Login processing...

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

Bioengineering

Cerebral blodstrøm-basert hviletilstand funksjonell tilkobling av den menneskelige hjerne ved hjelp av optisk diffus korrelasjon spektroskopi

doi: 10.3791/60765 Published: May 27, 2020

Summary

Denne protokollen demonstrerer hvordan man måler hviletilstandfunksjonell tilkobling i den menneskelige prefrontale cortex ved hjelp av et skreddersydd diffust korrelasjonspektroskopiinstrument. Rapporten diskuterer også praktiske aspekter ved eksperimentet samt detaljerte trinn for å analysere dataene.

Abstract

For å oppnå en omfattende forståelse av den menneskelige hjernen, er utnyttelse av cerebral blodstrøm (CBF) som kontrastkilde ønsket fordi det er en viktig hemodynamisk parameter relatert til cerebral oksygentilførsel. Hviletilstand lavfrekvente svingninger basert på oksygenering kontrast har vist seg å gi sammenhenger mellom funksjonelt tilkoblede regioner. Den presenterte protokollen bruker optisk diffus korrelasjonspektroskopi (DCS) for å vurdere blodstrømsbasert hviletilstand funksjonell tilkobling (RSFC) i den menneskelige hjernen. Resultatene av CBF-baserte RSFC i human frontal cortex indikerer at intra-regionale RSFC er betydelig høyere i venstre og høyre kortisaner sammenlignet med interregionale RSFC i begge kortiklene. Denne protokollen bør være av interesse for forskere som bruker multi-modal bildeteknikker for å studere menneskelig hjernefunksjon, spesielt i den pediatriske befolkningen.

Introduction

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

Når hjernen er i hviletilstand, viser den en høy synkronisering av spontan aktivitet i funksjonelt relaterte regioner, som kan ligge i nærheten eller på avstand. Disse synkroniserte områdene er kjent som funksjonelle nettverk1,,2,,3,,4,5,6,7,8,9. Dette fenomenet ble først avdekket av en funksjonell magnetisk resonansavbildningsstudie (fMRI) ved hjelp av blodoksygennivåavhengige (BOLD) signaler som indikerer oksygeneringsnivåer i hjerneblodet5,,10, også kjent som hviletilstandfunksjonell tilkobling (RSFC). Abnormiteter i RSFC har vært forbundet med hjernesykdommer som autisme11, Alzheimers12, og depresjon13. Dermed er RSFC et verdifullt verktøy for å studere pasienter med lidelser som har problemer med å utføre oppgavebaserte vurderinger. Men mange pasienter, som små autistiske barn, er dårlige kandidater til vurdering av fMRI, da det krever å forbli fortsatt inne i et begrenset rom i lengre,perioder,15. Optisk bildebehandling er rask og bærbar; Dermed er det egnet for et flertall av pasientene, spesielt den pediatriske befolkningen16,17,18,19,20,21,22,23,24. Ved hjelp av disse fordelene brukes funksjonelle nær-infrarødspektroskopi (fNIRS), som kan kvantifisere hemoglobinkonsentrasjon og oksygenmetningsparametere i hjernen, brukes til å måle RSFC hos mennesker (inkludert barnepopulasjonen4,,8,25 og pasienter med autisme11).

Optisk diffus korrelasjonspektroskopi (DCS), en relativt ny optisk teknikk, kan kvantifisere cerebral blodstrøm, som er en viktig parameter som forbinder oksygentilførsel med metabolisme6,,17,,26,,27,28,29. Optisk strømningskontrast kvantifisert av DCS har vist seg å ha høyere følsomhet i hjernen sammenlignet med oksygeneringskontrast30. Dermed er bruk av DCS-avledede CBF-parametere for vurdering av RSFC en fordel.

DCS er følsom for å flytte blodceller. Når du sprer fotoner sprer seg fra å bevege blodceller, fører dette til at intensiteten av detekterelys svinger over tid. DCS måler en tidsbasert intensitet autokorrelasjonsfunksjon og forfallsraten er avhengig av optiske parametere og blodstrøm. Disse verdiene brukes til slutt til å oppnå cerebral blodstrømindeks (CBFi). Med raskere bevegelige blodceller forfaller intensiteten autokorrelasjonsfunksjonen raskere. Derfor kan informasjon om bevegelse dypt under vevsoverflaten avledes (f.eks. i hjernen) fra målinger av diffuse lyssvingninger over tid27,31,32,33,34,35. DCS er en teknikk som komplementære til den allment kjente fNIRS som måler blod oksygenering17,36. Siden både fNIRS og DCS er optiske hjerneavbildningsteknikker med høy temporal oppløsning i området millisekunder, er de optiske bildeoppsettene langt mindre følsomme for bevegelsesartefakter enn fMRI. De har også blitt brukt til funksjonell hjerneavbildning i pediatriske populasjoner, inkludert svært små spedbarn16. Tidligere har overfladiske blodstrømsmålinger blitt brukt til å vurdere RSFC i prekliniske studier på mus37. Her brukes blodstrømsparametre til å kvantifisere RSFC hos ni friske voksne som en konseptbevisstudie38,39.

I denne studien brukes et kommersielt FD-fNIRS-system og tilpasset DCS-system(se Materialtabellen). DCS som ble bygget internt består av to 785 nm, 100 mW, lang sammenheng lengde kontinuerlig-bølge lasere som er koblet til en FC kontakt og åtte single-foton tellemaskiner (SPCM) koblet til en auto-korrelator. Et tilpasset programvare grafisk brukergrensesnitt (GUI) ble også laget spesielt for at dette systemet skulle vise og lagre fotontellingene, autokorrelasjonskurver og semikvantitativ blodstrøm av hver SPCM-kanal i sanntid. Delene i dette systemet brukes ofte for DCS16,17,31,32,40,42,43,44, og de oppnådde resultatene har også blitt verifisert internt og brukt i en nylig studie39.

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

Protokollen ble godkjent av Institutional Review Board ved Wright State University, og informert samtykke ble innhentet fra hver deltaker før eksperimentet.

1. Forberedelse av

  1. Strøm opp FD-fNIRS- og DCS-systemet for å varme opp i minst 10 minutter (se avsnitt 2 og 3 for mer informasjon) før du starter noen målinger av motivet. Et eksempel på emnemåling med det kompakte DCS-instrumentet vises i figur 1.
  2. Bruk først et målebånd for å måle avstanden mellom nasion en inion på hvert motivs hode (Figur 2A).
  3. Med nasion som utgangspunkt, markerplasseringen som er 10% av avstanden til inion med en blekkmarkør. Dette betegner punktet mellom Fp1 og Fp2 i EEG 10/20 montasje (Figur 2A).
  4. Bruk en EEG 10/20 cap (se Materialliste), juster hetten slik at det merkede punktet er mellom Fp1 og Fp2.
  5. Merk punktet mellom Fp1 og F7 (venstre cortex) og punktet mellom Fp2 og F8 (høyre cortex). Dette representerer grensene mellom den overlegne prefrontale cortex og dorsolateralprefrontal cortex (DLFC) og mellom DLFC og dårligere prefrontal cortex (IFC), henholdsvis for venstre og høyre halvkule (figur 2A).
  6. Bruk en 3D-trykt sonde til å plassere multimodusfibrene (MMF) på de nylig merkede punktene (punkt "S" på figur 2C) og koble hver til 785 nm laserlyskilde (figur 2B, C).
  7. Plasser enkeltmodusfibrene (SMFs) 2,75 cm unna MMF. To fibre bør plasseres på DLFC (steder "DLFC,1" og "DLFC,2") og en på IFC (plassering "IFC"). Plasseringen av SMF replikeres på hver side av cortex for totalt seks SMFs (Figur 2c).
  8. Plasser en annen SMF 1 cm under MMF på stedet "Ds"i begge sider av cortex (for påvisning av blodstrømmen i hodebunnen) og koble hver av SMFs til individuelle enkeltfoton tellemaskiner (Figur 2C).

p class="jove_title">2. FD-fNIRS-innstillinger og kalibrering

  1. Slå av eventuelle lys og slå på FD-fNIRS-systemet for å forberede kalibreringen.
    FORSIKTIG: Som en generell forholdsregel, ikke se direkte på lyskilder og fiberutganger, da dette kan forårsake øyeskade. Bruk et IR-sensorkort (Materialtabell).
  2. Unngå unødvendig eksponering av detektorene til romlysnivåer for å opprettholde støyfri drift og unngå skade på detektorene.
  3. Varm opp lyskilder og detektorer ved å slå opp systemet og la det kjøre i minst 10 min (helst, 20 min minimum og 1 t maksimum for optimal nøyaktighet og stabilitet) med lyset på, modulering på og detektorspenning på.
  4. Kjør GUI-basert datainnsamlingsprogramvare. Juster detektorforsterkningen for å oppnå et optimalt signal med sensoren festet og festet til et kalibreringsfantom (polydimethylsiloxane-basert fantom av kjente optiske egenskaper, se Materialbord) ved å trykke på "auto-bias"-knappen. Hvis overspenningsvarselet blinker, senker du gevinsten.
  5. Etter justering av detektorforsterkningen for å få maksimalt signal, kobler du en av kildefibrene fra detektoren og kontrollerer at direktestrømmen (DC) er mindre enn 20 tellinger per måleperiode for den tilsvarende kildefiberen. Hvis det er større enn denne verdien, kan det være overdreven romlys som lekker inn i detektoren45. Hvis dette er tilfelle, bør systemet slås av, så bør overflødig lys i rommet blokkeres/fjernes og trinn 2.4-2.5 gjentas.
  6. Kontroller riktig signalnivå fra hver kilde og detektor. Systemet definerer dette som over 100 og under 1500 tellinger per målesyklus.
  7. Utfør kalibreringen ved å trykke på "Kalibrer" -knappen i GUI. Systemet vil ta målinger og bruke kalibreringsfaktorer for å måle de optiske egenskapene til det kjente fantomet på riktig måte. Disse kalibreringsfaktorene lagres og brukes automatisk på in vivo-målingene.
  8. Logg kalibreringsdataene, som vil gi en oversikt over systemytelsen på et standard fantom.

3. DCS-innstillinger

FORSIKTIG: Som en generell forholdsregel, ikke se på lyskilder og fiberutganger direkte for å unngå potensiell øyeskade. Bruk IR-sensorkortet (se Materialtabellen).

  1. Unngå unødvendig eksponering av detektorene (dvs. romlys) for å oppnå nøyaktige rådata for autokorrelasjonskurvene og forhindre skade på detektorene.
  2. Varm opp DCS laserlyskilder og SPCM (se Materialtabellen) ved å bytte dem til "på" posisjon og la dem kjøre i minst 10 min (helst, 20 min minimum og 1 t maksimum for optimal nøyaktighet og stabilitet).
  3. Kjør GUI-basert DCS datainnsamlingsprogramvare, som viser fotontellingene for hver detektor og semikvantitative blodstrømsverdier i sanntid. Juster fiberposisjonen, vinkelen (fiberansiktet skal være vinkelrett på hudoverflaten), og datainnsamlingstiming for å oppnå et signal på minst 5000 tellinger/s (for et tilstrekkelig signal til støyforhold) og under 1 000 000 tellinger/s (for å unngå skadelige detektorer) (figur 3A).
  4. Kontroller tilstrekkelige fotontellingsnivåer (fra trinn 3.3) fra hver detektor ved å kontrollere fotontellingsnivået og nær autokorrelasjonskurver i sanntid som vises på skjermen.
  5. Kontroller tilstrekkelig fiberkontakt uten omgivelseslyslekkasje ved å kontrollere y-avskjæringen av autokorrelasjonskurven som vises på skjermen. Den optimale verdien er ~1.5 uten bruk av polarisatorer (figur 3B).
  6. Kontroller at sonden og målingene ikke er utsatt for bevegelsesartefakter ved å stramme det elastiske båndet slik at den er stram nok til å motstå bevegelse, men løs nok til å forhindre ubehag for motivet. Brukeren bør også kontrollere autokorrelasjonskurvene på skjermen samtidig slik at autokorrelasjonskurven forfaller til 1 for lengre korrelasjonstid (τ > 10 ms) (Figur 3C).

4. Datainnsamling

  1. Instruer motivet om å minimere eventuelle bevegelser under 8 min måling.
  2. Slå av lysene og sørg for at motivet sitter i en komfortabel posisjon med øynene lukket.
  3. Utfør en baseline FD-fNIRS målinger ved hjelp av ved å plassere FD-fNIRS system optisk sonde på pannen ved siden av DCS-sonden. Trykk deretter på "Erverve" -knappen i FD-fNIRS-oppkjøpet GUI. Disse dataene vil gi statiske optiske egenskaper, absorpsjonsparametere og spredningsparametere (μa, μ's) som skal brukes til kvantifisering av den dynamiske optiske parameteren CBFi17,20.
  4. Etter at FD-fNIRS-målingene er fullført, starter du datainnhenting på de optiske DCS-målingene ved å trykke på "Kjør" -knappen i DCS datainnhenting GUI. Samle inn data i totalt 8 min med maksimalt 2 s integrasjonstid (mindre foretrekkes, avhengig av signal-til-støy-forholdet for hvert emne).
  5. Gjenta om nødvendig eksperimentet innen 1 time etter det første eksperimentet eller gjenta eksperimentet i løpet av en lignende tid på dagen for å redusere eksterne variasjoner som tretthet, sentralstimulerende midler eller temperatur.

5. Dataanalyse

  1. For FD-fNIRS-data, trekk ut optisk absorpsjon og spredningegenskaper (μa, μ's ) sombehandlesav hellingsmetoden46,47,48,49,50,51,52,53.
  2. For DCS, siden etterbehandling er nødvendig, importerer du de automatiske korrelasjonsrådatene fra hver av de åtte kanalene til dataanalyseprogramvaren.
  3. CBF-relatert parameter kvantifisering er beskrevet i nyere anmeldelser6,27,54. Kort, fra normalisert intensitet autokorrelasjonfunksjon (g2 [r,τ]), trekke ut normalisert diffus elektrisk felt temporal autocorrelation funksjon (g1 [r,τ]) ved hjelp av Siegert forhold: g2 (r,τ) = 1 + β | g 1 (r,τ)| 2.
    MERK: β er en konstant, proporsjonal med antall romlige moduser oppdaget6,,17,,27,,55,,56, varierer fra 0 til 1, og oppnås ved å montere (normalisert) elektrisk felt autokorrelasjonsfunksjon g1.
  4. For å få en blodstrømsrelatert parameter (αDB) fra passformen, bruk den analytiske løsningen for g16,,27,,54 og monter dataene til modellen eller forfallshastigheten:
    FORMEL 1
    MERK: I ligningen ovenfor er ko bølgeantall lys i mediet, α er en faktor proporsjonal med vevblodvolumfraksjon, og DB er den effektive brownianske koeffisienten. αDB kan defineres som blodstrømsindeksen (BFI)6,,54 eller CBFi17. Her brukes CBFi.
  5. Tilpass modellen ved hjelp av de optiske parametrene hentet fra FD-fNIRS. De viktigste parametrene som passer for er CBFi og β.
    MERK: Figur 3A viser representative data som er tilstrekkelige for analyse. DCS-data forkastes hvis (1) autokorrelasjonsfunksjonen er betydelig lavere enn 1,5 (β < 0,5) (dvs. i tilfelle av figur 3B, hvor funksjonen er ~ 1.2, β < 0.2, på grunn av romlyslekkasje) eller hvis (2) autokorrelasjonskurven ikke forfaller til 1 for lengre korrelasjonstid (τ > 10 ms) (dvs. i tilfelle av figur 3C, hvor bevegelsesartefakten, slike hode- eller sondebevegelse, fører til ubrukelige data).
  6. Detrend de kvantifiserte resultatene ved hjelp av en andre-order polynompassform for å fjerne langsom drift (Figur 4A).
  7. Bruk et zero-phase second-order Butterworth-filter med et passbånd på 0,009–0,080 Hz til å fjerne uønskede hjernefrekvenser som Mayer-bølger (figur 4A).
  8. Bruk lineær regresjon for å oppnå rester fra hver kanal mot kortdistansemålingen for å fjerne de overfladiske hodebunnssignalene på hver side av cortex (Figur 4B).
  9. Beregn Pearsons korrelasjonskoeffisient mellom hvert par kanaler for å identifisere hviletilstandenfunksjonell tilkobling mellom hjerneregioner (figur 5).
  10. Forvandle korrelasjonsverdien til en z-verdi ved hjelp av en Fisher Z-transformasjon og utfør en t-testfor å oppnå p-verdien (Figur 5). Bruk falsk oppdagelsesfrekvens (FDR) for flere sammenligninger korreksjon.

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

Muligheten for å bruke DCS til å måle funksjonell tilkobling ble vellykket demostert39. Hviletilstanden funksjonell tilkobling i prefrontal kortiser av ni ble målt. Resultatene (gjennomsnitt ± SD) indikerte en høyere korrelasjon i den intraregionale regionen til venstre (0,64 ± 0,25) og høyre (0,62 ± 0,23) kortices, sammenlignet med den interregionale regionen til venstre (0,32 ± 0,32), (0,34 ± 0,27) og høyre (0,34 ± 0,29), (0,34 ± 0,26) kortiices. (Figur 5). Effektanalyse med en effekt på 0,8 og betydningsnivå på 0,05 ble også utført, noe som resulterte i en effekt på 0,82 med prøvestørrelse på åtte (under antall analysert i denne studien).

For å teste om det var en betydelig forskjell mellom interregionale RSFC og intraregionale RSFC, ble korrelasjonsverdien forvandlet til en z-verdi ved hjelp av en Fisher Z-transformasjon, så ble det utført en t-test for å sammenligne inter- og intra-regional RSFC av begge kortiser. Dette resulterte i p-verdier på ≤0,0002, noe som betyr en signifikant forskjell som er vist i tidligere fNIRS-studier8,,25 (figur 5). For å finne ut om det var noen forskjell mellom symmetriske hjerneregioner (venstre og høyre kortiices), ble det utført en t-test. Dette resulterte i p-verdier på > 0,8, noe som betyr at det ikke var noen signifikant forskjell mellom lignende hjerneregioner på hver side av cortex.

Figure 1
Figur 1: Eksperimentell oppsett. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Sondeskjematisk og plassering. (A) Plassering av probene som vist på EEG 80-20 systemkartet. (B) Et eksempel på den 3D-trykte sonden med optiske fibre som bæres av motivet. (C) CAD-modellen for plasseringen av detektorene (D) og kildene (S) i den dorsolaterale frontal cortex (DLFC) og dårligere frontal cortex (IFC). Vennligst klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Representativ utvalg av data ved bruk av detektorer i samme region ved samme kildedetektorseparasjon. Vist er en autokorrelasjonskurve (g2) med hensyn til forsinkelsestiden (τ). (A) Data når sonden har tilstrekkelig kontakt, viser høye tellinger og en god passform til den analytiske modellen. (B) Data (overdrevet) med omgivelseslys som lekker inn i sonden som observert av en lavere y-intercept (beta). Dette skyldes vanligvis en kombinasjon av dårlig kontakt og sterkt bakgrunnslys, som krever justeringer. (C) Data (overdrevet) med en bevegelsesartefakt mens g2-kurven i gjennomsnitt. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Analyse av representative data innhentet fra ett fag. (A) En tomt av strømspekteret etter hvert av behandlingstrinnene. (B) Et eksempel som viser tidsserien for det normaliserte blodstrømsignalet på en av kanalene før og etter regresjon av kortdistansekanalen (hodebunnssignal). Vennligst klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: Hviletilstand funksjonell tilkobling i prefrontale kortiklaver av alle fag. Gruppegjennomsnitt for interregional region (DLFC1-IFC og DLFC2-IFC) i venstre cortex (0,32 ± 0,32), (0,34 ± 0,27) og høyre cortex (0,34 ± 0,29), (0,34 ± 0,26). Gruppegjennomsnitt for intraregional region i venstre cortex (0,64 ± 0,25) og høyre cortex (0,62 ± 0,23). Feillinje angir SD på tvers av alle emner. T-testen viser forskjellen mellom intra- og inter-regional RSFC av begge kortiklene er signifikant med p ≤ 0,0002, mens det ikke var noen signifikant forskjell mellom venstre og høyre cortex (t-test = p > 0,8). Falsk oppdagelsesfrekvens (FDR) ble brukt til flere sammenligninger korreksjon. Vennligst klikk her for å se en større versjon av denne figuren.

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

For å finne ut om CBF målt ved DCS nøyaktig oppdaget RSFC, ble to områder av hjernen med kjente RSFC-egenskaper undersøkt. Funksjonell tilkobling mellom DLFC-regioner og mellom DLFC og IFC antas å eksistere57,58,59. Tilkobling mellom to områder i venstre og høyre DLFC ble valgt, fordi den intraregionale tilkoblingen vanligvis er høyere. Tilkobling mellom IFC og DLFC ble også valgt, da den interregionale tilkoblingen er kjent for å være svakere.

DCS-teknikken viste høy tilkobling innenfor DLFC-områdene, men lavere tilkobling mellom IFC- og DLFC-områdene, som er i samsvar med lignende studier utført med andre metoder som fMRI. Disse resultatene viser potensialet i DCS som et ikke-invasivt middel for å vurdere RSFC hos mennesker. Når kombinert med andre bildemodaliteter som fNIRS, blir nøyaktig karakterisering av nevronale sykdommer som autisme levedyktig. Selv om samtidige målinger av fNIRS og DCS forblir en utfordring, har flere tilnærminger til dette problemet blitt utforsket19,20,21,23,27,28,60,61,62,63,64,65. I en pilotstudie ble de isolerte, lettere DCS-sondene valgt for bedre kontakt. I fremtiden kan sondedesignen forbedres, fNIRS-fibre kan settes inn ved siden av DCS-fibre, og lyskilder kan sekvensielt lyses opp som tidligere demonstrert. Oppsummert vil DCS tjene som et supplement til andre teknikker og bli et nyttig verktøy for ikke-invasiv vurdering av hjernefunksjon hos unge og funksjonshemmede pasienter.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne erklærer ingen konkurrerende økonomiske interesser.

Acknowledgments

Forfatterne ønsker å anerkjenne økonomisk støtte fra Ohio Third Frontier til Ohio Imaging Research and Innovation Network (OIRAIN, 667750), og National Natural Science Foundation of China (nr. 81771876).

Materials

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

DOWNLOAD MATERIALS LIST

References

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