Login processing...

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

Bioengineering

Connectivité fonctionnelle de l’état de repos basée sur le flux sanguin cérébral du cerveau humain à l’aide de la spectroscopie optique de corrélation diffuse

doi: 10.3791/60765 Published: May 27, 2020

Summary

Ce protocole démontre comment mesurer la connectivité fonctionnelle de l’état de repos dans le cortex préfrontal humain à l’aide d’un instrument de spectroscopie de corrélation diffuse sur mesure. Le rapport traite également des aspects pratiques de l’expérience ainsi que des étapes détaillées pour analyser les données.

Abstract

Pour obtenir une compréhension complète du cerveau humain, l’utilisation du flux sanguin cérébral (CBF) comme source de contraste est souhaitée parce qu’il s’agit d’un paramètre hmodynamique clé lié à l’approvisionnement en oxygène cérébral. Il a été démontré que les fluctuations de basse fréquence fondées sur le contraste entre l’oxygénation en fonction de l’état de repos en fonction du contraste d’oxygénation fournissent des corrélations entre les régions fonctionnellement connectées. Le protocole présenté utilise la spectroscopie de corrélation diffuse optique (DCS) pour évaluer la connectivité fonctionnelle de l’état de repos basée sur le flux sanguin (RSFC) dans le cerveau humain. Les résultats du RSFC basé dans le cortex frontal humain basé à la CBF indiquent que le RSFC intrarégional est significativement plus élevé dans les cortices gauche et droite que dans les cortices interrégionals dans les deux cortices. Ce protocole devrait intéresser les chercheurs qui utilisent des techniques d’imagerie multimodales pour étudier la fonction cérébrale humaine, en particulier dans la population pédiatrique.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Lorsque le cerveau est dans un état de repos, il démontre une synchronisation élevée de l’activité spontanée dans les régions fonctionnellement liées, qui peuvent être situés à proximité ou à distance. Ces régions in-sync sont connus comme les réseaux fonctionnels1,2,3,4,5,6,7,8,9. Ce phénomène a d’abord été découvert par une étude d’imagerie par résonance magnétique fonctionnelle (IRMf) utilisant des signaux dépendants du niveau d’oxygène sanguin (BOLD) qui indiquent des niveaux d’oxygénation du sang cérébral5,10, également connu sous le nom de connectivité fonctionnelle d’état de repos (RSFC). Des anomalies dans RSFC ont été associées à des troubles cérébraux tels que l’autisme11, la maladie d’Alzheimer12, et la dépression13. Ainsi, LE RSFC est un outil précieux pour étudier les patients atteints de troubles qui ont de la difficulté à effectuer des évaluations fondées sur des tâches. Cependant, de nombreux patients, tels que les jeunes enfants autistes, sont de mauvais candidats à l’évaluation par l’IRMf, car il faut rester encore à l’intérieur d’un espace confiné pendant de longues périodes de temps14,15. L’imagerie optique est rapide et portable; ainsi, il convient à une majorité de patients, en particulier la population pédiatrique16,17,18,19,20,21,22,23,24. En utilisant ces avantages, la spectroscopie fonctionnelle proche infrarouge (fNIRS), qui peut quantifier la concentration d’hémoglobine et les paramètres de saturation en oxygène dans le cerveau, est utilisé pour mesurer RSFC chez l’homme (y compris la population pédiatrique4,8,25 et les patients atteints d’autisme11).

La spectroscopie optique de corrélation diffuse (DCS), une technique optique relativement nouvelle, peut quantifier le flux sanguin cérébral, qui est un paramètre important qui associe l’approvisionnement en oxygène avec le métabolisme6,17,26,27,28,29. Le contraste optique de flux quantifié par DCS a été montré pour avoir une sensibilité plus élevée dans le cerveau comparé au contraste d’oxygénation30. Il est donc avantageux d’utiliser des paramètres CBF dérivés du DCS pour évaluer le RSFC.

DCS est sensible au déplacement des cellules sanguines. Lors de la diffusion de photons se disperser à partir de cellules sanguines en mouvement, cela provoque l’intensité de la lumière détectée à fluctuer au fil du temps. DCS mesure une fonction d’autocorrélation d’intensité basée sur le temps et son taux de désintégration dépend des paramètres optiques et du flux sanguin. Ces valeurs sont finalement utilisées pour obtenir l’indice de flux sanguin cérébral (CBFi). Avec des cellules sanguines en mouvement plus rapide, la fonction d’autocorrélation d’intensité se désintègre plus rapidement. Par conséquent, l’information sur le mouvement profond sous la surface du tissu peut être dérivée (p. ex., dans le cerveau) des mesures de la diffusion des fluctuations de lumière au fil du temps27,31,32,33,34,35. DCS est une technique complémentaire aux FNIRS largement connus qui mesure l’oxygénation du sang17,36. Étant donné que les FNIRS et les DCS sont des techniques optiques d’imagerie cérébrale à haute résolution temporelle dans la gamme des millisecondes, les configurations d’imagerie optique sont beaucoup moins sensibles aux artefacts de mouvement que l’IRMf. Ils ont également été utilisés avec succès pour l’imagerie cérébrale fonctionnelle dans les populations pédiatriques, y compris les très jeunes nourrissons16. Auparavant, des mesures superficielles du flux sanguin ont été utilisées pour évaluer LE RSFC dans des études précliniques chez des souris37. Ici, les paramètres de flux sanguin sont utilisés pour quantifier RSFC chez neuf adultes en bonne santé comme une étude de preuve de concept38,39.

Dans cette étude, un système commercial FD-fNIRS et un système DCS personnalisé sont utilisés(voir Tableau des matériaux). Le DCS qui a été construit en interne est composé de deux 785 nm, 100 mW, longue longueur de cohérence lasers à ondes continues qui sont couplés à un connecteur FC et huit machines de comptage mono-photon (SPCM) connectés à un auto-corrélateur. Une interface utilisateur graphique logicielle personnalisée (GUI) a également été faite spécifiquement pour que ce système affiche et enregistre le nombre de photon, les courbes d’autocorrélation et le flux sanguin semi-quantitatif de chaque canal SPCM en temps réel. Les pièces de ce système sont couramment utilisées pour DCS16,17,31,32,40,42,43,44, et les résultats obtenus ont également été vérifiés en interne et utilisés dans une étude récente39.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Le protocole a été approuvé par la Commission d’examen institutionnel de l’Université Wright State, et le consentement éclairé a été obtenu de chaque participant avant l’expérience.

1. Préparation du sujet

  1. Accélérer le système FD-fNIRS et DCS pour se réchauffer pendant au moins 10 min (voir les sections 2 et 3 pour plus de détails) avant de commencer toutes les mesures du sujet. Un exemple de mesure du sujet avec l’instrument compact DCS est indiqué dans la figure 1.
  2. Tout d’abord, utilisez une mesure de bande pour mesurer la distance entre le nasion à l’inion sur la tête de chaque sujet(figure 2A).
  3. Avec le nasion comme point de départ, marquez l’emplacement qui est de 10% de la distance à l’inion avec un marqueur d’encre. Cela indique le point entre Fp1 et Fp2 du montage EEG 10/20(figure 2A).
  4. À l’aide d’un bouchon EEG 10/20 (voir Tableau des matériaux),ajustez le bouchon de façon à ce que le point marqué se situe entre Fp1 et Fp2.
  5. Marquez le point entre Fp1 et F7 (cortex gauche) et le point entre Le Fp2 et le F8 (cortex droit). Cela représente les frontières entre le cortex préfrontal supérieur et le cortex préfrontal dorsolateral (DLFC) et entre le DLFC et le cortex préfrontal inférieur (IFC), respectivement, pour les hémisphères gauche et droit(figure 2A).
  6. À l’aide d’une sonde imprimée en 3D, placez les fibres multimodes (MMF) sur les points nouvellement marqués (points « S » sur la figure 2C) et connectez-les à la source de lumière laser de 785 nm(figure 2B,C).
  7. Placez les fibres monoparentales (SMF) à 2,75 cm du MMF. Deux fibres doivent être placées sur le DLFC (emplacements «DLFC,1» et «DLFC,2») et une sur la SFI (emplacement «IFC»). Le placement du SMF est reproduit de chaque côté du cortex pour un total de six SMF(figure 2c).
  8. Placez un autre SMF 1 cm sous le MMF àl’emplacement« D s » des deux côtés du cortex (pour la détection du flux sanguin dans le cuir chevelu) et connectez chacun des SMF à des machines individuelles de comptage d’un seul photon(figure 2C).

p class"jove_title".gt;2. Paramètres FD-fNIRS et étalonnage

  1. Éteignez les lumières et allumez le système FD-fNIRS pour se préparer à l’étalonnage.
    AVERTISSEMENT: Par mesure de précaution générale, ne regardez pas directement les sources de lumière et les sorties de fibres, car cela peut causer des lésions oculaires. Utilisez une carte de capteur IR (Tableau des matériaux).
  2. Évitez l’exposition inutile des détecteurs aux niveaux de lumière de la pièce pour maintenir le fonctionnement sans bruit et éviter les dommages aux détecteurs.
  3. Réchauffez les sources de lumière et les détecteurs en alimentant le système et en le laissant fonctionner pendant au moins 10 min (de préférence, 20 min minimum et 1 h maximum pour une précision et une stabilité optimales) avec la lumière allumée, la modulation et la tension du détecteur allumé.
  4. Exécuter un logiciel d’acquisition de données basé sur l’INTERFACE graphique. Ajuster le gain du détecteur pour obtenir un signal optimal avec le capteur attaché et fixé à un fantôme d’étalonnage (fantôme à base de polydimméthylsiloxane de propriétés optiques connues, voir Tableau des matériaux) en appuyant sur le bouton "auto-bias". Si l’avertissement de survoltage clignote, abaissez le gain.
  5. Après ajustement du gain du détecteur pour obtenir le signal maximum, déconnecter l’une des fibres sources du détecteur et vérifier que le courant direct (DC) est inférieur à 20 comptes par période de mesure pour la fibre source correspondante. S’il est supérieur à cette valeur, il peut y avoir une lumière de pièce excessive qui s’échappe dans le détecteur45. Si c’est le cas, le système doit être éteint, puis tout excès de lumière dans la pièce doit être bloqué / enlevé et les étapes 2.4-2.5 répété.
  6. Vérifiez le niveau de signal approprié de chaque source et détecteur. Le système définit cela comme étant supérieur à 100 et inférieur à 1 500 dénombrements par cycle de mesure.
  7. Effectuez l’étalonnage en appuyant sur le bouton « Calibrate » dans l’interface graphique. Le système prendra des mesures et appliquera des facteurs d’étalonnage pour mesurer correctement les propriétés optiques du fantôme connu. Ces facteurs d’étalonnage sont sauvegardés et appliqués automatiquement aux mesures in vivo.
  8. Enregistrez les données d’étalonnage, qui fourniront un enregistrement des performances du système sur un fantôme standard.

3. Paramètres DCS

AVERTISSEMENT : Par mesure de précaution générale, ne regardez pas directement les sources lumineuses et les sorties de fibres pour éviter d’éventuels lésions oculaires. Utilisez la carte du capteur IR (voir Tableau des matériaux).

  1. Évitez l’exposition inutile des détecteurs (c.-à-d., lumière de pièce) pour obtenir des données brutes précises pour les courbes d’autocorrélation et prévenir les dommages aux détecteurs.
  2. Réchauffez les sources de lumière laser DCS et le SPCM (voir tableau des matériaux)en les commutant à la position « allumée » et en leur permettant de fonctionner pendant au moins 10 min (de préférence, 20 min minimum et 1 h maximum pour une précision et une stabilité optimales).
  3. Exécutez le logiciel d’acquisition de données DCS basé sur l’INTERFACE graphique, qui affiche le nombre de photon pour chaque détecteur et les valeurs semi-quantitatives de flux sanguin en temps réel. Ajuster la position de la fibre, l’angle (la face de fibre doit être perpendiculaire à la surface de la peau) et le calendrier d’acquisition de données pour obtenir un signal d’au moins 5 000 dénombrements (pour un rapport signal/bruit adéquat) et en dessous de 1 000 000 de dénombrements(s) (pour éviter d’endommager les détecteurs)(figure 3A).
  4. Vérifier les niveaux de nombre suffisant de photon (de l’étape 3.3) de chaque détecteur en vérifiant le niveau de comptage des photon et les courbes d’autocorrélation en temps réel indiquées sur le moniteur.
  5. Vérifier un contact suffisant en fibre sans aucune fuite de lumière ambiante en vérifiant la y-intercept de la courbe d’autocorrélation affichée sur le moniteur. La valeur optimale est de 1,5 sans l’utilisation de polariseurs(figure 3B).
  6. Vérifiez que la sonde et les mesures ne sont pas sujettes aux artefacts de mouvement en serrant la bande élastique de sorte qu’elle soit assez serrée pour résister au mouvement mais assez lâche pour empêcher tout inconfort au sujet. L’utilisateur doit également vérifier les courbes d’autocorrélation sur le moniteur en même temps de telle sorte que la courbe d’autocorrélation se désintègre à 1 pendant un temps de corrélation plus long (-gt; 10 ms) (figure 3C).

4. Collecte de données

  1. Instruire le sujet de minimiser les mouvements au cours de la mesure de 8 minutes.
  2. Éteignez les lumières et assurez-vous que le sujet est assis dans une position confortable avec ses yeux fermés.
  3. Effectuez une base de mesures FD-fNIRS à l’aide en plaçant la sonde optique du système FD-fNIRS sur le front adjacent à la sonde DCS. Ensuite, appuyez sur le bouton "Acquérir" dans l’interface graphique d’acquisition FD-fNIRS. Ces données fourniront des propriétés optiques statiques,μdes paramètres d’absorption et des paramètres de diffusion(a,'s)qui seront utilisés pour la quantification du paramètre optique dynamique, CBFi17,20. μ'
  4. Après l’achèvement des mesures FD-fNIRS, commencer l’acquisition de données sur les mesures optiques DCS en appuyant sur le bouton «Run» dans l’interface graphique d’acquisition de données DCS. Recueillir des données pour un total de 8 min avec un temps d’intégration maximum de 2 s (moins est préférable, selon le rapport signal-bruit pour chaque sujet).
  5. Si nécessaire, répétez l’expérience dans un rayon de 1 h de l’expérience initiale ou répétez l’expérience à une époque similaire de la journée afin de réduire les variations externes telles que la fatigue, les stimulants ou la température.

5. Analyse des données

  1. Pour les données FD-fNIRS, extraire les propriétés d’absorption optique et de diffusionμ(a,'s)qui sont traitées par la méthode de pente46,47,48,49,50,51,52,53. μ'
  2. Pour DCS, puisque le post-traitement est nécessaire, importez les données brutes de corrélation automatique de chacun des huit canaux dans le logiciel d’analyse de données.
  3. La quantification des paramètres liés à la FFF est détaillée dans les examens récents6,27,54. En bref, à partir de la fonction d’autocorrélation d’intensité normalisée (g2 [r,) ), extraire la fonction d’autocorrélation temporelle diffuse de champ électrique normalisée (g1 [r,)) en utilisant la relation Siegert : g2 (r,) g 1 (r,) 2.
    REMARQUE : est une constante, proportionnelle au nombre de modes spatiaux détectés6,17,27,55,56, varie de 0 à 1, et obtenu en adaptant la fonction d’autocorrélation électrique (normalisée) g1.
  4. Pour obtenir un paramètre lié au flux sanguin (DB) de l’ajustement, utilisez la solution analytique pour g16,27,54 et adaptez les données au modèle ou au taux de décomposition :
    ÉQUATION 1
    REMARQUE : Dans l’équation ci-dessus, ko est le numéro d’onde de la lumière dans le milieu, est un facteur proportionnel à la fraction de volume sanguin de tissu, et DB est le coefficient brownien efficace. L’indicede flux sanguin (BFI)6,54 ou LE CBFi17. Ici, CBFi est utilisé.
  5. Adapter le modèle en utilisant les paramètres optiques obtenus à partir de FD-fNIRS. Les principaux paramètres à convenir sont CBFi et .
    REMARQUE : La figure 3A montre des données représentatives suffisantes pour l’analyse. Les données DE DCS sont rejetées si (1) la fonction d’autocorrélation est significativement inférieure à celle de 1,5 (lt; 0,5) (c.-à-d. dans le cas de la figure 3B, où la fonction est de 1,2, lt; 0,2, en raison d’une fuite de lumière de la pièce) ou si (2) la courbe d’autocorrélation ne se décompose pas à 1 pour un temps de corrélation plus long (10 ms) (c.-à-d., dans le cas de la figure 3C, où l’artefact de mouvement, telle la tête ou la sonde de mouvement, conduit à des données inutilisables).
  6. Détredre les résultats quantifiés à l’aide d’un ajustement polynomial de deuxième ordre pour éliminer la dérive lente(figure 4A).
  7. Utilisez un filtre Butterworth en phase zéro avec un passband de 0,009 à 0,080 Hz pour supprimer toutes les fréquences cérébrales indésirables telles que les ondes Mayer(figure 4A).
  8. Utilisez la régression linéaire pour obtenir les résidus de chaque canal par rapport à la mesure à courte distance pour enlever les signaux superficiels du cuir chevelu de chaque côté du cortex(figure 4B).
  9. Calculer le coefficient de corrélation de l’Pearson entre chaque paire de canaux afin d’identifier la connectivité fonctionnelle de l’état de repos entre les régions du cerveau(figure 5).
  10. Transformez la valeur de corrélation en une valeur z à l’aide d’une transformation Fisher Z et effectuez un t-testpour obtenir la valeur p(figure 5). Utilisez le faux taux de découverte (FDR) pour une correction de comparaisons multiples.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

La faisabilité de l’utilisation de DCS pour mesurer la connectivité fonctionnelle a été avec succès démostrée39. La connectivité fonctionnelle d’état de repos dans les cortices préfrontal de neuf sujets a été mesurée. Les résultats (moyenne et DD) ont indiqué une corrélation plus élevée dans la région intrarégionale de la gauche (0,64 à 0,25) et à droite (0,62 à 0,23) cortices, par rapport à la région interrégionale de la gauche (0,32 à 0,32), (0,34 à 0,27) et à droite (0,34 à 0,29), (0,34 à 0,26) cortices. (Figure 5). L’analyse de puissance avec une puissance de 0,8 et le niveau d’importance de 0,05 a également été effectuée, ce qui a donné lieu à une puissance de 0,82 avec la taille de l’échantillon de huit (en dessous du nombre de sujets analysés dans cette étude).

Pour tester s’il y avait une différence significative entre le RSFC interrégional et le RSFC intrarégional, la valeur de corrélation a été transformée en une valeur z à l’aide d’une transformation Fisher Z, puis un t-test a été effectué pour comparer les RSFC interrégionaux et intrarégionals des deux cortices. Il en est résulté des valeurs p de 0,0002 euros, ce qui signifie une différence significative qui a été démontrée dans les études précédentes8,25 (figure 5). Pour déterminer s’il y avait une différence entre les régions symétriques de cerveau (cortices gauche et droite), un t-test a été exécuté. Ceci a eu comme conséquence des p-valeurs de 'gt;0.8, signifiant qu’il n’y avait aucune différence significative entre les régions semblables de cerveau de chaque côté du cortex.

Figure 1
Figure 1 : Mise en place expérimentale. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Figure 2
Figure 2 : Schéma et placement de sonde. (A) Placement des sondes comme indiqué sur la carte du système EEG 80-20. (B) Un exemple de la sonde imprimée en 3D avec des fibres optiques portées par le sujet. (C) Le modèle CAO de l’emplacement des détecteurs (D) et des sources (S) dans le cortex frontal dorsolateral (DLFC) et le cortex frontal inférieur (IFC). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Figure 3
Figure 3 : Échantillon représentatif de données utilisant des détecteurs dans la même région lors de la même séparation des détecteurs de source. On y voit une courbe d’autocorrélation (g2) par rapport au temps de décalage. (A) Données lorsque la sonde a un contact suffisant, montrant des comptes élevés et un bon ajustement au modèle analytique. (B) Données (exagérées) avec la lumière ambiante qui s’échappe dans la sonde comme l’a observé une y-intercepte inférieure (bêta). Ceci est généralement dû à une combinaison de mauvais contact et de lumière de fond forte, nécessitant des ajustements à faire. (C) Données (exagérées) avec un artefact de mouvement tandis que la courbe de g2 est moyenne. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Figure 4
Figure 4 : Analyse des données représentatives obtenues d’un sujet. (A) Une parcelle du spectre d’alimentation après chacune des étapes de traitement. (B) Un exemple montrant la série temporelle du signal de flux sanguin normalisé sur l’un des canaux avant et après la régression du canal à courte distance (signal du cuir chevelu). S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Figure 5
Figure 5 : Connectivité fonctionnelle d’état de repos dans les cortices préfrontaux de tous les sujets. Moyenne de groupe pour les régions interrégionales (DLFC1-IFC et DLFC2-IFC) du cortex gauche (0,32 à 0,32), (0,34 à 0,27) et cortex droit (0,34 à 0,29), (0,34 à 0,26). Moyenne de groupe pour la région intrarégionale du cortex gauche (0,64 à 0,25) et du cortex droit (0,62 à 0,23). La barre d’erreur indique SD sur tous les sujets. Le t-test montre que la différence entre le RSFC intra-régional et interrégional des deux cortices est significative avec p - 0,0002, alors qu’il n’y avait pas de différence significative entre le cortex gauche et droit (t-test - p 'gt; 0.8). Le faux taux de découverte (FDR) a été utilisé pour la correction de comparaisons multiples. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Pour déterminer si la CBF mesurée par DCS a détecté avec précision LE RSFC, deux zones du cerveau ayant des propriétés connues du RSFC ont été examinées. La connectivité fonctionnelle entre les régions DLFC et entre DLFC et IFC est supposée exister57,58,59. La connectivité entre deux sites à gauche et à droite DLFC a été choisie, parce que la connectivité intrarégionale est généralement plus élevée. En outre, la connectivité entre la SFI et la DLFC a été choisie, car la connectivité interrégionale est connue pour être plus faible.

La technique dcS a montré une connectivité élevée dans les zones DLFC, mais une connectivité plus faible entre les zones IFC et DLFC, ce qui est compatible avec des études similaires effectuées avec d’autres méthodes telles que l’IRMf. Ces résultats démontrent le potentiel de DCS en tant que moyen non invasif d’évaluer LE RSFC chez l’homme. Lorsqu’il est combiné avec d’autres modalités d’imagerie telles que fNIRS, la caractérisation précise des maladies neuronales telles que l’autisme devient viable. Bien que les mesures simultanées de fNIRS et DCS restent un défi, plusieurs approches à ce problème ont été explorées19,20,21,23,27,28,60,61,62,63,64,65. Dans le but pilote, les sondes DCS isolées et plus légères ont été choisies pour un meilleur contact. À l’avenir, la conception de la sonde peut être améliorée, les fibres fNIRS peuvent être insérées à côté des fibres DCS, et les sources lumineuses peuvent être séquentiellement éclairées comme indiqué précédemment. En résumé, DCS servira de complément à d’autres techniques et deviendra un outil utile pour l’évaluation non invasive de la fonction cérébrale chez les patients jeunes et handicapés.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs ne déclarent aucun intérêt financier concurrent.

Acknowledgments

Les auteurs aimeraient reconnaître le soutien financier de la troisième frontière de l’Ohio au Réseau de recherche et d’innovation en imagerie de l’Ohio (OIRAIN, 667750) et à 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).
Connectivité fonctionnelle de l’état de repos basée sur le flux sanguin cérébral du cerveau humain à l’aide de la spectroscopie optique de corrélation diffuse
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

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).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