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 Blood Flow-Based Resting State Functionele connectiviteit van het menselijk brein met behulp van optical diffuse correlatie spectroscopie

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

Dit protocol laat zien hoe de functionele connectiviteit van de rusttoestand in de menselijke prefrontale cortex kan worden gemeten met behulp van een op maat gemaakt diffuus correlatiespectroscopie-instrument. Het rapport bespreekt ook praktische aspecten van het experiment en gedetailleerde stappen voor het analyseren van de gegevens.

Abstract

Om een uitgebreid begrip van het menselijk brein te verkrijgen, is het gebruik van cerebrale bloedstroom (CBF) als een bron van contrast gewenst omdat het een belangrijke hemodynamische parameter is die verband houdt met cerebrale zuurstoftoevoer. Rusttoestand lage frequentie schommelingen op basis van oxygenatie contrast is aangetoond dat correlaties tussen functioneel verbonden regio's te bieden. Het gepresenteerde protocol maakt gebruik van optische diffuse correlatie spectroscopie (DCS) om de bloedstroom-gebaseerde rusttoestand functionele connectiviteit (RSFC) in het menselijk brein te beoordelen. Resultaten van CBF-gebaseerde RSFC in de menselijke frontale cortex geven aan dat intra-regionale RSFC aanzienlijk hoger is in de linker- en rechtercortices in vergelijking met interregionale RSFC in beide cortices. Dit protocol moet van belang zijn voor onderzoekers die gebruik maken van multi-modale beeldvormingstechnieken om de menselijke hersenfunctie te bestuderen, vooral in de pediatrische bevolking.

Introduction

Wanneer de hersenen zich in een rusttoestand bevinden, toont het een hoge synchronisatie van spontane activiteit in functioneel verwante gebieden aan, die zich dichtbij of van een afstand kunnen bevinden. Deze in-sync regio's staan bekend als functionele netwerken1,2,3,4,5,6,7,8,9. Dit fenomeen werd voor het eerst ontdekt door een functionele magnetische resonantie imaging (fMRI) studie met behulp van bloed zuurstof niveau-afhankelijke (BOLD) signalen die oxygenatie niveaus van het hersenbloed5,,10, ook bekend als ruststaat functionele connectiviteit (RSFC). Afwijkingen in RSFC zijn geassocieerd met hersenaandoeningen zoals autisme11, Alzheimer12, en depressie13. Dus, RSFC is een waardevol instrument voor het bestuderen van patiënten met aandoeningen die moeite hebben met het uitvoeren van taakgebaseerde beoordelingen. Echter, veel patiënten, zoals jonge autistische kinderen, zijn slechte kandidaten voor beoordeling door fMRI, omdat het vereist nog steeds binnen in een besloten ruimte voor langere tijd14,15. Optische beeldvorming is snel en draagbaar; zo is het geschikt voor een meerderheid van de patiënten, met name de pediatrische bevolking16,17,18,19,20,21,22,23,24. Met behulp van deze voordelen, functionele nabij-infrarood spectroscopie (fNIRS), die hemoglobine concentratie en zuurstofverzadiging parameters in de hersenen kan kwantificeren, wordt gebruikt om RSFC te meten bij de mens (met inbegrip van de pediatrische bevolking4,8,25 en patiënten met autisme11).

Optische diffuse correlatiespectroscopie (DCS), een relatief nieuwe optische techniek, kan de cerebrale bloedstroom kwantificeren, wat een belangrijke parameter is die zuurstoftoevoer associeert met metabolisme6,17,26,27,28,29. Het optische stroomcontrast dat door DCS wordt gekwantificeerd, blijkt een hogere gevoeligheid in de hersenen te hebben in vergelijking met oxygenatiecontrast30. Het gebruik van DCS-afgeleide CBF-parameters voor de beoordeling van RSFC is dus voordelig.

DCS is gevoelig voor bewegende bloedcellen. Wanneer het verspreiden van fotonen verstrooiing van bewegende bloedcellen, dit zorgt ervoor dat de intensiteit van gedetecteerd licht te fluctueren in de tijd. DCS meet een op tijd gebaseerde intensiteitautocorrelatiefunctie en de vervalsnelheid is afhankelijk van de optische parameters en de bloedstroom. Deze waarden worden uiteindelijk gebruikt om de cerebrale bloedstroom index (CBFi) te verkrijgen. Met sneller bewegende bloedcellen, de intensiteit autocorrelatie functie vervalt sneller. Daarom kan informatie over beweging diep onder het weefseloppervlak worden afgeleid (bijvoorbeeld in de hersenen) uit metingen van het verspreiden van lichtfluctuaties in de tijd27,31,32,33,34,35. DCS is een techniek die complementair is aan de alom bekende fNIRS die bloedoxygenatie meet17,36. Aangezien zowel fNIRS als DCS optische hersenbeeldvormingstechnieken zijn met een hoge temporele resolutie in het bereik van milliseconden, zijn de optische beeldvormingsopstellingen veel minder gevoelig voor bewegingsartefacten dan fMRI. Ze zijn ook met succes gebruikt voor functionele beeldvorming van de hersenen in pediatrische populaties, waaronder zeer jonge zuigelingen16. Voorheen werden oppervlakkige bloedstroommetingen gebruikt om RSFC te beoordelen in preklinische studies bij muizen37. Hier worden bloedstroomparameters gebruikt om RSFC bij negen gezonde volwassenen te kwantificeren als een proof-of-concept studie38,39.

In deze studie wordt gebruik gemaakt van een commercieel FD-fNIRS systeem en een aangepast DCS systeem(zie Tabel van Materialen). De DCS die in eigen huis werd gebouwd bestaat uit twee 785 nm, 100 mW, lange coherentielengte continugolflasers die zijn gekoppeld aan een FC-connector en acht single-photon telmachines (SPCM) aangesloten op een auto-correlator. Een aangepaste software grafische gebruikersinterface (GUI) is ook speciaal gemaakt voor dit systeem om de fotontellingen, autocorrelatiecurven en semi-kwantitatieve bloedstroom van elk SPCM-kanaal in real-time weer te geven en op te slaan. De onderdelen in dit systeem worden vaak gebruikt voor DCS16,17,31,32,40,42,43,44, en de verkregen resultaten zijn ook in eigen beheer geverifieerd en gebruikt in een recente studie39.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Het protocol werd goedgekeurd door de Institutional Review Board van de Wright State University, en geïnformeerde toestemming werd verkregen van elke deelnemer voorafgaand aan het experiment.

1. Voorbereiding van het onderwerp

  1. Zet het FD-fNIRS- en DCS-systeem aan om minstens 10 minuten op te warmen (zie de secties 2 en 3 voor meer details) voordat u met metingen van het onderwerp begint. Een voorbeeld van onderwerpmeting met het compacte DCS-instrument wordt weergegeven in figuur 1.
  2. Gebruik eerst een meetlint om de afstand tussen de nasion tot de inion op het hoofd van elk onderwerp te meten (Figuur 2A).
  3. Met de nasion als uitgangspunt markeert u de locatie die 10% van de afstand tot de inion bedraagt met een inktmarkering. Dit geeft het punt tussen Fp1 en Fp2 van de EEG 10/20 montage (Figuur 2A).
  4. Met behulp van een EEG 10/20 cap (zie Tabel van materialen),pas de dop aan zodat het gemarkeerde punt tussen Fp1 en Fp2 ligt.
  5. Markeer het punt tussen Fp1 en F7 (linker cortex) en het punt tussen Fp2 en F8 (rechter cortex). Dit vertegenwoordigt de grenzen tussen de superieure prefrontale cortex en dorsolaterale prefrontale cortex (DLFC) en tussen de DLFC en inferieure prefrontale cortex (IFC), respectievelijk, voor de linker en rechter hersenhelften (Figuur 2A).
  6. Plaats met behulp van een 3D-geprinte sonde de multi-modevezels (MMF) op de nieuw gemarkeerde punten (punten "S" op figuur 2C)en sluit elk aan op de laserlichtbron van 785 nm(figuur 2B,C).
  7. Plaats de single-mode vezels (SMFs) 2,75 cm verwijderd van de MMF. Twee vezels moeten worden geplaatst op de DLFC (locaties "DLFC,1" en "DLFC,2") en een op de IFC (locatie "IFC"). De plaatsing van de SMF wordt gerepliceerd aan elke kant van de cortex voor een totaal van zes SMF 's (Figuur 2c).
  8. Plaats een andere SMF 1 cm onder de MMF op locatie "Ds"aan beide zijden van de cortex (voor de detectie van de bloedstroom in de hoofdhuid) en sluit elk van de SMF's aan op individuele single-photon telmachines (Figuur 2C).

p klasse="jove_title">2. FD-fNIRS-instellingen en kalibratie

  1. Schakel alle lampjes uit en schakel het FD-fNIRS-systeem in om zich voor te bereiden op kalibratie.
    LET OP: Kijk uit voorzorg niet direct naar de lichtbronnen en vezeluitgangen, omdat dit oogletsel kan veroorzaken. Gebruik een IR-sensorkaart (Materiaaltafel).
  2. Vermijd onnodige blootstelling van de detectoren aan de lichtniveaus in de ruimte om geluidloos te blijven werken en schade aan de detectoren te voorkomen.
  3. Verwarm de lichtbronnen en detectoren door het systeem aan te zetten en het minstens 10 min te laten lopen (bij voorkeur minimaal 20 min en maximaal 1 uur voor optimale nauwkeurigheid en stabiliteit) met het licht aan, modulatie aan en detectorspanning aan.
  4. Voer gui-gebaseerde software voor gegevensverwerving uit. Pas de detectorversterking aan om een optimaal signaal te bereiken met de sensor bevestigd en bevestigd aan een kalibratiefantoom (polydimethylsiloxaan-gebaseerd fantoom van bekende optische eigenschappen, zie Tabel van materialen)door op de knop "autobias" te drukken. Als de overspanningswaarschuwing knippert, verlaagt u de winst.
  5. Nadat u de detectorversterking hebt aangepast om het maximale signaal te krijgen, koppelt u een van de bronvezels los van de detector en controleert u of de gelijkstroom (DC) minder dan 20 tellingen per meetperiode is voor de bijbehorende bronvezel. Als deze waarde groter is dan deze waarde, kan er overmatig ruimtelicht in de detector45lekken. Als dit het geval is, moet het systeem worden uitgeschakeld, dan moet het overtollige licht in de kamer worden geblokkeerd / verwijderd en stappen 2.4–2.5 herhaald.
  6. Controleer het juiste signaalniveau van elke bron en detector. Het systeem definieert dit als boven de 100 en minder dan 1.500 tellingen per meetcyclus.
  7. Voer kalibratie uit door op de knop Kalibreren in de GUI te drukken. Het systeem zal metingen uitvoeren en kalibratiefactoren toepassen om de optische eigenschappen van het bekende fantoom correct te meten. Deze kalibratiefactoren worden opgeslagen en automatisch toegepast op de in vivo metingen.
  8. Log de kalibratiegegevens, die een record van de prestaties van het systeem op een standaard fantoom zal bieden.

3. DCS-instellingen

LET OP: Als algemene voorzorgsmaatregel, niet kijken naar de lichtbronnen en vezel uitgangen direct om potentiële oogschade te voorkomen. Gebruik de IR-sensorkaart (zie Materiaaltafel).

  1. Vermijd onnodige blootstelling van de detectoren (d.w.z. ruimtelicht) om nauwkeurige ruwe gegevens voor de autocorrelatiekrommen te verkrijgen en schade aan de detectoren te voorkomen.
  2. Warm de DCS laserlichtbronnen en SPCM (zie Tabel van materialen)op door ze over te schakelen naar de "on"-positie en ze ten minste 10 min te laten draaien (bij voorkeur minimaal 20 min en maximaal 1 uur voor optimale nauwkeurigheid en stabiliteit).
  3. Voer GUI-gebaseerde DCS-gegevensacquisitiesoftware uit, die de fotontellingen voor elke detector en semi-kwantitatieve real-time bloedstroomwaarden weergeeft. Pas de vezelpositie, hoek (vezelvlak moet loodrecht op het huidoppervlak) staan en de timing van gegevensverwerving om een signaal van ten minste 5.000 tellingen/s te verkrijgen (voor een adequate signaal-ruisverhouding) en minder dan 1.000.000 tellingen/s (om schadelijke detectoren te voorkomen) (Figuur 3A).
  4. Controleer voldoende aantal fotonen (vanaf stap 3.3) van elke detector door het aantal fotonen en bijna realtime automatische correlatiecurven op de monitor te controleren.
  5. Controleer voldoende vezelcontact zonder omgevingslichtlekkage door de y-intercept van de autocorrelatiecurve op de monitor te controleren. De optimale waarde is ~1,5 zonder het gebruik van polarisatoren (Figuur 3B).
  6. Controleer of de sonde en metingen niet gevoelig zijn voor bewegingsartefacten door de elastische band aan te spannen, zodat deze strak genoeg is om beweging te weerstaan, maar los genoeg om enig ongemak aan het onderwerp te voorkomen. De gebruiker moet ook de automatische correlatiecurven op de monitor gelijktijdig controleren, zodat de autocorrelatiecurve vervalt tot 1 voor een langere correlatietijd (τ > 10 ms) (figuur 3C).

4. Gegevensverzameling

  1. Instrueer het onderwerp om eventuele bewegingen tijdens de 8 min meting te minimaliseren.
  2. Doe het licht uit en zorg ervoor dat het onderwerp in een comfortabele positie zit met zijn ogen dicht.
  3. Voer een baseline FD-fNIRS metingen met behulp van het fd-fNIRS systeem optische sonde op het voorhoofd naast de DCS sonde. Druk vervolgens op de knop "Verwerven" in de FD-fNIRS acquisitie GUI. Deze gegevens bieden statische optische eigenschappen, absorptieparameters en verstrooiingsparameters (μa, μ'ss) die zullen worden gebruikt voor de kwantificering van de dynamische optische parameter, CBFi17,20.
  4. Na voltooiing van de FD-fNIRS metingen, beginnen met het verzamelen van gegevens op de optische DCS metingen door op de "Run" knop in de DCS data acquisition GUI. Verzamel gegevens voor een totaal van 8 min met een maximale integratietijd van 2 s (minder heeft de voorkeur, afhankelijk van de signaal-ruisverhouding voor elk onderwerp).
  5. Herhaal indien nodig het experiment binnen 1 uur van het eerste experiment of herhaal het experiment gedurende een vergelijkbare tijd van de dag om externe variaties zoals vermoeidheid, stimulerende middelen of temperatuur te verminderen.

5. Gegevensanalyse

  1. Haal voor FD-fNIRS-gegevens de optische absorptie- en verstrooiingseigenschappen (μa, μ'ss) uit die worden verwerkt volgens de hellingsmethode46,47,48,49,50,51,52,53.
  2. Voor DCS, aangezien nabewerking nodig is, importeert u de ruwe gegevens van de autocorrelatie van elk van de acht kanalen in de software voor gegevensanalyse.
  3. Cbf-gerelateerde parameterkwantificering wordt beschreven in recente evaluaties6,27,54. Kortom, uit de genormaliseerde intensiteit autocorrelatie functie (g2 [r,τ])), haal de genormaliseerde diffuse elektrische veld temporele autocorrelatie functie (g1 [r,τ]) met behulp van de Siegert relatie: g2 (r,τ) = 1 + β | g 1 (r,τ)| 2.
    OPMERKING: β is een constante, evenredig aan het aantal gedetecteerde ruimtelijke modi6,17,27,55,56, varieert van 0 tot 1, en verkregen door het aanbrengen van de (genormaliseerde) elektrische veld autocorrelatie functie g1.
  4. Gebruik de analytische oplossing voor g16,27,,54 om een bloedstroomgerelateerde parameter (αDB)uit de pasvorm te halen:,
    VERGELIJKING ÉÉN
    OPMERKING: In de bovenstaande vergelijking is ko het golfaantal licht in het medium, α is een factor die evenredig is aan de bloedvolumefractie van het weefsel en DB is de effectieve Brownse coëfficiënt. αDB kan worden gedefinieerd als de bloedstroomindex (BFI)6,54 of CBFi17. Hier wordt CBFi gebruikt.
  5. Past het model met behulp van de optische parameters verkregen uit FD-fNIRS. De belangrijkste parameters die passen bij cbfi en β.
    OPMERKING: Figuur 3A toont representatieve gegevens die voldoende zijn voor analyse. DCS-gegevens worden verwijderd als (1) de autocorrelatiefunctie aanzienlijk lager is dan 1,5 (β < 0.5) (d.w.z. in het geval van figuur 3B, wanneer de functie ~1,2, β < 0,2 is, als gevolg van ruimtelichtlekkage) of indien (2) de autocorrelatiecurve niet vervalt tot 1 voor langere correlatietijd (τ > 10 ms) (d.w.z. in het geval van figuur 3C, waar het bewegingsartefact, zoals hoofd- of sondebeweging, leidt tot onbruikbare gegevens).
  6. Detrend van de gekwantificeerde resultaten met behulp van een tweede-orde polynomial fit om langzame drift te verwijderen (Figuur 4A).
  7. Gebruik een zero-phase tweede-orde Butterworth filter met een passband van 0.009-0.080 Hz om ongewenste hersenfrequenties zoals Mayer golven (Figuur 4A) te verwijderen.
  8. Gebruik lineaire regressie om de restanten van elk kanaal te verkrijgen tegen de korte afstandmeting om de oppervlakkige hoofdhuidsignalen aan elke kant van de cortex te verwijderen (figuur 4B).
  9. Bereken de correlatiecoëfficiënt van de Pearson tussen elk paar kanalen om de functionele verbinding tussen hersengebieden te identificeren(figuur 5).
  10. Zet de correlatiewaarde om in een z-waarde met behulp van een Fisher Z-transformatie en voer een t-testuit om de p-waarde te verkrijgen (figuur 5). Gebruik valse detectiesnelheid (FDR) voor meerdere vergelijkingencorrectie.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

De haalbaarheid van het gebruik van DCS om functionele connectiviteit te meten werd met succes gedemostrated39. De ruststaat functionele connectiviteit in de prefrontale cortices van negen onderwerpen werd gemeten. De resultaten (gemiddelde ± SD) wezen op een hogere correlatie in het intraregionale gebied van links (0,64 ± 0,25) en rechts (0,62 ± 0,23) cortices, in vergelijking met het interregionale gebied van links (0,32 ± 0,32), (0,34 ± 0,27) en rechts (0,34 ± 0,29), (0,34 ± 0,26) cortices. (figuur 5). Power analyse met een vermogen van 0,8 en significantie niveau van 0,05 werd ook uitgevoerd, wat resulteerde in een vermogen van 0,82 met steekproef grootte van acht (onder het aantal onderwerpen geanalyseerd in deze studie).

Om te testen of er een significant verschil was tussen interregionale RSFC en intraregionale RSFC, werd de correlatiewaarde omgezet in een z-waarde met behulp van een Fisher Z-transformatie, waarna een t-test werd uitgevoerd om inter- en intraregionale RSFC van beide cortices te vergelijken. Dit resulteerde in p-waarden van ≤0,0002, wat een significant verschil betekent dat is aangetoond in eerdere fNIRS-studies8,25 (figuur 5). Om te bepalen of er een verschil was tussen symmetrische hersengebieden (links en rechts cortices), werd een t-test uitgevoerd. Dit resulteerde in p-waarden van >0,8, wat betekent dat er geen significant verschil was tussen vergelijkbare hersengebieden aan weerszijden van de cortex.

Figure 1
Figuur 1: Experimentele opstelling. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 2
Figuur 2: Sondeschematisch en plaatsing. (A) Plaatsing van de sondes zoals weergegeven op de EEG 80-20 systeemkaart. (B) Een voorbeeld van de 3D-geprinte sonde met optische vezels gedragen door het onderwerp. (C) Het CAD-model van de locatie van de detectoren (D) en bronnen (S) in de dorsolaterale frontale cortex (DLFC) en inferieure frontale cortex (IFC). Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 3
Figuur 3: Representatieve steekproef van gegevens met detectoren in dezelfde regio bij dezelfde brondetectorscheiding. Getoond is een autocorrelatie curve (g2) met betrekking tot de vertragingstijd (τ). (A) Gegevens wanneer de sonde voldoende contact heeft, met hoge tellingen en een goede pasvorm aan het analytische model. (B) Gegevens (overdreven) met omgevingslicht lekken in de sonde, zoals waargenomen door een lagere y-intercept (beta). Dit is meestal te wijten aan een combinatie van slecht contact en sterke achtergrondlicht, waarbij aanpassingen moeten worden gemaakt. (C) Gegevens (overdreven) met een bewegingsartefact terwijl de g2-curve wordt gemiddeld. Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 4
Figuur 4: Analyse van representatieve gegevens verkregen van één onderwerp. (A) Een perceel van het vermogensspectrum na elk van de verwerkingsstappen. (B) Een voorbeeld van de tijdreeks van het genormaliseerde bloedstroomsignaal op een van de kanalen voor en na regressie van het korte afstandskanaal (hoofdhuidsignaal). Klik hier om een grotere versie van dit cijfer te bekijken.

Figure 5
Figuur 5: Ruststaat functionele connectiviteit in prefrontale cortices van alle onderwerpen. Groepsgemiddelde voor interregionale regio (DLFC1-IFC en DLFC2-IFC) van de linkercortex (0,32 ± 0,32), (0,34 ± 0,27) en rechtercortex (0,34 ± 0,29), (0,34 ± 0,26). Groepsgemiddelde voor het intraregionale gebied van de linkercortex (0,64 ± 0,25) en rechtercortex (0,62 ± 0,23). De foutbalk geeft SD aan voor alle onderwerpen. De t-test toont het verschil tussen intra- en interregionale RSFC van beide cortices is significant met p ≤ 0,0002, terwijl er geen significant verschil was tussen de linker- en rechtercortex (t-test = p > 0,8). Valse detectie (FDR) werd gebruikt voor meerdere vergelijkingen correctie. Klik hier om een grotere versie van dit cijfer te bekijken.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Om te bepalen of CBF zoals gemeten door DCS nauwkeurig gedetecteerd RSFC, twee gebieden van de hersenen met bekende RSFC eigenschappen werden onderzocht. Functionele connectiviteit tussen DLFC-regio's en tussen DLFC en IFC wordt verondersteld te bestaan57,58,59. Er is gekozen voor connectiviteit tussen twee sites binnen de linker- en rechter-DLFC, omdat de intraregionale connectiviteit meestal hoger is. Ook werd gekozen voor connectiviteit tussen de IFC en de DLFC, omdat de interregionale connectiviteit bekend staat als zwakker.

De DCS-techniek toonde een hoge connectiviteit binnen de DLFC-gebieden, maar lagere connectiviteit tussen de IFC- en DLFC-gebieden, wat overeenkomt met vergelijkbare studies die zijn uitgevoerd met andere methoden zoals fMRI. Deze resultaten tonen het potentieel van DCS als een niet-invasief middel om RSFC bij mensen te beoordelen. In combinatie met andere beeldvormingmodaliteiten zoals fNIRS wordt nauwkeurige karakterisering van neuronale ziekten zoals autisme levensvatbaar. Hoewel gelijktijdige metingen van fNIRS en DCS een uitdaging blijven, zijn verschillende benaderingen van dit probleem onderzocht19,20,21,23,,27,28,60,,62,63,64,65.61 In een pilot studie, de geïsoleerde, lichtere DCS sondes werden gekozen voor een beter contact. In de toekomst kan het ontwerp van de sonde worden verbeterd, kunnen fNIRS-vezels naast DCS-vezels worden ingebracht en kunnen lichtbronnen opeenvolgend worden verlicht zoals eerder is aangetoond. Samengevat zal DCS dienen als aanvulling op andere technieken en een nuttig instrument worden voor niet-invasieve beoordeling van de hersenfunctie bij jonge en gehandicapte patiënten.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs verklaren geen concurrerende financiële belangen.

Acknowledgments

De auteurs willen financiële steun erkennen van de Ohio Third Frontier aan het Ohio Imaging Research and Innovation Network (OIRAIN, 667750) en de 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

Bio-engineering Nummer 159 diffuse correlatie spectroscopie bloedstroom functionele connectiviteit cerebrale hemodynamica geneeskunde neurowetenschappen biomedische techniek fysiologie
Cerebral Blood Flow-Based Resting State Functionele connectiviteit van het menselijk brein met behulp van optical diffuse correlatie spectroscopie
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