Login processing...

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

Bioengineering

Connettività funzionale dello stato di riposo basato sul flusso sanguigno cerebrale del cervello umano utilizzando la spettroscopia ottica di correlazione diffusa

doi: 10.3791/60765 Published: May 27, 2020

Summary

Questo protocollo dimostra come misurare la connettività funzionale dello stato di riposo nella corteccia prefrontale umana utilizzando uno strumento di spettroscopia di correlazione diffusa su misura. La relazione discute anche gli aspetti pratici dell'esperimento e le fasi dettagliate per l'analisi dei dati.

Abstract

Per ottenere una comprensione completa del cervello umano, l'utilizzo del flusso sanguigno cerebrale (CBF) come fonte di contrasto è desiderato perché è un parametro emodinamico chiave relativo all'apporto di ossigeno cerebrale. È stato di riposo le fluttuazioni a bassa frequenza basate sul contrasto di ossigenazione hanno dimostrato di fornire correlazioni tra regioni funzionalmente connesse. Il protocollo presentato utilizza la spettroscopia di correlazione diffusa ottica (DCS) per valutare la connettività funzionale dello stato di riposo basata sul flusso sanguigno (RSFC) nel cervello umano. I risultati di RSFC basati su CBF nella corteccia frontale umana indicano che rsFC intraregionale è significativamente più alto nei cortici sinistro e destro rispetto al RSFC interregionale in entrambe le cortice. Questo protocollo dovrebbe essere di interesse per i ricercatori che impiegano tecniche di imaging multimodale per studiare la funzione del cervello umano, specialmente nella popolazione pediatrica.

Introduction

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

Quando il cervello è in uno stato di riposo, dimostra un'alta sincronizzazione di attività spontanea in regioni funzionalmente correlate, che può essere situata nelle vicinanze o da una distanza. Queste aree in-sync sono note come reti funzionali1,2,3,4,5,6,7,8,9. Questo fenomeno è stato scoperto per la prima volta da uno studio di risonanza magnetica funzionale (fMRI) che utilizza segnali dipendenti dal livello di ossigeno nel sangue (BOLD) che indicano i livelli di ossigenazione del sangue cerebrale5,10, noto anche come connettività funzionale dello stato a riposo (RSFC). Anomalie in RSFC sono stati associati con disturbi cerebrali come l'autismo11, Morbo di Alzheimer12, e la depressione13. Così, RSFC è uno strumento prezioso per studiare i pazienti con disturbi che hanno difficoltà a eseguire valutazioni basate su attività. Tuttavia, molti pazienti, come i bambini autistici giovani, sono poveri candidati per la valutazione da parte della fMRI, in quanto richiede di rimanere ancora all'interno di uno spazio confinato per lunghi periodi di tempo14,15. L'imaging ottico è veloce e indossabile; così, è adatto per la maggior parte dei pazienti, in particolare la popolazione pediatrica16,17,18,19,20,21,22,23,24. Utilizzando questi vantaggi, la spettroscopia funzionale nel vicino infrarosso (fNIRS), che può quantificare la concentrazione di emoglobina e i parametri di saturazione di ossigeno nel cervello, viene utilizzata per misurare la RSFC negli esseri umani (compresa la popolazione pediatrica4,8,25 e pazienti con autismo11).

La spettroscopia ottica di correlazione diffusa (DCS), una tecnica ottica relativamente nuova, può quantificare il flusso sanguigno cerebrale, che è un parametro importante che associa l'apporto di ossigeno al metabolismo6,17,26,27,28,29. Il contrasto del flusso ottico quantificato dalla MDD ha dimostrato di avere una maggiore sensibilità nel cervello rispetto al contrasto di ossigenazione30. Pertanto, l'utilizzo dei parametri CBF derivati da DCS per la valutazione di RSFC è vantaggioso.

La MDD è sensibile alle cellule del sangue in movimento. Quando i fotoni diffarsi si disperdono dalle cellule del sangue in movimento, l'intensità della luce rilevata fluttua nel tempo. La DCS misura una funzione di autocorrelazione dell'intensità basata sul tempo e il suo tasso di decadimento dipende dai parametri ottici e dal flusso sanguigno. Questi valori vengono infine utilizzati per ottenere l'indice del flusso sanguigno cerebrale (CBFi). Con le cellule del sangue in movimento più veloci, la funzione di autocorrelazione dell'intensità decade più velocemente. Pertanto, le informazioni sul movimento in profondità sotto la superficie del tessuto possono essere derivate (ad esempio, nel cervello) dalle misurazioni della diffazione delle fluttuazioni della luce nel tempo27,31,32,33,34,35. La MDD è una tecnica complementare al fNIRS ampiamente noto che misura l'ossigenazione del sangue17,36. Poiché sia fNIRS che DCS sono tecniche ottiche di imaging cerebrale con alta risoluzione temporale nell'intervallo di millisecondi, i set-up di imaging ottico sono molto meno sensibili agli artefatti di movimento rispetto alla fMRI. Sono stati utilizzati con successo anche per l'imaging cerebrale funzionale nelle popolazioni pediatriche, compresi i neonati molto piccoli16. In precedenza, sono state utilizzate misurazioni superficiali del flusso sanguigno per valutare la RSFC negli studi preclinici nei topi37. Qui, i parametri del flusso sanguigno vengono utilizzati per quantificare RSFC in nove adulti sani come uno studio proof-of-concept38,39.

In questo studio vengono utilizzati un sistema commerciale FD-fNIRS e un sistema DCS personalizzato(vedere Tabella dei materiali). Il DCS che è stato costruito in-house è composto da due 785 nm, 100 mW, lunghi laser a onde continue di coerenza che sono accoppiati a un connettore FC e otto macchine per il conteggio di foto singolo (SPCM) collegate a un auto-correlatore. Un'interfaccia utente grafica (GUI) software personalizzata è stata creata anche appositamente per questo sistema per visualizzare e salvare i conteggi dei fotoni, le curve di autocorrelazione e il flusso sanguigno semi-quantitativo di ogni canale SPCM in tempo reale. Le parti di questo sistema sono comunemente utilizzate per DCS16,17,31,32,40,42,43,44, e i risultati ottenuti sono stati anche verificati internamente e utilizzati in un recente studio39.

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

Il protocollo è stato approvato dall'Institutional Review Board della Wright State University, e il consenso informato è stato ottenuto da ogni partecipante prima dell'esperimento.

1. Preparazione del soggetto

  1. Accendere il sistema FD-fNIRS e DCS per riscaldarsi per almeno 10 min (vedere le sezioni 2 e 3 per ulteriori dettagli) prima di iniziare qualsiasi misurazione del soggetto. Un esempio di misurazione del soggetto con lo strumento DCS compatto è illustrato nella Figura 1.
  2. In primo luogo, utilizzare un metro a nastro per misurare la distanza tra la nasion e l'inion sulla testa di ciascun soggetto (Figura 2A).
  3. Con la nasion come punto di partenza, segnare la posizione che è il 10% della distanza dall'inion con un marcatore di inchiostro. Questo indica il punto tra fp1 e Fp2 del montaggio EEG 10/20 (Figura 2A).
  4. Utilizzando un tappo EEG 10/20 (vedere Tabella dei materiali), regolare il tappo in modo che il punto contrassegnato sia compreso tra Fp1 e Fp2.
  5. Contrassegnare il punto tra Fp1 e F7 (corteccia sinistra) e il punto tra Fp2 e F8 (corteccia destra). Ciò rappresenta i confini tra la corteccia prefrontale superiore e la corteccia prefrontale dorsolaterale (DLFC) e tra il DLFC e la corteccia prefrontale inferiore (IFC), rispettivamente, per gli emisferi sinistro e destro (Figura 2A).
  6. Utilizzando una sonda stampata in 3D, posizionare le fibre multimodalità (MMF) sui punti appena contrassegnati (punti "S" nella figura 2C) e collegarle alla sorgente luminosa laser di 785 nm (Figura 2B,C).
  7. Posizionare le fibre monomodalità (SMF) a 2,75 cm di distanza dalla MMF. Due fibre devono essere posizionate sul DLFC (posizioni "DLFC,1" e "DLFC,2") e una sull'IFC (posizione "IFC"). Il posizionamento dell'SMF viene replicato su ciascun lato della corteccia per un totale di sei SMF (Figura 2c).
  8. Posizionare un altro SMF di 1 cm sotto il MMF nella posizione "Ds"in entrambi i lati della corteccia (per il rilevamento del flusso sanguigno nel cuoio capelluto) e collegare ciascuno degli SMF alle singole macchine di conteggio a singolo fotone (Figura 2C).

p class:"jove_title">2. Impostazioni e calibrazione FD-fNIRS

  1. Spegnere le luci e accendere il sistema FD-fNIRS per prepararsi per la calibrazione.
    AGGIORNAMENTO: Come precauzione generale, non guardare direttamente le fonti di luce e le uscite di fibre, in quanto ciò può causare danni agli occhi. Utilizzare una scheda sensore IR(Tabella dei materiali).
  2. Evitare l'esposizione non necessaria dei rilevatori ai livelli di luce ambiente per mantenere il funzionamento senza rumore ed evitare danni ai rilevatori.
  3. Riscaldare le sorgenti luminose e i rilevatori accendendo il sistema e lasciandolo funzionare per almeno 10 min (preferibilmente, minimo 20 min e 1 h massimo per una precisione e stabilità ottimali) con la luce accesa, la modulazione accesa e la tensione del rivelatore.
  4. Eseguire software di acquisizione dati basato su GUI. Regolare il guadagno del rivelatore per ottenere un segnale ottimale con il sensore collegato e fissato a un fantasma di calibrazione (fantasma a base di polidimetilsiloxane delle proprietà ottiche note, vedere Tabella dei materiali) premendo il pulsante "auto-bias". Se l'avviso di sovratensione lampeggia, abbassare il guadagno.
  5. Dopo aver regolato il guadagno del rivelatore per ottenere il segnale massimo, scollegare una delle fibre di origine dal rilevatore e verificare che la corrente diretta (DC) sia inferiore a 20 conteggi per periodo di misurazione per la fibra di origine corrispondente. Se è maggiore di questo valore, potrebbe esserci una luce ambiente eccessiva che fuoriesse nel rilevatore45. In questo caso, il sistema deve essere spento, quindi qualsiasi luce in eccesso nella stanza deve essere bloccata /rimossa e i passi 2.4–2.5 ripetuti.
  6. Verificare il livello corretto del segnale da ogni sorgente e rilevatore. Il sistema definisce questo come superiore a 100 e sotto 1.500 conteggi per ciclo di misurazione.
  7. Eseguire la calibrazione premendo il pulsante "Calibra" nella GUI. Il sistema prenderà misure e applicherà fattori di calibrazione per misurare correttamente le proprietà ottiche del fantasma conosciuto. Questi fattori di calibrazione vengono salvati e applicati automaticamente alle misurazioni in vivo.
  8. Registrare i dati di calibrazione, che forniranno un record delle prestazioni del sistema su un phantom standard.

3. Impostazioni DCS

ATTENZIONE: Come precauzione generale, non guardare direttamente le fonti di luce e le uscite di fibre per evitare potenziali danni agli occhi. Utilizzare la scheda sensore IR (vedere Tabella dei materiali).

  1. Evitare l'esposizione non necessaria dei rilevatori (ad esempio, la luce ambiente) per ottenere dati grezzi accurati per le curve di autocorrelazione ed evitare danni ai rilevatori.
  2. Riscaldare le sorgenti luminose laser DCS e SPCM (vedere Tabella dei materiali) passando alla posizione "on" e consentendo loro di funzionare per almeno 10 min (preferibilmente, minimo 20 min e 1 h massimo per una precisione e una stabilità ottimali).
  3. Esegui il software di acquisizione dati DCS basato su GUI, che visualizza i conteggi dei fotoni per ogni rivelatore e i valori del flusso sanguigno semi-quantitativi in tempo reale. Regolare la posizione della fibra, l'angolo (la faccia in fibra deve essere perpendicolare alla superficie della pelle) e la tempistica di acquisizione dei dati per ottenere un segnale di almeno 5.000 conteggi/s (per un rapporto segnale/rumore adeguato) e inferiore a 1.000.000 conteggi/s (per evitare rilevatori dannosi) (Figura 3A).
  4. Verificare i livelli sufficienti del numero di fotoni (dal passaggio 3.3) di ciascun rivelatore controllando il livello di conteggio dei fotoni e le curve di autocorrelazione quasi in tempo reale mostrate sul monitor.
  5. Verificare il contatto abbastanza della fibra senza alcuna perdita di luce ambientale controllando l'intercetta y della curva di autocorrelazione visualizzata sul monitor. Il valore ottimale è di 1,5 usd senza l'uso di polarizzatori (Figura 3B).
  6. Verificare che la sonda e le misure non siano soggette a artefatti di movimento stringendo la fascia elastica in modo che sia sufficientemente stretta da resistere al movimento ma abbastanza sciolta da evitare qualsiasi disagio al soggetto. L'utente deve anche controllare le curve di autocorrelazione sul monitor contemporaneamente in modo che la curva di autocorrelation decade a 1 per un tempo di correlazione più lungo (z > 10 ms) (Figura 3C).

4. Raccolta dei dati

  1. Indicare al soggetto di ridurre al minimo i movimenti durante la misurazione di 8 min.
  2. Spegnere le luci e assicurarsi che il soggetto sia seduto in una posizione comoda con gli occhi chiusi.
  3. Eseguire una linea di base delle misurazioni FD-fNIRS utilizzando posizionando la sonda ottica del sistema FD-fNIRS sulla fronte adiacente alla sonda DCS. Quindi, premere il pulsante "Acquisisci" nella GUI di acquisizione FD-fNIRS. Questi dati forniranno proprietà ottiche statiche, parametri di assorbimento e parametri di dispersione (a, z)sche verranno utilizzati per la quantificazione del parametro ottico dinamico, CBFi17,20.
  4. Dopo aver completato le misurazioni FD-fNIRS, iniziare l'acquisizione dei dati sulle misurazioni ottiche DCS premendo il pulsante "Run" nella GUI di acquisizione dati DCS. Raccogliere dati per un totale di 8 min con un tempo di integrazione massimo di 2 s (è preferibile un tempo inferiore, a seconda del rapporto segnale-rumore per ogni soggetto).
  5. Se necessario, ripetere l'esperimento entro 1 h dell'esperimento iniziale o ripetere l'esperimento durante un periodo del giorno simile per ridurre le variazioni esterne come affaticamento, stimolanti o temperatura.

5. Analisi dei dati

  1. Per i dati FD-fNIRS, estrarre le proprietà di assorbimento ottico e dispersione (,a ,le)elaborate dal metodo di inclinazione46,47,48,49,50,51,52,53.
  2. Per DCS, poiché è necessaria la post-elaborazione, importare i dati non elaborati di correlazione automatica da ciascuno degli otto canali nel software di analisi dei dati.
  3. La quantificazione dei parametri relativi al CBF è descritta in dettaglio nelle recenti recensioni6,27,54. In breve, dalla funzione di autocorrelazione di intensità normalizzata (g2 [r,r,]), estrarre la funzione di autocorrelazione temporale del campo elettrico diffuso normalizzato (g1 [r, z]) utilizzando la relazione Assedio: g2 (r, z) g 1 (r, z) 2.
    N.B.: è una costante, proporzionale al numero di modalità spaziali rilevate6,17,27,55,56, varia da 0 a 1 e ottenuto adattando la funzione di autocorrelazione del campo elettrico (normalizzato) g1.
  4. Per ottenere dalla misura un parametro correlato al flusso sanguigno, utilizzare la soluzione analitica per g1 66,27,54 e adattare i dati al modello o al tasso di decadimento:B
    EQUAZIONE UNO
    NOTA: Nell'equazione sopra, ko è il numero d'onda della luce nel mezzo, il valore di z è un fattore proporzionato alla frazione del volume sanguigno dei tessuti e DB è il coefficiente browniano effettivo. Il D B può essere definito come l'indice del flusso sanguigno (BFI)6,54 o CBFi17. In questo caso, viene utilizzato CBFi.
  5. Adattare il modello utilizzando i parametri ottici ottenuti da FD-fNIRS. I parametri principali per cui adattarsi sono CBFi e .
    NOTA: la figura 3A mostra i dati rappresentativi che sono sufficienti per l'analisi. I dati DCS vengono eliminati se (1) la funzione di autocorrelazione è significativamente inferiore a quella di 1,5 (< 0,5) (vale a dire, nel caso della figura 3B, in cui la funzione è di 1,2, < 0,2, a causa di perdite di luce stanza) o se (2) la curva di autocorrelazione non decade a 1 per un tempo di correlazione più lungo (e 10 ms) (cioè, nel caso della Figura 3C, dove l'artefatto di movimento, tale movimento della testa o della sonda, porta a dati inutilizzabili).
  6. Detrend i risultati quantificati utilizzando un adattamento polinomiale di secondo ordine per rimuovere la deriva lenta (Figura 4A).
  7. Utilizzare un filtro Butterworth di secondo ordine a fase zero con una fascia di 0,009-0,080 Hz per rimuovere eventuali frequenze cerebrali indesiderate come le onde Mayer (Figura 4A).
  8. Utilizzare la regressione lineare per ottenere i residui da ogni canale rispetto alla misurazione a breve distanza per rimuovere i segnali superficiali del cuoio capelluto su ciascun lato della corteccia (Figura 4B).
  9. Calcolare il coefficiente di correlazione di Pearson tra ogni coppia di canali per identificare la connettività funzionale dello stato di riposo tra le regioni del cervello (Figura 5).
  10. Trasformare il valore di correlazione in un valore z utilizzando una trasformazione Fisher e eseguire un test tper ottenere il valore p (Figura 5). Utilizzare la percentuale di individuazione falsa (FDR) per la correzione di più confronti.

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 fattibilità dell'utilizzo di DCS per misurare la connettività funzionale è stata esordiata con successo39. È stata misurata la connettività funzionale dello stato di riposo nelle cortice prefrontali di nove soggetti. I risultati (media - SD) indicavano una correlazione più elevata nell'area intraregionale di sinistra (0,64 x 0,25) e a destra (0,62 x 0,23) cortici, rispetto alla regione interregionale della sinistra (0,32 x 0,32), (0,34 x 0,27) e a destra (0,34 x 0,29), (0,34 x 0,26) cortice. (Figura 5). È stata eseguita anche l'analisi della potenza con una potenza di 0,8 e il livello di significatività di 0,05, che ha portato a una potenza di 0,82 con una dimensione del campione di otto (al di sotto del numero di soggetti analizzati in questo studio).

Per verificare se c'era una differenza significativa tra RSFC interregionale e RSFC intraregionale, il valore di correlazione è stato trasformato in un valore z utilizzando una trasformazione Fisher, quindi è stato eseguito un test t per confrontare RSFC interregionale e intraregionale di entrambe le cortice. Ciò ha comportato valori p pari a 0,0002, a significare una differenza significativa dimostrata nei precedenti studi fNIRS8,25 (Figura 5). Per determinare se c'era qualche differenza tra le regioni simmetriche del cervello (cortice sinistra e destra), è stato eseguito un test t. Ciò ha portato a valori p di >0.8, a significare che non c'era alcuna differenza significativa tra regioni cerebrali simili su entrambi i lati della corteccia.

Figure 1
Figura 1: configurazione sperimentale. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2: Schema e posizionamento della sonda. (A) Posizionamento delle sonde come mostrato sulla mappa di sistema EEG 80-20. (B) Un esempio della sonda stampata in 3D con fibre ottiche indossate dal soggetto. (C) Il modello CAD della posizione dei rivelatori (D) e delle fonti (S) nella corteccia frontale dorsolaterale (DLFC) e nella corteccia frontale inferiore (IFC). Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3: Campione rappresentativo di dati utilizzando rilevatori nella stessa regione con la stessa separazione del rilevatore di origine. Mostrato è una curva di autocorrelazione (g2) rispetto al tempo di ritardo . (A) Dati quando la sonda ha un contatto sufficiente, mostrando conteggi elevati e una buona misura per il modello analitico. (B) Dati (esagerati) con luce ambientale che fuoriesce nella sonda, come osservato da un'intercetta y inferiore (beta). Questo è di solito dovuto a una combinazione di scarso contatto e forte luce di fondo, che richiede modifiche da apportare. (C) Dati (esagerati) con un artefatto di movimento durante la media della curva g2. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 4
Figura 4: Analisi dei dati rappresentativi ottenuti da un soggetto. (A) Un grafico dello spettro di potenza dopo ciascuna delle fasi di elaborazione. (B) Un esempio che mostra la serie temporale del segnale di flusso sanguigno normalizzato su uno dei canali prima e dopo la regressione del canale a breve distanza (segnale del cuoio capelluto). Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 5
Figura 5: Connettività funzionale dello stato di riposo in cortice prefrontali di tutti i soggetti. Media di gruppo per le regioni interregionali (DLFC1-IFC e DLFC2-IFC) della corteccia sinistra (0,32 x 0,32), (0,34 x 0,27) e della corteccia destra (0,34 x 0,29), (0,34 x 0,26). Media di gruppo per la regione intraregionale della corteccia sinistra (0,64 x 0,25) e la corteccia destra (0,62 x 0,23). La barra di errore indica SD in tutti i soggetti. Il test t mostra la differenza tra RSFC intra e interregionale di entrambe le cortice è significativa con p 0,0002, mentre non c'era alcuna differenza significativa tra la corteccia sinistra e quella destra (t-test - p > 0,8). Il tasso di individuazione falsa (FDR) è stato utilizzato per la correzione di più confronti. Fare clic qui per visualizzare una versione più grande di questa figura.

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

Per determinare se CBF misurato da DCS accuratamente rilevato RSFC, due aree del cervello con proprietà RSFC note sono state esaminate. Si presuppone che la connettività funzionale tra le aree DLFC e tra DLFC e IFC esistanoto 57,58,59. È stata scelta la connettività tra due siti all'interno del DLFC sinistro e destro, perché la connettività intraregionale è in genere più elevata. Inoltre, è stata scelta la connettività tra l'IFC e il DLFC, poiché la connettività interregionale è nota per essere più debole.

La tecnica DCS ha mostrato un'elevata connettività all'interno delle aree DLFC, ma una connettività inferiore tra le aree IFC e DLFC, che è coerente con studi simili eseguiti con altri metodi come fMRI. Questi risultati dimostrano il potenziale della MDD come mezzo non invasivo per valutare RSFC negli esseri umani. Quando combinato con altre modalità di imaging come fNIRS, la caratterizzazione accurata delle malattie neuronali come l'autismo diventa fattibile. Sebbene le misurazioni simultanee di fNIRS e DCS rimangano una sfida, sono stati esplorati diversi approcci a questo problema19,20,2121,23,27,28,60,61,62,63,64,65. In uno studio pilota, le sonde DCS isolate e leggere sono state scelte per un migliore contatto. In futuro, il design della sonda può essere migliorato, le fibre fNIRS possono essere inserite accanto alle fibre DCS e le sorgenti luminose possono essere illuminate in sequenza come dimostrato in precedenza. In sintesi, la MDD servirà come complemento ad altre tecniche e diventerà uno strumento utile per la valutazione non invasiva della funzione cerebrale nei pazienti giovani e disabili.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non dichiarano interessi finanziari concorrenti.

Acknowledgments

Gli autori desiderano riconoscere il sostegno finanziario dell'Ohio Third Frontier all'Ohio Imaging Research and Innovation Network (OIRAIN, 667750) e alla National Natural Science Foundation of China (n. 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).
Connettività funzionale dello stato di riposo basato sul flusso sanguigno cerebrale del cervello umano utilizzando la spettroscopia ottica di correlazione diffusa
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