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 Functional Connectivity of the Human Brain using Optical Diffuse Correlation Spectroscopy

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

Dieses Protokoll zeigt, wie die funktionale Ruhezustandskonnektivität im menschlichen präfrontalen Kortex mithilfe eines maßgeschneiderten diffusen Korrelationsspektroskopieinstruments gemessen wird. Der Bericht behandelt auch praktische Aspekte des Experiments sowie detaillierte Schritte zur Analyse der Daten.

Abstract

Um ein umfassendes Verständnis des menschlichen Gehirns zu erhalten, ist die Nutzung des zerebralen Blutflusses (CBF) als Kontrastquelle erwünscht, da es sich um einen wichtigen hämodynamischen Parameter im Zusammenhang mit der zerebralen Sauerstoffversorgung handelt. Ruhezustand niedrige Frequenzschwankungen auf der Grundlage von Sauerstoffkontrast haben gezeigt, dass Korrelationen zwischen funktional verbundenen Regionen zu liefern. Das vorgestellte Protokoll verwendet die optische diffuse Korrelationsspektroskopie (DCS), um die blutflussbasierte Ruhezustandsfunktionskonnektivität (RSFC) im menschlichen Gehirn zu bewerten. Die Ergebnisse der CBF-basierten RSFC im menschlichen Frontalkorter deuten darauf hin, dass die intraregionale RSFC in der linken und rechten Kortik signifikant höher ist als in beiden Kortiken. Dieses Protokoll sollte für Forscher von Interesse sein, die multimodale bildgebende Verfahren einsetzen, um die Funktion des menschlichen Gehirns zu untersuchen, insbesondere in der pädiatrischen Bevölkerung.

Introduction

Wenn sich das Gehirn in einem Ruhezustand befindet, zeigt es eine hohe Synchronisation spontaner Aktivität in funktional verwandten Regionen, die sich in der Nähe oder aus der Ferne befinden können. Diese synchronen Bereiche werden als funktionale Netzwerke1,2,3,4,5,6,7,8,9bezeichnet. Dieses Phänomen wurde zuerst durch eine funktionelle Magnetresonanztomographie (fMRI) Studie mit Blut sauerstoffspiegelabhängigen (BOLD) Signalen aufgedeckt, die Sauerstoffgehalte des zerebralen Blutes5,10, auch bekannt als Ruhezustand funktionelle Konnektivität (RSFC) anzeigen. Anomalien in RSFC wurden mit Hirnerkrankungen wie Autismus11, Alzheimer12und Depression13assoziiert. Daher ist RSFC ein wertvolles Werkzeug für die Untersuchung von Patienten mit Störungen, die Probleme bei der Durchführung aufgabenbasierter Bewertungen haben. Viele Patienten, wie junge autistische Kinder, sind jedoch schlechte Kandidaten für die Beurteilung durch fMRI, da es erfordert, noch innerhalb eines begrenzten Raumes für längere Zeit14,15zu bleiben. Optische Bildgebung ist schnell und tragbar; daher ist es für die Mehrheit der Patienten geeignet, insbesondere die pädiatrische Bevölkerung16,17,18,19,20,21,22,23,24. Unter Ausnutzung dieser Vorteile wird die funktionelle Nahinfrarotspektroskopie (fNIRS), die die Hämoglobinkonzentration und die Sauerstoffsättigungsparameter im Gehirn quantifizieren kann, zur Messung von RSFC beim Menschen (einschließlich der pädiatrischen Bevölkerung4,8,25 und Patienten mit Autismus11 )verwendet.

Optische diffuse Korrelationsspektroskopie (DCS), eine relativ neue optische Technik, kann den zerebralen Blutfluss quantifizieren, was ein wichtiger Parameter ist, der die Sauerstoffversorgung mit dem Stoffwechsel6,17,26,27,28,29assoziiert. Der durch DCS quantifizierte optische Strömungskontrast hat nachweislich eine höhere Empfindlichkeit im Gehirn als der Sauerstoffkontrast30. Daher ist die Verwendung von DCS-abgeleiteten CBF-Parametern zur Beurteilung von RSFC von Vorteil.

DCS ist empfindlich auf bewegte Blutkörperchen. Wenn Photonen aus sich bewegenden Blutzellen streuen, kann die Intensität des erkannten Lichts im Laufe der Zeit schwanken. DCS misst eine zeitbasierte Intensitäts-Autokorrelationsfunktion und ihre Zerfallsrate ist abhängig von den optischen Parametern und dem Blutfluss. Diese Werte werden letztlich verwendet, um den zerebralen Blutflussindex (CBFi) zu erhalten. Bei schneller endenden Blutzellen zerfällt die Intensitäts-Autokorrelationsfunktion schneller. Daher können Informationen über Die Bewegung tief unter der Gewebeoberfläche (z.B. im Gehirn) aus Messungen diffundierender Lichtschwankungen im Zeitverlauf abgeleitet werden27,31,32,33,34,35. DCS ist eine Technik, die das weithin bekannte fNIRS ergänzt und die Blutsauerstoffversorgung misst17,36. Da sowohl fNIRS als auch DCS optische Gehirnbildgebungstechniken mit hoher zeitlicher Auflösung im Bereich von Millisekunden sind, sind die optischen Bildgebungs-Setups weit weniger empfindlich auf Bewegungsartefakte als fMRI. Sie wurden auch erfolgreich für die funktionelle Gehirnbildgebung in pädiatrischen Populationen verwendet, einschließlich sehr junge Säuglinge16. Zuvor wurden oberflächliche Durchblutungsmessungen verwendet, um RSFC in präklinischen Studien an Mäusen zu bewerten37. Hier werden Blutflussparameter verwendet, um RSFC bei neun gesunden Erwachsenen als Proof-of-Concept-Studie38,39zu quantifizieren.

In dieser Studie wird ein kommerzielles FD-fNIRS-System und ein benutzerdefiniertes DCS-System verwendet(siehe Materialtabelle). Der im eigenen Haus gebaute DCS besteht aus zwei 785 nm, 100 mW, langen Kohärenzlängen-Kontinuierlichwellenlasern, die an einen FC-Stecker gekoppelt sind, und acht Single-Photon-Zählmaschinen (SPCM), die mit einem Auto-Korrelator verbunden sind. Eine benutzerdefinierte grafische Benutzeroberfläche (GUI) wurde auch speziell für dieses System entwickelt, um die Photonenanzahl, Autokorrelationskurven und den semiquantitativen Blutfluss jedes SPCM-Kanals in Echtzeit anzuzeigen und zu speichern. Die Teile in diesem System werden häufig für DCS16,17,31,32,40,42,43,44, und die ergebnisse erhalten wurden auch intern verifiziert und in einer aktuellen Studie verwendet39.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Das Protokoll wurde vom Institutional Review Board der Wright State University genehmigt, und vor dem Experiment wurde von jedem Teilnehmer die Zustimmung in Kenntnis der Sachlage eingeholt.

1. Themenvorbereitung

  1. Schalten Sie das FD-fNIRS- und DCS-System ein, um sich mindestens 10 min aufzuwärmen (siehe Abschnitte 2 und 3 für weitere Details), bevor Sie Messungen des Motivs starten. Ein Beispiel für die Betreffmessung mit dem kompakten DCS-Instrument ist in Abbildung 1dargestellt.
  2. Verwenden Sie zunächst ein Maßband, um den Abstand zwischen der Nasion zur Inion auf dem Kopf jedes Subjekts zu messen (Abbildung 2A).
  3. Markieren Sie mit der Nasion als Ausgangspunkt die Position, die 10 % des Abstands zum Inion beträgt, mit einem Tintenmarker. Dies bezeichnet den Punkt zwischen Fp1 und Fp2 der EEG 10/20-Montage (Abbildung 2A).
  4. Mit einer EEG 10/20-Kappe (siehe Materialtabelle)wird die Kappe so eingestellt, dass der markierte Punkt zwischen Fp1 und Fp2 liegt.
  5. Markieren Sie den Punkt zwischen Fp1 und F7 (linker Kortex) und den Punkt zwischen Fp2 und F8 (rechter Kortex). Dies stellt die Grenzen zwischen dem übergeordneten präfrontalen Kortex und dem dorsolateralen präfrontalen Kortex (DLFC) bzw. zwischen der DLFC und dem unteren präfrontalen Kortex (IFC) für die linke und rechte Hemisphäre dar (Abbildung 2A).
  6. Platzieren Sie die Multimode-Fasern (MMF) mit einer 3D-gedruckten Sonde an den neu markierten Punkten (Punkte "S" auf Abbildung 2C) und verbinden Sie sie jeweils mit der 785 nm Laserlichtquelle (Abbildung 2B,C).
  7. Platzieren Sie die Singlemode-Fasern (SMFs) 2,75 cm vom Geldmarktfonds entfernt. Zwei Fasern sollten auf der DLFC (Standorte "DLFC,1" und "DLFC,2") und eine auf der IFC (Standort "IFC") platziert werden. Die Platzierung der SMF wird auf jeder Seite des Kortex für insgesamt sechs SMFs repliziert (Abbildung 2c).
  8. Platzieren Sie einen weiteren SMF 1 cm unter dem MMF an der Position "Ds"in beiden Seiten des Kortex (für den Nachweis des Blutflusses in der Kopfhaut) und verbinden Sie jeden der SMFs mit einzelnen Einzelphotonenzählmaschinen (Abbildung 2C).

p class="jove_title">2. FD-fNIRS Einstellungen und Kalibrierung

  1. Schalten Sie alle Lichter aus und schalten Sie das FD-fNIRS-System ein, um sich auf die Kalibrierung vorzubereiten.
    VORSICHT: Schauen Sie sich als allgemeine Vorsichtsmaßnahme nicht direkt die Lichtquellen und Faserausgänge an, da dies Zufall von Augenschäden haben kann. Verwenden Sie eine IR-Sensorkarte (Materialtabelle).
  2. Vermeiden Sie unnötige Exposition der Detektoren an Raumlichtpegel, um den geräuschfreien Betrieb aufrechtzuerhalten und Schäden an den Detektoren zu vermeiden.
  3. Erwärmen Sie die Lichtquellen und Detektoren, indem Sie das System einschalten und es mindestens 10 min laufen lassen (vorzugsweise 20 min Minimum und 1 h maximal für optimale Genauigkeit und Stabilität) mit eingeschaltetem Licht, Modulation und Detektorspannung.
  4. Führen Sie GUI-basierte Datenerfassungssoftware aus. Passen Sie die Detektorverstärkung an, um ein optimales Signal zu erzielen, wobei der Sensor an einem Kalibrier-Phantom befestigt und gesichert ist (polydimethylsiloxan-basiertes Phantom bekannter optischer Eigenschaften, siehe Tabelle der Materialien),indem Sie die Taste "auto-bias" drücken. Wenn die Überspannungswarnung blinkt, senken Sie die Verstärkung.
  5. Nachdem Sie die Detektorverstärkung angepasst haben, um das maximale Signal zu erhalten, trennen Sie eine der Quellfasern vom Detektor und stellen Sie sicher, dass der Gleichstrom (DC) weniger als 20 Zähler pro Messzeitraum für die entsprechende Quellfaser beträgt. Wenn er größer als dieser Wert ist, kann übermäßiges Raumlicht in den Detektor45eindringen. Wenn dies der Fall ist, sollte das System ausgeschaltet werden, dann sollte überschüssiges Licht im Raum blockiert/entfernt werden und die Schritte 2.4–2.5 wiederholt werden.
  6. Überprüfen Sie den richtigen Signalpegel von jeder Quelle und jedem Detektor. Das System definiert dies als über 100 und unter 1.500 Zählungen pro Messzyklus.
  7. Führen Sie die Kalibrierung durch Drücken der Taste "Kalibrieren" in der GUI durch. Das System nimmt Messungen vor und wendet Kalibrierfaktoren an, um die optischen Eigenschaften des bekannten Phantoms richtig zu messen. Diese Kalibrierfaktoren werden gespeichert und automatisch auf die In-vivo-Messungen angewendet.
  8. Protokollieren Sie die Kalibrierdaten, die eine Aufzeichnung der Systemleistung auf einem Standard-Phantom liefern.

3. DCS-Einstellungen

VORSICHT: Schauen Sie sich die Lichtquellen und Faserausgänge als allgemeine Vorsichtsmaßnahme nicht direkt an, um mögliche Augenschäden zu vermeiden. Verwenden Sie die IR-Sensorkarte (siehe Materialtabelle).

    4. Datenerhebung

    1. Weisen Sie das Subjekt an, Bewegungen während der 8-min-Messung zu minimieren.
    2. Schalten Sie das Licht aus und stellen Sie sicher, dass das Motiv in einer bequemen Position mit geschlossenen Augen sitzt.
    3. Führen Sie eine Basis-FD-fNIRS-Messung durch, indem Sie die optische Sonde des FD-fNIRS-Systems auf der Stirn neben der DCS-Sonde platzieren. Drücken Sie dann die Taste "Acquire" in der FD-fNIRS-Erfassungs-GUI. Diese Daten liefern statische optische Eigenschaften, Absorptionsparameter und Streuparameter (a, s),die für die Quantifizierung des dynamischen optischen Parameters CBFi17,20verwendet werden.
    4. Beginnen Sie nach Abschluss der FD-fNIRS-Messungen mit der Datenerfassung der optischen DCS-Messungen, indem Sie die Taste "Ausführen" in der DCS-Datenerfassungs-GUI drücken. Sammeln Sie Daten für insgesamt 8 min mit einer maximalen Integrationszeit von 2 s (je nach Signal-Rausch-Verhältnis für jedes Motiv wird weniger bevorzugt).
    5. Wiederholen Sie das Experiment bei Bedarf innerhalb von 1 h nach dem ersten Versuch, oder wiederholen Sie das Experiment während einer ähnlichen Tageszeit, um externe Schwankungen wie Ermüdung, Stimulanzien oder Temperatur zu reduzieren.

    5. Datenanalyse

    1. Für FD-fNIRS-Daten extrahieren Sie die optischen Absorptions- und Streueigenschaften (a, s), die nach derNeigungsmethode46,47,48,49,50,51,52,53verarbeitet werden.
    2. Da für DCS eine Nachbearbeitung erforderlich ist, importieren Sie die Autokorrelations-Rohdaten aus jedem der acht Kanäle in die Datenanalysesoftware.
    3. CBF-bezogene Parameterquantifizierung wird in den jüngsten Überprüfungen6,27,54detailliert beschrieben. Kurz, aus der normalisierten Intensität Autokorrelationsfunktion (g2 [r,n]), extrahieren Sie die normalisierte diffuse elektrische Feld temporale Autokorrelationsfunktion (g1 [r,]) mit der Siegert-Beziehung: g2 (r,) = 1 + g 1 (r,)| 2.
      ANMERKUNG: Die Konstante ist proportional zur Anzahl der erfassten räumlichen Modi6,17,27,55,56, reicht von 0 bis 1 und wird durch Anpassen der (normalisierten) elektrischen Feld-Autokorrelationsfunktion g1erreicht.
    4. Um einen blutflussbezogenen Parameter (DB) aus der Passung zu erhalten, verwenden Sie die analytische Lösung für g16,27,54 und passen Sie die Daten an das Modell oder die Zerfallsrate an:
      GLEICHUNG EINS
      ANMERKUNG: In der obigen Gleichung ist ko die Wellenzahl des Lichts im Medium, ein Faktor proportional zur Gewebeblutvolumenfraktion, und DB ist der effektive Brownian-Koeffizient. DB kann als Blutflussindex (BFI)6,54 oder CBFi17definiert werden. Hier wird CBFi verwendet.
    5. Passen Sie das Modell mit den optischen Parametern an, die von FD-fNIRS erhalten wurden. Die wichtigsten Parameter, für die sie passen, sind CBFi und .
      ANMERKUNG: Abbildung 3A zeigt repräsentative Daten, die für eine Analyse ausreichen. DCS-Daten werden verworfen, wenn (1) die Autokorrelationsfunktion deutlich niedriger ist als 1,5 (b < 0.5) (d. h. im Fall von Abbildung 3B, bei dem die Funktion 1,2, < 0,2, aufgrund von Raumlichtlecks beträgt) oder wenn (2) die Autokorrelationskurve nicht bei längerer Korrelationszeit auf 1 abnimmt (z. B. > 10 ms) (d. h. im Fall von Abbildung 3C, wo das Bewegungsartefakt, eine solche Kopf- oder Sondenbewegung, zu unbrauchbaren Daten führt).
    6. Detrend die quantifizierten Ergebnisse mit einer zweiten Ordnung Polynom-Passung, um langsame Drift zu entfernen (Abbildung 4A).
    7. Verwenden Sie einen Butterworth-Filter zweiter Ordnung ohne Phase mit einem Passband von 0,009–0,080 Hz, um unerwünschte Gehirnfrequenzen wie Mayer-Wellen zu entfernen (Abbildung 4A).
    8. Verwenden Sie die lineare Regression, um die Residuen aus jedem Kanal gegen die Kurzstreckenmessung zu erhalten, um die oberflächlichen Kopfhautsignale auf jeder Seite des Kortex zu entfernen (Abbildung 4B).
    9. Berechnen Sie den Korrelationskoeffizienten des Pearson zwischen den einzelnen Kanalpaaren, um die funktionale Konnektivität zwischen den Hirnregionen zu identifizieren (Abbildung 5).
    10. Transformieren Sie den Korrelationswert mithilfe einer Fisher Z-Transformation in einen Z-Wert und führen Sie einen t-Testdurch, um den p-Wert zu erhalten (Abbildung 5). Verwenden Sie die falsche Ermittlungsrate (FDR) für die Korrektur mehrerer Vergleiche.

    Subscription Required. Please recommend JoVE to your librarian.

    Representative Results

    Die Durchführbarkeit der Verwendung von DCS zur Messung der funktionalen Konnektivität wurde erfolgreichentmostet 39. Die Ruhezustandsfunktionskonnektivität in den präfrontalen Kortiken von neun Probanden wurde gemessen. Die Ergebnisse (mittelwert - SD) deuteten auf eine höhere Korrelation in der intraregionalen Region der linken (0,64 x 0,25) und rechten (0,62 x 0,23) Kortiken hin, im Vergleich zur interregionalen Region der linken (0,32 x 0,32), (0,34 x 0,27) und rechten (0,34 x 0,29), (0,34 x 0,26) Kortika. (Abbildung 5). Eine Leistungsanalyse mit einer Leistung von 0,8 und einem Signifikanzniveau von 0,05 wurde ebenfalls durchgeführt, was zu einer Leistung von 0,82 bei einer Stichprobengröße von acht führte (unter der Anzahl der in dieser Studie analysierten Probanden).

    Um zu testen, ob es einen signifikanten Unterschied zwischen interregionaler RSFC und intraregionaler RSFC gab, wurde der Korrelationswert mit einer Fisher Z-Transformation in einen Z-Wert umgewandelt, dann wurde ein t-Test durchgeführt, um inter- und intraregionale RSFC beider Kortiken zu vergleichen. Dies führte zu p-Werten von 0,0002 , was einen signifikanten Unterschied bedeutet, der in früheren fNIRS-Studien8,25 (Abbildung 5) nachgewiesen wurde. Um festzustellen, ob es einen Unterschied zwischen symmetrischen Hirnregionen (linke und rechte Kortiken) gab, wurde ein t-Test durchgeführt. Dies führte zu p-Werten von >0,8, was bedeutet, dass es keinen signifikanten Unterschied zwischen ähnlichen Hirnregionen auf beiden Seiten des Kortex gab.

    Figure 1
    Abbildung 1: Versuchsaufbau. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

    Figure 2
    Abbildung 2: Prüfplanta und Platzierung. (A) Platzierung der Sonden, wie auf der Systemkarte EEG 80-20 dargestellt. (B) Ein Beispiel für die 3D-gedruckte Sonde mit vom Motiv getragenen Optischen Fasern. (C) Das CAD-Modell der Position der Detektoren (D) und Quellen (S) im dorsolateralen frontalen Kortex (DLFC) und unteren frontalen Kortex (IFC). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

    Figure 3
    Abbildung 3: Repräsentative Stichprobe von Daten mit Detektoren in derselben Region bei der gleichen Quellen-Detektor-Trennung. Gezeigt wird eine Autokorrelationskurve (g2) in Bezug auf die Verzögerungszeit (b). (A) Daten, wenn die Sonde ausreichenden Kontakt hat, zeigt eine hohe Anzahl und eine gute Passform zum Analysemodell. (B) Daten (übertrieben) mit Umgebungslicht, das in die Sonde austritt, wie von einem niedrigeren y-Intercept (Beta) beobachtet. Dies ist in der Regel auf eine Kombination aus schlechtem Kontakt und starkem Hintergrundlicht zurückzuführen, das Anpassungen erfordert. (C) Daten (übertrieben) mit einem Bewegungsartefakt, während die g2-Kurve gemittelt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

    Figure 4
    Abbildung 4: Analyse repräsentativer Daten aus einem Fach. (A) Eine Darstellung des Leistungsspektrums nach jedem Verarbeitungsschritt. (B) Ein Beispiel, das die Zeitreihen des normalisierten Durchflusssignals auf einem der Kanäle vor und nach Regression des Kurzstreckenkanals (Scalp-Signal) zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

    Figure 5
    Abbildung 5: Ruhezustand funktionelle Konnektivität in präfrontalen Kortiken aller Probanden. Gruppendurchschnitt für die interregionale Region (DLFC1-IFC und DLFC2-IFC) des linken Kortex (0,32 x 0,32), (0,34 x 0,27) und des rechten Kortex (0,34 x 0,29), (0,34 x 0,26). Gruppendurchschnitt für die intraregionale Region des linken Kortex (0,64 x 0,25) und des rechten Kortex (0,62 x 0,23). Fehlerleiste zeigt SD für alle Themen an. Der t-Test zeigt, dass der Unterschied zwischen intra- und interregionalers RSFC beider Kortiken signifikant ist mit p -0,0002, während es keinen signifikanten Unterschied zwischen dem linken und rechten Kortex gab (t-Test = p > 0,8). Die False Discovery Rate (FDR) wurde für die Korrektur mehrerer Vergleiche verwendet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

    Subscription Required. Please recommend JoVE to your librarian.

    Discussion

    Um festzustellen, ob CBF, gemessen durch DCS, RSFC genau erfasste, wurden zwei Bereiche des Gehirns mit bekannten RSFC-Eigenschaften untersucht. Es wird davon ausgegangen, dass eine funktionale Konnektivität zwischen DLFC-Regionen und zwischen DLFC und IFC57,58,59vorhanden ist. Die Konnektivität zwischen zwei Standorten innerhalb der linken und rechten DLFC wurde gewählt, da die intraregionale Konnektivität in der Regel höher ist. Außerdem wurde die Konnektivität zwischen der IFC und der DLFC gewählt, da die interregionale Konnektivität bekanntlich schwächer ist.

    Die DCS-Technik zeigte eine hohe Konnektivität innerhalb der DLFC-Bereiche, aber eine geringere Konnektivität zwischen den IFC- und DLFC-Bereichen, was mit ähnlichen Studien übereinstimmt, die mit anderen Methoden wie fMRI durchgeführt wurden. Diese Ergebnisse zeigen das Potenzial von DCS als nicht-invasives Mittel zur Beurteilung von RSFC beim Menschen. In Kombination mit anderen bildgebenden Modalitäten wie fNIRS wird eine genaue Charakterisierung neuronaler Erkrankungen wie Autismus realisierbar. Obwohl gleichzeitige Messungen von fNIRS und DCS eine Herausforderung bleiben, wurden mehrere Ansätze für dieses Problem untersucht19,20,21,23,27,28,60,61,62,63,64,65. In einer Pilotstudie wurden die isolierten, leichteren DCS-Sonden für einen besseren Kontakt ausgewählt. In Zukunft kann das Sondendesign verbessert, fNIRS-Fasern neben DCS-Fasern eingesetzt und Lichtquellen nacheinander beleuchtet werden, wie bereits gezeigt. Zusammenfassend wird DCS als Ergänzung zu anderen Techniken dienen und zu einem nützlichen Instrument für die nicht-invasive Beurteilung der Gehirnfunktion bei jungen und behinderten Patienten werden.

    Subscription Required. Please recommend JoVE to your librarian.

    Disclosures

    Die Autoren erklären keine konkurrierenden finanziellen Interessen.

    Acknowledgments

    Die Autoren möchten die finanzielle Unterstützung des Ohio Third Frontier an das Ohio Imaging Research and Innovation Network (OIRAIN, 667750) und die National Natural Science Foundation of China (Nr. 81771876) würdigen.

    Materials

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

    DOWNLOAD MATERIALS LIST

    References

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

    Tags

    Bioengineering Ausgabe 159 diffuse Korrelationsspektroskopie Blutfluss funktionelle Konnektivität Hirnhämodynamikmedizin Neurowissenschaften Biomedizintechnik Physiologie
    Cerebral Blood Flow-Based Resting State Functional Connectivity of the Human Brain using Optical Diffuse Correlation Spectroscopy
    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