques de la physiologie corticale dans différents groupes de matières. Par exemple, un certain nombre d'études récentes ont suggéré que la composante N45 de la réaction EEG TMS évoquée représente l' activité des récepteurs GABA-A de 69, alors que la composante N100 de la réaction EEG TMS évoquée est une mesure de l' inhibition de la GABA-B à médiation 21,69. Apparié impulsions TMS-EEG avec un protocole d'inhibition intracorticale long intervalle fournit une autre mesure de l' activité GABAergique, et a été montré être modifié dans les régions frontales chez des patients schizophrènes par rapport aux témoins 70. Ainsi, le protocole ci-dessus pourrait être modifié pour répondre spécifiquement aux questions relatives à l'activité GABAergique dans les régions avec functiona modifiél connectivité. En outre, la source localisation des pics dans le potentiel de TMS évoquée peut identifier des régions éloignées qui sont engagées par la stimulation, et ainsi contribuer à éclairer lequel des connexions fonctionnelles identifiées par l'état de repos conventionnel IRMf sont capables de transmettre causalement activité évoquée. Pour les situations dans lesquelles les principaux concentrateurs de réseau sont profondes, rs-fcMRI peut également être utilisé pour identifier des cibles corticales qui sont accessibles à la stimulation, et permettre ainsi la modulation des réseaux spécifiques du cerveau impliquées dans le comportement normal et dans les états pathologiques 35,36,71. Dans de tels cas, les techniques décrites dans cette étude peuvent être utilisés pour évaluer l'activité TMS évoquée impulsion unique local et distribué avant et après un protocole de plasticité répétitive, afin de déterminer si le protocole de la plasticité a bien changé excitabilité corticale localement et / ou d'un réseau excitabilité distalement.

En résumé, l'intégration de rs-fcMRI, TMS et EEG permet aux exploratisur la façon dont les influences de connectivité de la physiologie du cerveau cortical et le comportement chez des sujets humains. En outre, ces techniques peuvent également être combinés pour évaluer la façon dont des altérations de connectivité sont liées à la pathophysiologie dans des états pathologiques, comme l'illustre le protocole décrit ci-dessus.

Subscription Required. Please recommend JoVE to your librarian.

Materials

Name Company Catalog Number Comments
3T MRI scanner
MRI functional connectivity software
MRI image viewing software MRICron
Transcranial Magnetic Stimulator Nexstim eXimia Stimulator Can use stimulators from other suppliers, e.g., Magventure, Magstim
MRI neuronavigation system Nexstim NBS v3.2.1 Alternative MRI neuronavigation system, e.g., Brainsight, Localite
TMS-compatible EEG system Nexstim Eximia EEG Alternatives: Brain Products, Synamps, ANT
Matlab Mathworks R2012b Alternatives: Octave
EEGLab
Minimum Norm Estimate (MNE) software
FreeSurfer

DOWNLOAD MATERIALS LIST

References

  1. Florian, J., Müller-Dahlhaus, M., Liu, Y., Ziemann, U. Inhibitory circuits and the nature of their interactions in the human motor cortex a pharmacological TMS study. J. Physiol. 586 (2), 495-514 (2008).
  2. Rotenberg, A. Prospects for clinical applications of transcranial magnetic stimulation and real-time EEG in epilepsy. Brain Topogr. 22 (4), 257-266 (2010).
  3. Cash, R. F. H., Ziemann, U., Murray, K., Thickbroom, G. W. Late cortical disinhibition in human motor cortex: a triple-pulse transcranial magnetic stimulation study. J. Neurophysiol. 103 (1), 511-518 (2010).
  4. Badawy, R. A. B., Curatolo, J. M., Newton, M., Berkovic, S. F., Macdonell, R. A. L. Changes in cortical excitability differentiate generalized and focal epilepsy. Ann. Neurol. 61 (4), 324-331 (2007).
  5. Silbert, B. I., Heaton, A. E., et al. Evidence for an excitatory GABAA response in human motor cortex in idiopathic generalised epilepsy. Seizure. 26, 36-42 (2015).
  6. Badawy, R. A. B., Macdonell, R. A. L., Berkovic, S. F., Newton, M. R., Jackson, G. D. Predicting seizure control: cortical excitability and antiepileptic medication. Ann. Neurol. 67 (1), 64-73 (2010).
  7. Badawy, R. A. B., Vogrin, S. J., Lai, A., Cook, M. J. On the midway to epilepsy: is cortical excitability normal in patients with isolated seizures? Int. J. Neural Syst. 24 (2), 1430002 (2014).
  8. Badawy, R. A. B., Vogrin, S. J., Lai, A., Cook, M. J. Capturing the epileptic trait: cortical excitability measures in patients and their unaffected siblings. Brain J. Neurol. 136 (Pt 4), 1177-1191 (2013).
  9. Komssi, S., Kähkönen, S., Ilmoniemi, R. J. The effect of stimulus intensity on brain responses evoked by transcranial magnetic stimulation. Hum. Brain Mapp. 21 (3), 154-164 (2004).
  10. Massimini, M., Ferrarelli, F., Huber, R., Esser, S. K., Singh, H., Tononi, G. Breakdown of cortical effective connectivity during sleep. Science. 309 (5744), 2228-2232 (2005).
  11. Lioumis, P., Kicić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMS-Evoked EEG responses. Hum. Brain Mapp. 30 (4), 1387-1396 (2009).
  12. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. NeuroImage. 49 (2), 1459-1468 (2010).
  13. Casarotto, S., Romero Lauro, L. J., et al. EEG responses to TMS are sensitive to changes in the perturbation parameters and repeatable over time. PloS One. 5 (4), e10281 (2010).
  14. Morishima, Y., Akaishi, R., Yamada, Y., Okuda, J., Toma, K., Sakai, K. Task-specific signal transmission from prefrontal cortex in visual selective attention. Nat. Neurosci. 12 (1), 85-91 (2009).
  15. Shafi, M. M., Westover, M. B., Fox, M. D., Pascual-Leone, A. Exploration and modulation of brain network interactions with noninvasive brain stimulation in combination with neuroimaging. Eur. J. Neurosci. 35 (6), 805-825 (2012).
  16. Kugiumtzis, D., Kimiskidis, V. K. Direct Causal Networks for the Study of Transcranial Magnetic Stimulation Effects on Focal Epileptiform Discharges. Int. J. Neural Syst. 25 (5), 1550006 (2015).
  17. Radhu, N., Garcia Dominguez, L., et al. Evidence for inhibitory deficits in the prefrontal cortex in schizophrenia. Brain J. Neurol.. 138 (Pt 2), 483-497 (2015).
  18. Bruckmann, S., Hauk, D., et al. Cortical inhibition in attention deficit hyperactivity disorder: new insights from the electroencephalographic response to transcranial magnetic stimulation. Brain J. Neurol. 135 (Pt 7), 2215-2230 (2012).
  19. Rosanova, M., Gosseries, O., et al. Recovery of cortical effective connectivity and recovery of consciousness in vegetative patients. Brain J. Neurol. 135 (Pt 4), 1308-1320 (2012).
  20. Daskalakis, Z. J., Farzan, F., Barr, M. S., Maller, J. J., Chen, R., Fitzgerald, P. B. Long-interval cortical inhibition from the dorsolateral prefrontal cortex: a TMS-EEG study. Neuropsychopharmacol. Off. Publ. Am. Coll. Neuropsychopharmacol. 33 (12), 2860-2869 (2008).
  21. Farzan, F., Barr, M. S., et al. The EEG correlates of the TMS-induced EMG silent period in humans. NeuroImage. , (2013).
  22. Valentin, A., Arunachalam, R., et al. Late EEG responses triggered by transcranial magnetic stimulation (TMS) in the evaluation of focal epilepsy. Epilepsia. 49 (3), 470-480 (2008).
  23. Del Felice,, Fiaschi, A., Bongiovanni, A., L, G., Savazzi, S., Manganotti, P. The sleep-deprived brain in normals and patients with juvenile myoclonic epilepsy: a perturbational approach to measuring cortical reactivity. Epilepsy Res. 96 (1-2), 123-131 (2011).
  24. Julkunen, P., Säisänen, L., Könönen, M., Vanninen, R., Kälviäinen, R., Mervaala, E. TMS-EEG reveals impaired intracortical interactions and coherence in Unverricht-Lundborg type progressive myoclonus epilepsy (EPM1). Epilepsy Res. 106 (1-2), 103-112 (2013).
  25. Kimiskidis, V. K., Koutlis, C., Tsimpiris, A., Kälviäinen, R., Ryvlin, P., Kugiumtzis, D. Transcranial Magnetic Stimulation Combined with EEG Reveals Covert States of Elevated Excitability in the Human Epileptic Brain. Int. J. Neural Syst. 25 (5), 1550018 (2015).
  26. Fox, M. D., Raichle, M. E. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 8 (9), 700-711 (2007).
  27. 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).
  28. Fox, M. D., Snyder, A. Z., Vincent, J. L., Corbetta, M., Van Essen, D. C., Raichle, M. E. The human brain is intrinsically organized into dynamic, anticorrelated functional networks. Proc. Natl. Acad. Sci. U. S. A. 102 (27), 9673-9678 (2005).
  29. De Luca, M., Beckmann, C. F., De Stefano, N., Matthews, P. M., Smith, S. M. fMRI resting state networks define distinct modes of long-distance interactions in the human brain. NeuroImage. 29 (4), 1359-1367 (2006).
  30. Seeley, W. W., Crawford, R. K., Zhou, J., Miller, B. L., Greicius, M. D. Neurodegenerative diseases target large-scale human brain networks. Neuron. 62 (1), 42-52 (2009).
  31. Greicius, M. Resting-state functional connectivity in neuropsychiatric disorders. Curr. Opin. Neurol. 21 (4), 424-430 (2008).
  32. Zhang, D., Raichle, M. E. Disease and the brain's dark energy. Nat. Rev. Neurol. 6 (1), 15-28 (2010).
  33. Fox, M. D., Greicius, M. Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 19 (2010).
  34. Centeno, M., Carmichael, D. W. Network Connectivity in Epilepsy: Resting State fMRI and EEG-fMRI Contributions. Front. Neurol. 5, 93 (2014).
  35. Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., Pascual-Leone, A. Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate. Biol. Psychiatry. 72 (7), 595-603 (2012).
  36. Fox, M. D., Buckner, R. L., Liu, H., Chakravarty, M. M., Lozano, A. M., Pascual-Leone, A. Resting-state networks link invasive and noninvasive brain stimulation across diverse psychiatric and neurological diseases. Proc. Natl. Acad. Sci. U. S. A. 111 (41), E4367-E4375 (2014).
  37. Shafi, M. M., Vernet, M., et al. Physiological consequences of abnormal connectivity in a developmental epilepsy: Cortical Connectivity. Ann. Neurol. 77 (3), 487-503 (2015).
  38. Chang, B. S., Ly, J., et al. Reading impairment in the neuronal migration disorder of periventricular nodular heterotopia. Neurology. 64 (5), 799-803 (2005).
  39. Battaglia, G., Granata, T. Periventricular nodular heterotopia. Handb. Clin. Neurol. 87, 177-189 (2008).
  40. Chang, B. S., Katzir, T., et al. A structural basis for reading fluency: white matter defects in a genetic brain malformation. Neurology. 69 (23), 2146-2154 (2007).
  41. Christodoulou, J. A., Walker, L. M., et al. Abnormal structural and functional brain connectivity in gray matter heterotopia. Epilepsia. 53 (6), 1024-1032 (2012).
  42. Tassi, L., Colombo, N., et al. Electroclinical, MRI and neuropathological study of 10 patients with nodular heterotopia, with surgical outcomes. Brain J. Neurol. 128 (Pt 2), 321-337 (2005).
  43. Rorden, C., Brett, M. Stereotaxic display of brain lesions). Behav. Neurol. 12 (4), 191-200 (2000).
  44. Rorden, C., Karnath, H. -O., Bonilha, L. Improving lesion-symptom mapping. J. Cogn. Neurosci. 19 (7), 1081-1088 (2007).
  45. Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 134 (1), 9-21 (2004).
  46. Dill, T. Contraindications to magnetic resonance imaging: non-invasive imaging. Heart Br. Card. Soc. 94 (7), 943-948 (2008).
  47. Rossi, S., Hallett, M., Rossini, P. M., Pascual-Leone, A. Safety, ethical considerations, and application guidelines for the use of transcranial magnetic stimulation in clinical practice and research. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 120 (12), 2008-2039 (2009).
  48. Whitfield-Gabrieli, S., Nieto-Castanon, A. Conn: a functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connect. 2 (3), 125-141 (2012).
  49. Chai, X. J., Castañòn, A. N., Ongür, D., Whitfield-Gabrieli, S. Anticorrelations in resting state networks without global signal regression. NeuroImage. 59 (2), 1420-1428 (2012).
  50. Behzadi, Y., Restom, K., Liau, J., Liu, T. T. A component based noise correction method (CompCor) for BOLD and perfusion based fMRI. NeuroImage. 37 (1), 90-101 (2007).
  51. Mutanen, T., Mäki, H., Ilmoniemi, R. J. The effect of stimulus parameters on TMS-EEG muscle artifacts. Brain Stimulat. 6 (3), 371-376 (2013).
  52. Sekiguchi, H., Takeuchi, S., Kadota, H., Kohno, Y., Nakajima, Y. TMS-induced artifacts on EEG can be reduced by rearrangement of the electrode's lead wire before recording. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 122 (5), 984-990 (2011).
  53. Keel, J. C., Smith, M. J., Wassermann, E. M. A safety screening questionnaire for transcranial magnetic stimulation. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 112 (4), 720 (2001).
  54. Huber, R., Mäki, H., et al. Human cortical excitability increases with time awake. Cereb. Cortex N. Y. N. 1991. 23 (2), 332-338 (2013).
  55. Ter Braack, E. M., de Vos, C. C., van Putten, M. J. A. M. Masking the Auditory Evoked Potential in TMS-EEG: A Comparison of Various Methods. Brain Topogr. 28 (3), 520-528 (2015).
  56. Groppa, S., Oliviero, A., et al. A practical guide to diagnostic transcranial magnetic stimulation: report of an IFCN committee. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 123 (5), 858-882 (2012).
  57. Clin Neurophysiol, S. uppl 56, 13-23 (2003).
  58. Rosanova, M., Casali, A., Bellina, V., Resta, F., Mariotti, M., Massimini, M. Natural frequencies of human corticothalamic circuits. J. Neurosci. Off. J. Soc. Neurosci. 29 (24), 7679-7685 (2009).
  59. Rothwell, J. C., Hallett, M., Berardelli, A., Eisen, A., Rossini, P., Paulus, W. Magnetic stimulation: motor evoked potentials. The International Federation of Clinical Neurophysiology. Electroencephalogr. Clin. Neurophysiol. Suppl. 52, 97-103 (1999).
  60. Rogasch, N. C., Thomson, R. H., et al. Removing artefacts from TMS-EEG recordings using independent component analysis: importance for assessing prefrontal and motor cortex network properties. NeuroImage. 101, 425-439 (2014).
  61. Hernandez-Pavon, J. C., Metsomaa, J., et al. Uncovering neural independent components from highly artifactual TMS-evoked EEG data. J. Neurosci. Methods. 209 (1), 144-157 (2012).
  62. Mognon, A., Jovicich, J., Bruzzone, L., Buiatti, M. ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology. 48 (2), 229-240 (2011).
  63. Lehmann, D., Skrandies, W. Reference-free identification of components of checkerboard-evoked multichannel potential fields. Electroencephalogr. Clin. Neurophysiol. 48 (6), 609-621 (1980).
  64. NeuroImage, 62 (2), 774-781 (2012).
  65. Hämäläinen, M. S., Sarvas, J. Realistic conductivity geometry model of the human head for interpretation of neuromagnetic data. IEEE Trans. Biomed. Eng. 36 (2), 165-171 (1989).
  66. Gramfort, A., Luessi, M., et al. MNE software for processing MEG and EEG data. NeuroImage. 86, 446-460 (2014).
  67. Nikouline, V., Ruohonen, J., Ilmoniemi, R. J. The role of the coil click in TMS assessed with simultaneous EEG. Clin. Neurophysiol. Off. J. Int. Fed. Clin. Neurophysiol. 110 (8), 1325-1328 (1999).
  68. Gosseries, O., Sarasso, S., et al. On the Cerebral Origin of EEG Responses to TMS: Insights From Severe Cortical Lesions. Brain Stimulat. 8 (1), 142-149 (2015).
  69. Premoli, I., Castellanos, N., et al. TMS-EEG signatures of GABAergic neurotransmission in the human cortex. J. Neurosci. Off. J. Soc. Neurosci. 34 (16), 5603-5612 (2014).
  70. Farzan, F., Barr, M. S., et al. Evidence for gamma inhibition deficits in the dorsolateral prefrontal cortex of patients with schizophrenia. Brain J. Neurol. 133 (Pt 5), 1505-1514 (2010).
  71. Wang, J. X., Rogers, L. M., et al. Targeted enhancement of cortical-hippocampal brain networks and associative memory. Science. 345 (6200), 1054-1057 (2014).

Tags

Médecine numéro 117 la stimulation magnétique transcrânienne neuroimagerie IRM Se reposer-État connectivité fonctionnelle électroencéphalographie corticale excitabilité Potentiels évoqués l'épilepsie périventriculaire nodulaire Heterotopia
Une méthode Multimodal Imaging- et basée Stimulation-de l&#39;évaluation de connectivité liés excitabilité cérébrale chez les patients atteints d&#39;épilepsie
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Shafi, M. M., Whitfield-Gabrieli,… More

Shafi, M. M., Whitfield-Gabrieli, S., Chu, C. J., Pascual-Leone, A., Chang, B. S. A Multimodal Imaging- and Stimulation-based Method of Evaluating Connectivity-related Brain Excitability in Patients with Epilepsy. J. Vis. Exp. (117), e53727, doi:10.3791/53727 (2016).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter