Waiting
Login processing...

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

Bioengineering

Cerebral blodflow-baseret hviletilstand funktionel forbindelse af den menneskelige hjerne ved hjælp af optisk diffus korrelation spektroskopi

Published: May 27, 2020 doi: 10.3791/60765
Automatic Translation
1, 1, 1,2, 1
1Department of Biomedical, Industrial and Human Factors Engineering, Wright State University, 2South China Academy of Advanced Optoelectronics, South China Normal University

Summary

Denne protokol viser, hvordan man måler hviletilstand funktionelle tilslutningsmuligheder i den menneskelige præfrontale cortex ved hjælp af en skræddersyet diffus korrelation spektroskopi instrument. Rapporten diskuterer også praktiske aspekter af eksperimentet samt detaljerede trin til analyse af dataene.

Abstract

For at opnå en omfattende forståelse af den menneskelige hjerne, udnyttelse af cerebral blodgennemstrømning (CBF) som en kilde til kontrast er ønsket, fordi det er en vigtig hæmodynamisk parameter relateret til cerebral iltforsyning. Hviletilstand lavfrekvente udsving baseret på iltning kontrast har vist sig at give sammenhænge mellem funktionelt forbundne regioner. Den præsenterede protokol bruger optisk diffus korrelation spektroskopi (DCS) til at vurdere blodgennemstrømning-baserede hviletilstand funktionelle tilslutningsmuligheder (RSFC) i den menneskelige hjerne. Resultater af CBF-baseret RSFC i human frontal cortex viser, at intra-regionale RSFC er betydeligt højere i venstre og højre cortices sammenlignet med inter-regionale RSFC i begge cortices. Denne protokol bør være af interesse for forskere, der anvender multimodale billeddannelse teknikker til at studere menneskelige hjernefunktion, især i den pædiatriske befolkning.

Introduction

Når hjernen er i hviletilstand, viser det en høj synkronisering af spontan aktivitet i funktionelt relaterede regioner, som kan være placeret tæt på eller på afstand. Disse synkroniseringsområder kaldes funktionelle netværk1,2,3,4,5,6,7,8,9. Dette fænomen blev først afsløret af en funktionel magnetisk resonans imaging (fMRI) undersøgelse ved hjælp af blod ilt-afhængige (FED) signaler, der indikerer iltning niveauer af cerebralt blod5,10, også kendt som hviletilstand funktionelle tilslutningsmuligheder (RSFC). Abnormiteter i RSFC har været forbundet med hjernesygdomme såsom autisme11, Alzheimers12, og depression13. RSFC er således et værdifuldt værktøj til at studere patienter med lidelser, der har problemer med at udføre opgavebaserede vurderinger. Men mange patienter, såsom unge autistiske børn, er dårlige kandidater til vurdering af fMRI, da det kræver at forblive stadig inde i et lukket rum i længere tid14,15. Optisk billedbehandling er hurtig og bærbar; Det er således velegnet til et flertal af patienter, især den pædiatriske befolkning16,17,18,19,20,21,22,23,24. Udnytte disse fordele, funktionelle nær-infrarød spektroskopi (fNIRS), som kan kvantificere hæmoglobin koncentration og ilt mætning parametre i hjernen, bruges til at måle RSFC hos mennesker (herunder den pædiatriske befolkning4,8,25 og patienter med autisme11).

Optisk diffus korrelation spektroskopi (DCS), en forholdsvis ny optisk teknik, kan kvantificere cerebral blodgennemstrømning, som er et vigtigt parameter, der forbinder iltforsyning med stofskiftet6,17,26,27,28,29. Optisk flow kontrast kvantificeret af DCS har vist sig at have højere følsomhed i hjernen sammenlignet med iltning kontrast30. Det er således fordelagtigt at bruge DCS-afledte CBF-parametre til vurdering af RSFC.

DCS er følsom over for bevægelige blodlegemer. Når sprede fotoner scatter fra bevægelige blodlegemer, dette forårsager intensiteten af detekterede lys til at svinge over tid. DCS måler en tidsbaseret intensitet autokorrelationsfunktion og dens henfaldshastighed er afhængig af de optiske parametre og blodgennemstrømningen. Disse værdier er i sidste ende bruges til at opnå cerebral blodgennemstrømning indeks (CBFi). Med hurtigere bevægelige blodlegemer henfalder intensitetsfunktionen autokorrelationsfunktionen hurtigere. Derfor kan oplysninger om bevægelse dybt under vævsoverfladen udledes (f.eks. i hjernen) fra målinger af forskellige lysudsving over tid27,31,32,33,34,35. DCS er en teknik, der supplerer de almindeligt kendte fNIRS , der måler iltning i blodet17,36. Da både fNIRS og DCS er optiske hjernebilleddannelseteknikker med høj tidsmæssig opløsning inden for millisekunder, er de optiske billedopbygninger langt mindre følsomme over for bevægelsesartefakter end fMRI. De er også blevet anvendt med succes til funktionel hjernescanning i pædiatriske populationer, herunder meget unge spædbørn16. Tidligere er der anvendt overfladiske blodgennemstrømningsmålinger til vurdering af RSFC i prækliniske undersøgelser hos mus37. Her anvendes blodgennemstrømningsparametre til kvantificering af RSFC hos ni raske voksne som en proof-of-concept-undersøgelse38,39.

I denne undersøgelse anvendes et kommercielt FD-fNIRS-system og brugerdefineret DCS-system (se Materialetabel). DCS, der blev bygget in-house består af to 785 nm, 100 mW, lang kohærens længde kontinuerlig-bølge lasere, der er koblet til en FC-stik og otte enkelt-foton tælle maskiner (SPCM) forbundet til en auto-korrelator. En brugerdefineret software grafisk brugergrænseflade (GUI) blev også lavet specielt til dette system til at vise og gemme foton tæller, autokorrelation kurver, og semi-kvantitative blodgennemstrømningen af hver SPCM kanal i realtid. Delene i dette system anvendes almindeligvis til DCS16,17,31,32,40,42,43,44, og de opnåede resultater er også blevet kontrolleret internt og anvendt i en nylig undersøgelse39.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Protokollen blev godkendt af Institutional Review Board på Wright State University, og der blev indhentet informeret samtykke fra hver deltager forud for eksperimentet.

1. Forberedelse af emnet

  1. Tænd for FD-fNIRS- og DCS-systemet for at varme op i mindst 10 min (se afsnit 2 og 3 for at få flere oplysninger), før du starter målinger af motivet. Et eksempel på motivmåling med det kompakte DCS-instrument er vist i figur 1.
  2. Brug først et målebånd til at måle afstanden mellem nasion til inion på hvert emnes hoved (figur 2A).
  3. Med nasionen som udgangspunkt skal du markere den placering, der er 10 % af afstanden til inionen med en blækmarkør. Dette betegner punktet mellem Fp1 og Fp2 af EEG 10/20 montage (Figur 2A).
  4. Ved hjælp af en EEG 10/20-hætte (se Materialetabel) skal du justere hætten, så det markerede punkt er mellem Fp1 og Fp2.
  5. Marker punktet mellem Fp1 og F7 (venstre cortex) og punktet mellem Fp2 og F8 (højre cortex). Dette repræsenterer grænserne mellem den overlegne præfrontale cortex og dorsolateralpræfrontale cortex (DLFC) og mellem DLFC og ringere præfrontale cortex (IFC), henholdsvis for venstre og højre halvkugle (Figur 2A).
  6. Ved hjælp af en 3D-printet sonde skal du placere multi-mode fibre (MMF) på de nyligt markerede punkter (punkter "S" på Figur 2C) og forbinde hver til 785 nm laserlyskilde (Figur 2B,C).
  7. Placer enkelt-mode fibre (SMC) 2,75 cm væk fra pengemarkedsforeningen. To fibre skal placeres på DLFC (steder "DLFC,1" og "DLFC,2") og en på IFC (placering "IFC"). Placeringen af SMF replikeres på hver side af cortex for i alt seks SMF 'er (Figur 2c).
  8. Placer en anden SMF 1 cm under MMF på placering "Ds"i begge sider af cortex (til påvisning af blodgennemstrømningen i hovedbunden) og forbinde hver af de SMF'er til individuelle enkelt-foton tælle maskiner (Figur 2C).

p class="jove_title">2. FD-fNIRS-indstillinger og -kalibrering

  1. Sluk lyset, og tænd for FD-fNIRS-systemet for at forberede kalibreringen.
    FORSIGTIG: Som en generel forholdsregel skal du ikke se direkte på lyskilderne og fiberudgangene, da dette kan forårsage øjenskader. Brug et iR-sensorkort (Materialebord).
  2. Undgå unødvendig eksponering af detektorerne til rumlysniveauer for at opretholde støjfri drift og undgå skader på detektorerne.
  3. Varm lyskilder og detektorer ved at tænde for systemet og lade det køre i mindst 10 min (helst, 20 min minimum og 1 time maksimum for optimal nøjagtighed og stabilitet) med lyset tændt, graduering på, og detektor spænding på.
  4. Kør GUI-baseret software til dataindsamling. Juster detektorforstærkningen for at opnå et optimalt signal med sensoren fastgjort og fastgjort til et kalibreringsfan (polydimethylsiloxan-baseret fantom med kendte optiske egenskaber, se Materialetabel) ved at trykke på knappen "auto-bias". Hvis overspændingsadvarslen blinker, skal du sænke forstærkningen.
  5. Når detektorforstærkningen er justeret for at få det maksimale signal, skal du frakoble en af kildefibrene fra detektoren og kontrollere, at jævnstrømmen (DC) er mindre end 20 tællinger pr. måleperiode for den tilsvarende kildefiber. Hvis det er større end denne værdi, kan der være for meget rumlys, der lækker ind i detektoren45. Hvis dette er tilfældet, skal systemet være slukket, så eventuelle overskydende lys i rummet skal blokeres / fjernes og trin 2.4-2.5 gentages.
  6. Kontroller det korrekte signalniveau fra alle kilder og detektorer. Systemet definerer dette som over 100 og under 1.500 tæller pr. målecyklus.
  7. Udfør kalibrering ved at trykke på knappen "Kalibrer" i GUI'en. Systemet vil tage målinger og anvende kalibreringsfaktorer til korrekt at måle de optiske egenskaber af den kendte fantom. Disse kalibreringsfaktorer gemmes og anvendes automatisk på in vivo-målingerne.
  8. Log kalibreringsdataene, som giver en registrering af systemets ydeevne på et standardfantom.

3. DCS-indstillinger

FORSIGTIG: Som en generel forholdsregel, ikke se på lyskilder og fiber udgange direkte for at undgå potentielle øjenskader. Brug iR-sensorkortet (se Materialetabel).

  1. Undgå unødvendig eksponering af detektorerne (dvs. rumlys) for at opnå nøjagtige rådata for autokorrelationskurverne og forhindre beskadigelse af detektorerne.
  2. Dmæmere og SPCM (se Materialetabel) opvarmesved at skifte dem til "on"-positionen og give dem mulighed for at køre i mindst 10 min (helst mindst 20 min minimum og 1 time maksimum for optimal nøjagtighed og stabilitet).
  3. Kør GUI-baseret DCS dataindsamling software, som viser foton tæller for hver detektor og semi-kvantitative real-time blodgennemstrømning værdier. Juster fiberpositionen, vinklen (fiberfladen skal være vinkelret på hudens overflade) og dataanskaffelsestiming for at opnå et signal på mindst 5.000 tællinger/s (for et tilstrækkeligt signal-støjforhold) og under 1.000.000 tællinger/s (for at undgå skadelige detektorer) (Figur 3A).
  4. Kontroller tilstrækkelige fotontællingsniveauer (fra trin 3.3) fra hver detektor ved at kontrollere fotontællingsniveauet og næsten autokorrelationskurver i realtid, der vises på skærmen.
  5. Kontroller tilstrækkelig fiberkontakt uden lækage af omgivende lys ved at kontrollere y-intercept af den autokorrelationskurve, der vises på skærmen. Den optimale værdi er ~ 1,5 uden brug af polarisatorer (Figur 3B).
  6. Kontroller, at sonden og målingerne ikke er tilbøjelige til at bebevægelseartefakter ved at stramme elastikbåndet, så det er stramt nok til at modstå bevægelse, men løs nok til at forhindre ubehag for motivet. Brugeren skal også kontrollere de automatiske korrelationskurver på skærmen samtidigt, at den automatiske korrelationskurve henfalder til 1 i længere korrelationstid (t > 10 ms) (Figur 3C).

4. Dataindsamling

  1. Instruer motivet for at minimere eventuelle bevægelser under målingen på 8 minutter.
  2. Sluk lyset og sørg for, at motivet sidder i en behagelig position med lukkede øjne.
  3. Udfør en baseline FD-fNIRS målinger ved hjælp af ved at placere FD-fNIRS system optisk sonde på panden støder op til DCS sonden. Tryk derefter på knappen "Anhent" i GUI-anskaffelsesgruppen FD-fNIRS. Disse data vil give statiske optiske egenskaber, absorptionsparametre ogspredningsparametre(μa, μ's ), som vil blive anvendt til kvantificering af den dynamiske optiske parameter CBFi17,20.
  4. Når FD-fNIRS-målingerne er udført, skal du begynde dataindsamlingen på de optiske DCS-målinger ved at trykke på knappen "Kør" i DCS-dataindsamlings-GUI' en. Indsaml data i alt 8 min med en maksimal 2 s integrationstid (mindre foretrækkes, afhængigt af signal-støj-forholdet for hvert emne).
  5. Gentag om nødvendigt forsøget inden for 1 time efter det første forsøg, eller gentag forsøget på et lignende tidspunkt på dagen for at reducere eksterne variationer såsom træthed, stimulanser eller temperatur.

5. Dataanalyse

  1. For FD-fNIRS-data udtrækkes de optiskeabsorptions- og spredningsegenskaber(μa, μ 's ), som behandles ved hældningsmetode46,47,48,49,50,51,52,53.
  2. For DCS, da efterbehandling er nødvendig, importere auto-korrelation rådata data fra hver af de otte kanaler i dataanalyse software.
  3. CBF-relateret parameterkvantificering er beskrevet i de seneste undersøgelser6,27,54. Kort fra den normaliserede intensitets autokorrelation (g2 [r,τ]) udtrækkes den normaliserede diffuse elektriske felttidsfunktion (g1 [r,τ]) ved hjælp af Siegert-relationen: g2 (r,τ) = 1 + β | g 1 (r,τ)| kr.
    BEMÆRK: β er en konstant, proportional med antallet af rumlige tilstande detekteret6,17,27,55,56, spænder fra 0 til 1, og opnås ved montering af (normaliseret) elektrisk felt autokorrelationsfunktion g1.
  4. For at opnå en blodgennemstrømningsrelateret parameter (αDB) fra pasformen anvendes analyseopløsningen til g16,27,54 og dataene tilpasses modellen eller henfaldet:
    LIGNING 1
    BEMÆRK: I ovenstående ligning er ko bølgeantallet af lys i mediet, α er en faktor, der står i forhold til vævsblodvolumenfraktionen, og DB er den effektive Brownian-koefficient. αDB kan defineres som blodgennemstrømningsindekset (BFI)6,54 eller CBFi17. Her anvendes CBFi.
  5. Monter modellen ved hjælp af de optiske parametre fra FD-fNIRS. De vigtigste parametre, der passer til, er CBFi og β.
    BEMÆRK: Figur 3A viser repræsentative data, der er tilstrækkelige til analyse. DCS-data kasseres, hvis (1) autokorrelationsfunktionen er signifikant lavere end 1,5 (β < 0.5) (dvs. for figur 3B, hvor funktionen er ~1.2, β < 0,2, på grund af lækage af lys i rummet), eller hvis (2) autokorrelationskurven ikke henfalder til 1 i længere korrelationstid (t > 10 ms) (dvs. for figur 3C, hvor bevægelsesartefrumtagelse, sådan hoved- eller sondebevægelse, fører til ubrugelige data).
  6. Detrend de kvantificerede resultater ved hjælp af en anden-ordens polynomial pasform til at fjerne langsom afdrift (Figur 4A).
  7. Brug et zero-faset andenordens Butterworth-filter med et passband på 0,009-0,080 Hz til at fjerne uønskede hjernefrekvenser såsom Mayer-bølger (Figur 4A).
  8. Brug lineær regression til at opnå resterne fra hver kanal mod målingen af korte afstande for at fjerne de overfladiske hovedbundssignaler på hver side af cortex (figur 4B).
  9. Beregn Pearsons korrelationskoefficient mellem hvert par kanaler for at identificere den hvilende tilstand, der fungerer mellem hjerneregioner (figur 5).
  10. Omdan korrelationsværdien til en z-værdi ved hjælp af en Fisher Z-transformation, og udfør en t-testfor at opnå p-værdien (Figur 5). Brug falsk registreringshastighed (FDR) til korrektion af flere sammenligninger.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Muligheden for at anvende DCS til at måle funktionel konnektivitet blev demostraterated39. Den hvilende tilstand funktionelle tilslutningsmuligheder i præfrontale cortices af ni emner blev målt. Resultaterne (gennemsnit ± SD) viste en højere korrelation i den intraregionale region for venstre (0,64 ± 0,25) og højre (0,62 ± 0,23) cortices sammenlignet med den interregionale region til venstre (0,32 ± 0,32), (0,34 ± 0,27) og højre (0,34 ± 0,29), (0,34 ± 0,26) cortices. (Figur 5). Effektanalyse med en effekt på 0,8 og signifikansniveau på 0,05 blev også udført, hvilket resulterede i en effekt på 0,82 med stikprøvestørrelse på otte (under antallet af forsøgspersoner analyseret i denne undersøgelse).

For at teste, om der var en signifikant forskel mellem interregional RSFC og intra-regional RSFC, blev korrelationsværdien omdannet til en z-værdi ved hjælp af en Fisher Z-transformation, hvorefter der blev udført en t-test for at sammenligne inter- og intraregional RSFC for begge cortices. Dette resulterede i p-værdier på ≤0,0002, hvilket betyder en signifikant forskel, som er påvist i tidligere fNIRS-studier8,25 (figur 5). For at afgøre, om der var nogen forskel mellem symmetriske hjerneregioner (venstre og højre cortices), blev der udført en t-test. Dette resulterede i p-værdier på >0.8, hvilket betyder, at der ikke var nogen signifikant forskel mellem lignende hjerneregioner på begge sider af cortex.

Figure 1
Figur 1: Eksperimentel opsætning. Klik her for at se en større version af dette tal.

Figure 2
Figur 2: Sondeskeog -placering. (A) Placering af sonderne som vist på EEG 80-20-systemkortet. (B) Et eksempel på den 3D-printede sonde med optiske fibre båret af motivet. (C) CAD-modellen af detektorernes (D) og kildernes (S) placering i den dorsolaterale frontale cortex (DLFC) og den lavere frontale cortex (IFC). Klik her for at se en større version af dette tal.

Figure 3
Figur 3: Repræsentativ stikprøve af data ved hjælp af detektorer i samme område ved samme kildedetektorseparation. Vist er en autokorrelation kurve (g2) med hensyn til den mellemliggende tid (τ). (A) Data, når sonden har tilstrækkelig kontakt, der viser høje tal og en god pasform til analysemodellen. (B) Data (overdrevet) med omgivende lys siver ind i sonden som observeret af en lavere y-intercept (beta). Dette skyldes normalt en kombination af dårlig kontakt og stærkt baggrundslys, der kræver justeringer, der skal foretages. (C) Data (overdrevet) med en bevægelseartefakt, mens g2-kurven beregnes i gennemsnit. Klik her for at se en større version af dette tal.

Figure 4
Figur 4: Analyse af repræsentative data fra én forsøgsperson. (A) Et plot af effektspektret efter hvert af forarbejdningstrinnene. (B) Et eksempel, der viser tidsserierne for det normaliserede blodgennemstrømningssignal på en af kanalerne før og efter regression af den korte distancekanal (hovedbundssignal). Klik her for at se en større version af dette tal.

Figure 5
Figur 5: Hviletilstand funktionel konnektivitet i præfrontale cortices af alle emner. Gruppegennemsnit for interregionalt område (DLFC1-IFC og DLFC2-IFC) af venstre cortex (0,32 ± 0,32), (0,34 ± 0,27) og højre cortex (0,34 ± 0,29), (0,34 ± 0,26). Gruppegennemsnit for den interne region af venstre cortex (0,64 ± 0,25) og højre cortex (0,62 ± 0,23). Fejllinjen angiver SD på tværs af alle emner. T-testen viser, at forskellen mellem intra- og interregional RSFC for begge cortices er signifikant med p ≤ 0,0002, mens der ikke var nogen signifikant forskel mellem venstre og højre cortex (t-test = p > 0,8). Falsk registreringsrate (FDR) blev brugt til korrektion af flere sammenligninger. Klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

For at afgøre, om CBF målt ved DCS nøjagtigt detekterede RSFC, blev to områder af hjernen med kendte RSFC-egenskaber undersøgt. Funktionel forbindelse mellem DLFC-områder og mellem DLFC og IFC antages at eksistere57,58,59. Der blev valgt forbindelse mellem to steder i venstre og højre DLFC, fordi den intraregionale forbindelse normalt er højere. Der blev også valgt konnektivitet mellem IFC og DLFC, da den interregionale forbindelse ser ud til at være svagere.

DCS-teknikken viste høj konnektivitet inden for DLFC-områderne, men lavere forbindelse mellem IFC- og DLFC-områderne, hvilket er i overensstemmelse med lignende undersøgelser udført med andre metoder såsom fMRI. Disse resultater viser potentialet i DCS som et ikke-invasivt middel til at vurdere RSFC hos mennesker. Når det kombineres med andre billeddannelse modaliteter såsom fNIRS, nøjagtig karakterisering af neuronale sygdomme såsom autisme bliver levedygtig. Selv om samtidige målinger af fNIRS og DCS fortsat er en udfordring , er der blevet undersøgt flere tilgange til dette problem19,20,21,23,27,28,60,61,62,63,64,65. I en pilotundersøgelse blev de isolerede, lettere DCS-sonder valgt for bedre kontakt. I fremtiden kan sonden design forbedres, fNIRS fibre kan indsættes ved siden af DCS fibre, og lyskilder kan sekventialt belyses som tidligere påvist. Sammenfattende vil DCS fungere som et supplement til andre teknikker og blive et nyttigt redskab til ikke-invasiv vurdering af hjernefunktion hos unge og handicappede patienter.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen konkurrerende finansielle interesser.

Acknowledgments

Forfatterne vil gerne anerkende finansiel støtte fra Ohio Third Frontier til Ohio Imaging Research and Innovation Network (OIRAIN, 667750), og National Natural Science Foundation of China (Nr. 81771876).

Materials

Name Company Catalog Number Comments
3D Printed Probe In-house N/A 3D printed PLA probe (Craftbot, Craft unique)
785nm, 100mW, CW, FC coupled Laser CrystaLaser DL785-100-S DCS component (light source)
Auto-correlator Correlator.com Flex05-8ch DCS component (output g2 curve to PC)
Data Acquisition GUI In-house N/A GUI coded in LabVIEW to run the DCS system
Data analysis software In-house N/A Matlab code used for obtaining RSFC results
EEG Electrode Cap OpenBCI N/A EEG mesh cap with standard 10/20 positions
Multi-mode fiber OZ Optics QMMJ-3,2.5-IRVIS-600/630-3PCBK-3 DCS component (source fiber)
Oxiplex calibration phantom ISS 75019, 75020 Set of 2 PDMS Calibration Phantom
Oxiplex muscle probe ISS 86010 4 channel muscle probe
Oxiplex Oximeter ISS 95205 FD-fNIRS (690nm, 830nm)
Power meter Thorlabs PM100D Laser light power adjuster
Sensor card Thorlabs F-IRC1-S laser IR beam viewer
Single-mode fiber OZ Optics SMJ-3S2.5-780-5/125-3PCBK-3 DCS component (detector fiber)
Single-Photon Counting Machine Excelitas SPMC-NIR-1x2-FC DCS component (detector)

DOWNLOAD MATERIALS LIST

References

  1. Cohen, A. L., et al. Defining functional areas in individual human brains using resting functional connectivity MRI. NeuroImage. 41 (1), 45-57 (2008).
  2. Pizoli, C. E., et al. Resting state activity in development and maintenance of normal brain function. Proceedings of the National Academy of Sciences of the United States of America. 108 (28), 11638-11643 (2011).
  3. Duan, L., Zhang, Y. J., Zhu, C. Z. Quantitative comparison of resting state functional connectivity derived from fNIRS and fMRI: A simultaneous recording study. NeuroImage. 60 (4), 2008-2018 (2012).
  4. White, B. R., et al. Resting state functional connectivity in the human brain revealed with diffuse optical tomography. NeuroImage. 47 (1), 148-156 (2009).
  5. Biswal, B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magnetic resonance in medicine official journal of the Society of Magnetic Resonance in Medicine/Society of Magnetic Resonance in Medicine. 34 (4), 537-541 (1995).
  6. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering. , (2011).
  7. Zhang, H., et al. Test-retest assessment of independent component analysis-derived resting state functional connectivity based on functional near-infrared spectroscopy. NeuroImage. 55 (2), 607-615 (2011).
  8. Lu, C. M., et al. Use of fNIRS to assess resting state functional connectivity. Journal of Neuroscience Methods. 186 (2), 242-249 (2010).
  9. Zhang, Y. -J., et al. Detecting Resting state Functional Connectivity in the Language System using Functional Near-Infrared Spectroscopy. Journal of Biomedical Optics. 15 (4), 047003 (2010).
  10. Fransson, P. Spontaneous low-frequency BOLD signal fluctuations: An fMRI investigation of the resting state default mode of brain function hypothesis. Human Brain Mapping. , (2005).
  11. Li, J., et al. Characterization of autism spectrum disorder with spontaneous hemodynamic activity. Biomedical Optics Express. , (2016).
  12. Sheline, Y. I., Raichle, M. E. Resting state functional connectivity in preclinical Alzheimer's disease. Biological Psychiatry. , (2013).
  13. Mulders, P. C., van Eijndhoven, P. F., Schene, A. H., Beckmann, C. F., Tendolkar, I. Resting state functional connectivity in major depressive disorder: A review. Neuroscience and Biobehavioral Reviews. , (2015).
  14. Kiviniemi, V., et al. Slow vasomotor fluctuation in fMRI of anesthetized child brain. Magnetic Resonance in Medicine. , (2000).
  15. Fransson, P., et al. Resting state networks in the infant brain. Proceedings of the National Academy of Sciences of the United States of America. , (2007).
  16. Durduran, T., Yodh, A. G. Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral blood flow measurement. Neuroimage. 85, 51-63 (2014).
  17. Buckley, E. M., Parthasarathy, A. B., Grant, P. E., Yodh, A. G., Franceschini, M. A. Diffuse correlation spectroscopy for measurement of cerebral blood flow: future prospects. Neurophotonics. 1 (1), 011009 (2014).
  18. Buckley, E. M., et al. Cerebral hemodynamics in preterm infants during positional intervention measured with diffuse correlation spectroscopy and transcranial Doppler ultrasound. Optics Express. , (2009).
  19. Dehaes, M., et al. Cerebral oxygen metabolism in neonatal hypoxic ischemic encephalopathy during and after therapeutic hypothermia. Journal of Cerebral Blood Flow. , (2014).
  20. Lin, P. Y., et al. Non-invasive optical measurement of cerebral metabolism and hemodynamics in infants. Journal of Visualized Experiments. , (2013).
  21. Lin, P. Y., et al. Regional and hemispheric asymmetries of cerebral hemodynamic and oxygen metabolism in newborns. Cerebral Cortex. 23 (2), (2013).
  22. Busch, D. R., et al. Cerebral Blood Flow Response to Hypercapnia in Children with Obstructive Sleep Apnea Syndrome. Sleep. , (2016).
  23. Durduran, T., et al. Cerebral oxygen metabolism (CMRO2) reactivity to hypercapnia in neonates with severe congenital heart defects measured with diffuse optics. Journal of Cerebral Blood Flow and Metabolism. , (2009).
  24. Durduran, T., et al. Optical measurement of cerebral hemodynamics and oxygen metabolism in neonates with congenital heart defects. Journal of Biomedical Optics. , (2010).
  25. Mesquita, R. C., Franceschini, M. A., Boas, D. A. Resting state functional connectivity of the whole head with near-infrared spectroscopy. Biomedical optics express. 1 (1), 324-336 (2010).
  26. Boas, D. A., Franceschini, M. A. Haemoglobin oxygen saturation as a biomarker: The problem and a solution. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering. , (2011).
  27. Durduran, T., Yodh, A. G. Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral blood flow measurement. NeuroImage. , (2014).
  28. Yu, G. Diffuse Correlation Spectroscopy (DCS): A Diagnostic Tool for Assessing Tissue Blood Flow in Vascular-Related Diseases and Therapies. Current Medical Imaging Reviews. (8), 194-210 (2012).
  29. Yu, G., Durduran, T., Zhou, C., Cheng, R., Yodh, A. G. Near-Infrared Diffuse Correlation Spectroscopy for Assessment of Tissue Blood Flow. Handbook of Biomedical Optics. , 195-216 (2011).
  30. Selb, J., et al. Sensitivity of near-infrared spectroscopy and diffuse correlation spectroscopy to brain hemodynamics: simulations and experimental findings during hypercapnia. Neurophotonics. 1 (1), (2014).
  31. Cheung, C., et al. In vivo cerebrovascular measurement combining diffuse near-infrared absorption and correlation spectroscopies. Physics in Medicine and Biology. 46 (8), 2053-2065 (2001).
  32. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philos Trans A Math Phys Eng Sci. 369 (1955), 4390-4406 (2011).
  33. Maret, G., Wolf, P. E. Multiple Light Scattering from Disordered Media. The Effect of Brownian Motion of Scatterers. Z. Phys. B - Condensed Matter. 65, 409-413 (1987).
  34. Yu, G. Q. Near-infrared diffuse correlation spectroscopy in cancer diagnosis and therapy monitoring. Journal of Biomedical Optics. 17 (1), (2012).
  35. Carp, S. A., Dai, G. P., Boas, D. A., Franceschini, M. A., Kim, Y. R. Validation of diffuse correlation spectroscopy measurements of rodent cerebral blood flow with simultaneous arterial spin labeling MRI; towards MRI-optical continuous cerebral metabolic monitoring. Biomedical Optics Express. 1 (2), 553-565 (2010).
  36. Roche-Labarbe, N., et al. Near-infrared spectroscopy assessment of cerebral oxygen metabolism in the developing premature brain. Journal of Cerebral Blood Flow. , (2012).
  37. Bergonzi, K. M., Bauer, A. Q., Wright, P. W., Culver, J. P. Mapping functional connectivity using cerebral blood flow in the mouse brain. J Cereb Blood Flow Metab. 35 (3), 367-370 (2015).
  38. Poon, C. S., Li, J., Kress, J., Rohrbach, D. J., Sunar, U. Resting state Functional Connectivity measured by Diffuse Correlation Spectroscopy. Optics InfoBase Conference Papers. , (2018).
  39. Li, J., Poon, C. -S., Kress, J., Rohrbach, D. J., Sunar, U. Resting state functional connectivity measured by diffuse correlation spectroscopy. Journal of Biophotonics. 11 (2), (2018).
  40. Yu, G. Q. Near-infrared diffuse correlation spectroscopy in cancer diagnosis and therapy monitoring. J Biomed Opt. 17 (1), (2012).
  41. Li, J., et al. Measurements of human motor and visual activities with diffusing-wave spectroscopy. Novel Optical Instrumentation for Biomedical Applications II. 5864, 58640 (2005).
  42. Wang, D., et al. Fast blood flow monitoring in deep tissues with real-time software correlators. Biomedical Optics Express. 7 (3), 776 (2016).
  43. Boas, D. A., Yodh, A. G. Spatially varying dynamical properties of turbid media probed with diffusing temporal light correlation. Journal of the Optical Society of America a-Optics Image Science and Vision. 14 (1), 192-215 (1997).
  44. Diop, M., Lee, T. -Y., St. Lawrence, K. Continuous monitoring of absolute cerebral blood flow by combining diffuse correlation spectroscopy and time-resolved near-infrared technology. Spie. 7896, 78960 (2011).
  45. Medical, I. ISS Oxiplex Manual. , (2008).
  46. Fantini, S., et al. Quantitative optical monitoring of the hemoglobin concentration and saturation in the piglet brain. Biomedical Optical Spectroscopy and Diagnostics. , (2000).
  47. Hueber, D. M., et al. Non-invasive and quantitative near-infrared haemoglobin spectrometry in the piglet brain during hypoxic stress, using a frequency-domain multidistance instrument. Physics in Medicine and Biology. , (2001).
  48. Zhang, J., et al. Application of I&Q detection system in scouting the curative effect of neck squamous cell carcinoma. Optical Tomography and Spectroscopy of Tissue V. , (2003).
  49. Zhao, J., Ding, H. S., Hou, X. L., Le Zhou, C., Chance, B. In vivo determination of the optical properties of infant brain using frequency-domain near-infrared spectroscopy. Journal of Biomedical Optics. , (2005).
  50. Tu, T., Chen, Y., Zhang, J., Intes, X., Chance, B. Analysis on performance and optimization of frequency-domain near-infrared instruments. Journal of Biomedical Optics. , (2002).
  51. Choe, R., et al. Transabdominal near infrared oximetry of hypoxic stress in fetal sheep brain in utero. Proceedings of the National Academy of Sciences of the United States of America. , (2003).
  52. Sunar, U., et al. Noninvasive diffuse optical measurement of blood flow and blood oxygenation for monitoring radiation therapy in patients with head and neck tumors: a pilot study. Journal of Biomedical Optics. 11 (6), (2006).
  53. Sunar, U., et al. Hemodynamic responses to antivascular therapy and ionizing radiation assessed by diffuse optical spectroscopies. Optics Express. , (2007).
  54. Durduran, T., Choe, R., Baker, W. B., Yodh, A. G. Diffuse Optics for Tissue Monitoring and Tomography T. Rep Prog Phys. 73 (7), (2010).
  55. Boas, D. A., Campbell, L. E., Yodh, A. G. Scattering and imaging with diffusing temporal field correlations. Physical Review Letters. , (1995).
  56. Boas, D. A., Yodh, A. G. Spatially varying dynamical properties of turbid media probed with diffusing temporal light correlation. Journal of the Optical Society of America A. , (1997).
  57. Chuang, C. -C., Sun, C. -W. Gender-related effects of prefrontal cortex connectivity: a resting state functional optical tomography study. Biomedical Optics Express. 5 (8), 2503 (2014).
  58. Okamoto, M., et al. Multimodal assessment of cortical activation during apple peeling by NIRS and fMRI. NeuroImage. , (2004).
  59. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. , (2009).
  60. Farzam, P., et al. Shedding light on the neonatal brain: Probing cerebral hemodynamics by diffuse optical spectroscopic methods. Scientific Reports. , (2017).
  61. Shang, Y., Li, T., Yu, G. Clinical applications of near-infrared diffuse correlation spectroscopy and tomography for tissue blood flow monitoring and imaging. Physiological Measurement. , (2017).
  62. Mesquita, R. C., et al. Direct measurement of tissue blood flow and metabolism with diffuse optics. Philos Trans A Math Phys Eng Sci. 369 (1955), 4390-4406 (2011).
  63. Durduran, T., et al. Diffuse optical measurement of blood flow, blood oxygenation, and metabolism in a human brain during sensorimotor cortex activation. Optics Letters. , (2004).
  64. Kim, M. N., et al. Noninvasive measurement of cerebral blood flow and blood oxygenation using near-infrared and diffuse correlation spectroscopies in critically brain-injured adults. Neurocritical Care. , (2010).
  65. Irwin, D., et al. Influences of tissue absorption and scattering on diffuse correlation spectroscopy blood flow measurements. Biomedical Optics Express. , (2011).

Tags

Bioengineering diffus korrelationsspektroskopi blodgennemstrømning funktionel konnektivitet cerebral hæmodynamik medicin neurovidenskab biomedicinsk teknik fysiologi
Cerebral blodflow-baseret hviletilstand funktionel forbindelse af den menneskelige hjerne ved hjælp af optisk diffus korrelation spektroskopi
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Poon, C., Rinehart, B., Li, J.,… More

Poon, C., Rinehart, B., Li, J., Sunar, U. Cerebral Blood Flow-Based Resting State Functional Connectivity of the Human Brain using Optical Diffuse Correlation Spectroscopy. J. Vis. Exp. (159), e60765, doi:10.3791/60765 (2020).

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