Waiting
Login processing...

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

Bioengineering

Conectividad funcional del cerebro humano basada en el flujo sanguíneo cerebral mediante espectroscopia óptica de correlación difusa

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

Este protocolo muestra cómo medir la conectividad funcional del estado en reposo en la corteza prefrontal humana utilizando un instrumento de espectroscopia de correlación difusa hecho a medida. El informe también analiza aspectos prácticos del experimento, así como pasos detallados para analizar los datos.

Abstract

Para obtener una comprensión integral del cerebro humano, se desea la utilización del flujo sanguíneo cerebral (CBF) como fuente de contraste porque es un parámetro hemodinámico clave relacionado con el suministro de oxígeno cerebral. Se ha demostrado que las fluctuaciones de baja frecuencia del estado de reposo basadas en el contraste de oxigenación proporcionan correlaciones entre regiones conectadas funcionalmente. El protocolo presentado utiliza espectroscopia de correlación difusa óptica (DCS) para evaluar la conectividad funcional del estado de reposo basado en el flujo sanguíneo (RSFC) en el cerebro humano. Los resultados de RSFC basado en CBF en la corteza frontal humana indican que el RSFC intrarregional es significativamente mayor en los cortices izquierdo y derecho en comparación con el RSFC interregional en ambos cortices. Este protocolo debe ser de interés para los investigadores que emplean técnicas de imagen multimodalpara para estudiar la función cerebral humana, especialmente en la población pediátrica.

Introduction

Cuando el cerebro está en estado de reposo, demuestra una alta sincronización de la actividad espontánea en regiones relacionadas funcionalmente, que se puede ubicar cerca o desde la distancia. Estas regiones en sincronización se conocen como redes funcionales1,2,3,4,5,6,7,8,9. Este fenómeno fue descubierto por primera vez por un estudio de resonancia magnética funcional (fMRI) utilizando señales dependientes del nivel de oxígeno en sangre (BOLD) que indican los niveles de oxigenación de la sangre cerebral5,,10, también conocida como conectividad funcional del estado de reposo (RSFC). Las anomalías en RSFC se han asociado con trastornos cerebrales como autismo11,Alzheimer12y depresión13. Por lo tanto, RSFC es una herramienta valiosa para estudiar a pacientes con trastornos que tienen problemas para realizar evaluaciones basadas en tareas. Sin embargo, muchos pacientes, como los niños autistas jóvenes, son candidatos pobres para ser evaluados por fMRI, ya que requiere permanecer todavía dentro de un espacio confinado durante largos períodos de tiempo14,15. Las imágenes ópticas son rápidas y ponibles; por lo tanto, es adecuado para la mayoría de los pacientes, en particular la población pediátrica16,17,18,19,20,21,22,23,24. Utilizando estas ventajas, la espectroscopia funcional de infrarrojo cercano (fNIRS), que puede cuantificar la concentración de hemoglobina y los parámetros de saturación de oxígeno en el cerebro, se utiliza para medir el RSFC en humanos (incluida la población pediátrica4,8,25 y pacientes con autismo11).

La espectroscopia óptica de correlación difusa (DCS), una técnica óptica relativamente nueva, puede cuantificar el flujo sanguíneo cerebral, que es un parámetro importante que asocia el suministro de oxígeno con el metabolismo6,,17,26,27,28,29. Se ha demostrado que el contraste de flujo óptico cuantificado por DCS tiene una mayor sensibilidad en el cerebro en comparación con el contraste de oxigenación30. Por lo tanto, utilizar parámetros CBF derivados de DCS para evaluar RSFC es ventajoso.

El DCS es sensible al movimiento de las células sanguíneas. Cuando los fotones difuminados se dispersan de las células sanguíneas en movimiento, esto hace que la intensidad de la luz detectada fluctúe con el tiempo. DCS mide una función de autocorrelación de intensidad basada en el tiempo y su tasa de descomposición depende de los parámetros ópticos y el flujo sanguíneo. Estos valores se utilizan en última instancia para obtener el índice de flujo sanguíneo cerebral (CBFi). Con células sanguíneas en movimiento más rápido, la función de autocorrelación de intensidad se descompone más rápido. Por lo tanto, la información sobre el movimiento profundo debajo de la superficie del tejido se puede derivar (por ejemplo, en el cerebro) de mediciones de fluctuaciones de luz difusoras a lo largo del tiempo27,31,32,33,34,35. DCS es una técnica complementaria a la ampliamente conocida fNIRS que mide la oxigenación sanguínea17,,36. Dado que tanto fNIRS como DCS son técnicas ópticas de imágenes cerebrales con alta resolución temporal en el rango de milisegundos, las configuración sin imágenes ópticas son mucho menos sensibles a los artefactos de movimiento que la fMRI. También se han utilizado con éxito para la toma de imágenes cerebrales funcionales en poblaciones pediátricas, incluyendo bebés muy pequeños16. Anteriormente, se han utilizado mediciones superficiales del flujo sanguíneo para evaluar RSFC en estudios preclínicos en ratones37. Aquí, los parámetros de flujo sanguíneo se utilizan para cuantificar RSFC en nueve adultos sanos como un estudio de prueba de concepto38,39.

En este estudio, se utiliza un sistema comercial FD-fNIRS y un sistema DCS personalizado(véase Tabla de materiales). El DCS que se construyó internamente se compone de dos láseres de onda continua de 785 nm, 100 mW y longitud larga que se acoplan a un conector FC y ocho máquinas de conteo de un solo fotón (SPCM) conectadas a un autocorrelator. Una interfaz gráfica de usuario (GUI) de software personalizada también se hizo específicamente para que este sistema mostrar y guardar los recuentos de fotones, curvas de autocorrelación y flujo sanguíneo semicuantitativo de cada canal SPCM en tiempo real. Las piezas de este sistema se utilizan comúnmente para DCS16,17,31,32,40,42,43,44, y los resultados obtenidos también se han verificado internamente y se utilizan en un estudio reciente39.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

El protocolo fue aprobado por la Junta de Revisión Institucional de la Universidad Estatal de Wright, y se obtuvo el consentimiento informado de cada participante antes del experimento.

1. Preparación del sujeto

  1. Encienda el sistema FD-fNIRS y DCS para calentarse durante al menos 10 minutos (ver secciones 2 y 3 para obtener más detalles) antes de iniciar cualquier medición del sujeto. En la Figura 1se muestra un ejemplo de medición del sujeto con el instrumento DCS compacto.
  2. En primer lugar, utilice una cinta métrica para medir la distancia entre el nasión a la inión en la cabeza de cada sujeto(Figura 2A).
  3. Con la nasión como punto de partida, marque la ubicación que es el 10% de la distancia a la inión con un marcador de tinta. Esto denota el punto entre el fp1 y el fp2 del montaje EEG 10/20(figura 2A).
  4. Usando una tapa EEG 10/20 (ver Tabla de Materiales),ajuste la tapa para que el punto marcado esté entre Fp1 y Fp2.
  5. Marque el punto entre Fp1 y F7 (corteza izquierda) y el punto entre Fp2 y F8 (corteza derecha). Esto representa los límites entre la corteza prefrontal superior y la corteza prefrontal dorsolateral (DLFC) y entre el DLFC y la corteza prefrontal inferior (IFC), respectivamente, para los hemisferios izquierdo y derecho(Figura 2A).
  6. Usando una sonda impresa en 3D, coloque las fibras multimodo (MMF) en los puntos recién marcados (puntos "S" en la Figura 2C)y conecte cada uno a la fuente de luz láser de 785 nm(Figura 2B,C).
  7. Coloque las fibras monomodo (SMF) a 2,75 cm de distancia del MMF. Se deben colocar dos fibras en el DLFC (ubicaciones "DLFC,1" y "DLFC,2") y una en la IFC (ubicación "IFC"). La colocación del SMF se replica a cada lado de la corteza para un total de seis SMF(Figura 2c).
  8. Coloque otro SMF 1 cm por debajo del MMF en la ubicación "Ds"en ambos lados de la corteza (para la detección del flujo sanguíneo en el cuero cabelludo) y conecte cada uno de los SMF a máquinas individuales de conteo de un solo fotón(Figura 2C).

p class-"jove_title">2. Ajustes y calibración del FD-fNIRS

  1. Apague las luces y encienda el sistema FD-fNIRS para prepararla.
    ADVERTENCIA: Como precaución general, no mire directamente las fuentes de luz y las salidas de fibra, ya que esto puede causar daños oculares. Utilice una tarjeta de sensor IR(Tabla de materiales).
  2. Evite la exposición innecesaria de los detectores a los niveles de luz de la habitación para mantener un funcionamiento sin ruido y evitar daños en los detectores.
  3. Caliente las fuentes de luz y los detectores encendiendo el sistema y dejándolo funcionar durante al menos 10 minutos (preferiblemente, 20 min mínimo y 1 h máximo para una precisión y estabilidad óptimas) con la luz encendida, la modulación encendida y la tensión del detector encendida.
  4. Ejecute el software de adquisición de datos basado en GUI. Ajuste la ganancia del detector para lograr una señal óptima con el sensor conectado y asegurado a un fantasma de calibración (fantasma basado en polidimetilsiloxano de propiedades ópticas conocidas, consulte Tabla de materiales)pulsando el botón "auto-bias". Si la advertencia de sobretensión parpadea, reduzca la ganancia.
  5. Después de ajustar la ganancia del detector para obtener la señal máxima, desconecte una de las fibras de origen del detector y verifique que la corriente directa (DC) sea inferior a 20 recuentos por período de medición para la fibra de origen correspondiente. Si es mayor que este valor, puede haber una fuga excesiva de luz de la habitación en el detector45. Si este es el caso, el sistema debe ser apagado, entonces cualquier exceso de luz en la habitación debe ser bloqueado / eliminado y los pasos 2.4–2.5 repetidos.
  6. Verifique el nivel de señal adecuado de cada fuente y detector. El sistema define esto como por encima de 100 y por debajo de 1.500 recuentos por ciclo de medición.
  7. Realice la calibración pulsando el botón "Calibrar" en la GUI. El sistema tomará medidas y aplicará factores de calibración para medir correctamente las propiedades ópticas del fantasma conocido. Estos factores de calibración se guardan y aplican automáticamente a las mediciones in vivo.
  8. Registre los datos de calibración, lo que proporcionará un registro del rendimiento del sistema en un fantasma estándar.

3. Ajustes de DCS

ADVERTENCIA: Como precaución general, no mire las fuentes de luz y las salidas de fibra directamente para evitar posibles daños oculares. Utilice la tarjeta del sensor IR (consulte Tabla de materiales).

  1. Evite la exposición innecesaria de los detectores (es decir, la luz de la habitación) para obtener datos sin procesar precisos para las curvas de autocorrelación y evitar daños a los detectores.
  2. Caliente las fuentes de luz láser DCS y SPCM (ver Tabla de Materiales)cambiándolas a la posición "encendido" y permitiéndoles funcionar durante al menos 10 minutos (preferiblemente, 20 min como mínimo y 1 h como máximo para una precisión y estabilidad óptimas).
  3. Ejecute el software de adquisición de datos DCS basado en GUI, que muestra los recuentos de fotones para cada detector y los valores de flujo sanguíneo en tiempo real semicuantitativos. Ajustar la posición de la fibra, el ángulo (la cara de la fibra debe ser perpendicular a la superficie de la piel) y el tiempo de adquisición de datos para obtener una señal de al menos 5.000 recuentos/s (para una relación señal/ruido adecuada) y por debajo de 1.000.000 recuentos/s (para evitar detectores dañinos)(Figura 3A).
  4. Verifique los niveles de recuento de fotones suficientes (del paso 3.3) de cada detector comprobando el nivel de recuento de fotones y las curvas de autocorrelación casi en tiempo real que se muestran en el monitor.
  5. Verifique el contacto de fibra suficiente sin fugas de luz ambiental comprobando la intercepción y de la curva de autocorrelación que se muestra en el monitor. El valor óptimo es de 1,5 sin el uso de polarizadores(Figura 3B).
  6. Compruebe que la sonda y las mediciones no son propensas a los artefactos de movimiento apretando la banda elástica para que esté lo suficientemente apretada como para resistir el movimiento pero lo suficientemente suelta como para evitar cualquier molestia al sujeto. El usuario también debe comprobar las curvas de autocorrelación en el monitor simultáneamente de modo que la curva de autocorrelación decaiga a 1 para un tiempo de correlación más largo (> 10 ms) (Figura 3C).

4. Recopilación de datos

  1. Instruya al sujeto para minimizar cualquier movimiento durante la medición de 8 minutos.
  2. Apague las luces y asegúrese de que el sujeto esté sentado en una posición cómoda con los ojos cerrados.
  3. Realice una línea base de mediciones FD-fNIRS utilizando la sonda óptica del sistema FD-fNIRS en la frente adyacente a la sonda DCS. A continuación, pulse el botón "Adquirir" en la GUI de adquisición de FD-fNIRS. Estos datos proporcionarán propiedades ópticas estáticas, parámetros de absorción y parámetros de dispersión(a, s)sque se utilizarán para la cuantificación del parámetro óptico dinámico, CBFi17,20.
  4. Después de completar las mediciones FD-fNIRS, comience la adquisición de datos en las mediciones ópticas de DCS pulsando el botón "Ejecutar" en la GUI de adquisición de datos de DCS. Recopilar datos para un total de 8 min con un tiempo de integración máximo de 2 s (se prefiere menos, dependiendo de la relación señal-ruido para cada sujeto).
  5. Si es necesario, repita el experimento dentro de 1 h del experimento inicial o repita el experimento durante una hora similar del día para reducir las variaciones externas como fatiga, estimulantes o temperatura.

5. Análisis de datos

  1. Para los datos FD-fNIRS, extraiga las propiedades de μ'sabsorción óptica y dispersión()que se procesan mediante el método de pendiente46,47,48,49,50,51,52,53.
  2. Para DCS, dado que se necesita postprocesamiento, importe los datos sin procesar de correlación automática de cada uno de los ocho canales en el software de análisis de datos.
  3. La cuantificación de parámetros relacionados con CBF se detalla en revisiones recientes6,27,54. En resumen, a partir de la función de autocorrelación de intensidad normalizada (g2 [r,]), extraiga la función de autocorrelación temporal de campo eléctrico difuso normalizada (g1 [r,]) utilizando la relación Siegert: g2 (r,) á 1 + g 1 (r, ) 2.
    NOTA: es una constante, proporcional al número de modos espaciales detectados6,17,27,55,56, oscila entre 0 y 1, y se obtiene mediante el ajuste de la función de autocorrelación de campo eléctrico (normalizado) g1.
  4. Para obtener un parámetro relacionado con el flujo sanguíneo (DB)a partir del ajuste, utilice la solución analítica para g16,27,54 y ajuste los datos al modelo o tasa de descomposición:
    EQUATION ONE
    NOTA: En la ecuación anterior, ko es el número de onda de la luz en el medio, es un factor proporcional a la fracción de volumen de sangre tisular, y DB es el coeficiente Browniano efectivo. Elíndice de flujo sanguíneo (BFI)6,54 o CBFi17puede definirse como el índice de flujo sanguíneo (BFI) 6 . Aquí, cbFi se utiliza.
  5. Ajuste el modelo utilizando los parámetros ópticos obtenidos de FD-fNIRS. Los parámetros principales para los que se adaptan son CBFi y .
    NOTA: La Figura 3A muestra datos representativos que son suficientes para el análisis. Los datos de DCS se descartan si (1) la función de autocorrelación es significativamente menor que 1,5 (< 0,5) (es decir, en el caso de la Figura 3B, en el que la función es 1,2, < 0,2, debido a una fuga de luz de la habitación) o si (2) la curva de autocorrelación no se descompone a 1 para un tiempo de correlación más largo (a > 10 ms) (es decir, en el caso de la Figura 3C,donde el artefacto de movimiento, como movimiento de cabeza o sonda, conduce a datos inutilizables).
  6. Descuelva los resultados cuantificados utilizando un ajuste polinómio de segundo orden para eliminar la deriva lenta(Figura 4A).
  7. Utilice un filtro Butterworth de segundo orden de fase cero con una banda de paso de 0.009–0.080 Hz para eliminar cualquier frecuencia cerebral no deseada, como ondas Mayer(Figura 4A).
  8. Utilice la regresión lineal para obtener los residuos de cada canal contra la medición de distancia corta para eliminar las señales superficiales del cuero cabelludo en cada lado de la corteza(Figura 4B).
  9. Calcule el coeficiente de correlación de Pearson entre cada par de canales para identificar la conectividad funcional del estado en reposo entre las regiones cerebrales(Figura 5).
  10. Transforme el valor de correlación en un valor z mediante una transformación Fisher Z y realice una prueba tpara obtener el valor p (Figura 5). Utilice la tasa de detección falsa (FDR) para la corrección de comparaciones múltiples.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La viabilidad de utilizar DCS para medir la conectividad funcional se desemprobó con éxito39. Se midió la conectividad funcional del estado de reposo en los cortices prefrontales de nueve sujetos. Los resultados (media - SD) indicaron una mayor correlación en la región intrarregional de la izquierda (0,64 a 0,25) y la derecha (0,62 a 0,23) cordíes, en comparación con la región interregional de la izquierda (0,32 a 0,32), (0,34 a 0,27) y a la derecha (0,34 a 0,29), (0,34 a 0,26) cortíquios. (Figura 5). También se realizó un análisis de potencia con una potencia de 0,8 y un nivel de significancia de 0,05, lo que dio lugar a una potencia de 0,82 con un tamaño de muestra de ocho (por debajo del número de sujetos analizados en este estudio).

Para probar si había una diferencia significativa entre RSFC interregional y RSFC intrarregional, el valor de correlación se transformó en un valor z utilizando una transformación Fisher Z, luego se realizó una prueba t para comparar RSFC interregional e intrarregional de ambos cortices. Esto dio lugar a valores p de 0,0002, lo que significa una diferencia significativa que se ha demostrado en estudios anteriores de fNIRS8,25 (Figura 5). Para determinar si hubo alguna diferencia entre las regiones cerebrales simétricas (cortices izquierdo y derecho), se realizó una prueba t. Esto dio lugar a valores p de >0.8, lo que significa que no había ninguna diferencia significativa entre regiones cerebrales similares a ambos lados de la corteza.

Figure 1
Figura 1: Configuración experimental. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Esquema y colocación de la sonda. (A) Colocación de las sondas como se muestra en el mapa del sistema EEG 80-20. (B) Un ejemplo de la sonda impresa en 3D con fibras ópticas usadas por el sujeto. (C) El modelo CAD de la ubicación de los detectores (D) y las fuentes (S) en la corteza frontal dorsolateral (DLFC) y la corteza frontal inferior (IFC). Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Muestra representativa de datos utilizando detectores en la misma región en la misma separación del detector de origen. Se muestra una curva de autocorrelación (g2) con respecto al tiempo de retraso . (A) Datos cuando la sonda tiene suficiente contacto, mostrando altos recuentos y un buen ajuste al modelo analítico. (B) Datos (exagerados) con fugas de luz ambiental en la sonda como se observa por una menor intercepción y (beta). Esto es generalmente debido a una combinación de mal contacto y fuerte luz de fondo, que requiere ajustes para ser hecho. (C) Datos (exagerados) con un artefacto de movimiento mientras se promedia la curva g2. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Análisis de los datos representativos obtenidos de un sujeto. (A) Una gráfica del espectro de potencia después de cada uno de los pasos de procesamiento. (B) Un ejemplo que muestra la serie temporal de la señal de flujo sanguíneo normalizada en uno de los canales antes y después de la regresión del canal de distancia corta (señal de cuero cabelludo). Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Conectividad funcional de estado de reposo en cortices prefrontales de todos los sujetos. Promedio del grupo para la región interregional (DLFC1-IFC y DLFC2-IFC) de la corteza izquierda (0,32 a 0,32), (0,34 a 0,27) y la corteza derecha (0,34 a 0,29), (0,34 a 0,26). Promedio del grupo para la región intrarregional de la corteza izquierda (0,64 a 0,25) y la corteza derecha (0,62 a 0,23). La barra de errores indica SD en todos los temas. La prueba t muestra que la diferencia entre RSFC intra e interregional de ambos cortices es significativa con p a 0.0002, mientras que no hubo diferencia significativa entre la corteza izquierda y derecha (prueba t a p > 0,8). Se utilizó la tasa de detección falsa (FDR) para la corrección de comparaciones múltiples. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Para determinar si la CBF medida por el DCS detectó con precisión RSFC, se examinaron dos áreas del cerebro con propiedades rsFC conocidas. Se supone que existe conectividad funcional entre regiones DLFC y entre DLFC e IFC57,58,59. Se eligió la conectividad entre dos sitios dentro del DLFC izquierdo y derecho, porque la conectividad intrarregional suele ser mayor. También, la Conectividad entre el IFC y el DLFC fue elegido, como la Conectividad interregional se sabe que es más débil.

La técnica DCS mostró alta conectividad dentro de las áreas DLFC, pero menor conectividad entre las áreas IFC y DLFC, que es consistente con estudios similares realizados con otros métodos como fMRI. Estos resultados demuestran el potencial del DCS como medio no invasivo para evaluar RSFC en humanos. Cuando se combina con otras modalidades de diagnóstico por imágenes como fNIRS, la caracterización precisa de enfermedades neuronales como el autismo se vuelve viable. Aunque las mediciones simultáneas de fNIRS y DCS siguen siendo un desafío, se han explorado varios enfoques de este problema19,,20,21,23,27,28,60,61,62,63,64,65. En un estudio piloto, las sondas DCS aisladas y más ligeras fueron elegidas para un mejor contacto. En el futuro, el diseño de la sonda se puede mejorar, las fibras fNIRS se pueden insertar junto a las fibras DCS, y las fuentes de luz se pueden iluminar secuencialmente como se demostró anteriormente. En resumen, DCS servirá como complemento a otras técnicas y se convertirá en una herramienta útil para la evaluación no invasiva de la función cerebral en pacientes jóvenes y discapacitados.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no declaran intereses financieros en competencia.

Acknowledgments

Los autores desean reconocer el apoyo financiero de la Tercera Frontera de Ohio a la Ohio Imaging Research and Innovation Network (OIRAIN, 667750), y la National Natural Science Foundation of China (No. 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

Bioingeniería Número 159 espectroscopia de correlación difusa flujo sanguíneo conectividad funcional medicina de hemodinámica cerebral neurociencia ingeniería biomédica fisiología
Conectividad funcional del cerebro humano basada en el flujo sanguíneo cerebral mediante espectroscopia óptica de correlación difusa
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