Login processing...

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

Bioengineering

Conectividade funcional do estado de repouso do cérebro humano por meio de espectroscopia de correlação difusa óptica

doi: 10.3791/60765 Published: May 27, 2020

Summary

Este protocolo demonstra como medir a conectividade funcional do estado de repouso no córtex pré-frontal humano usando um instrumento de espectroscopia de correlação difusa feito sob medida. O relatório também discute aspectos práticos do experimento, bem como etapas detalhadas para análise dos dados.

Abstract

Para obter uma compreensão abrangente do cérebro humano, a utilização do fluxo sanguíneo cerebral (CBF) como fonte de contraste é desejada porque é um parâmetro hemodinâmico chave relacionado ao suprimento de oxigênio cerebral. As flutuações de baixa freqüência do estado de repouso baseadas no contraste de oxigenação têm sido demonstradas para fornecer correlações entre regiões funcionalmente conectadas. O protocolo apresentado utiliza espectroscopia de correlação difusa óptica (DCS) para avaliar a conectividade funcional do estado de repouso baseado no fluxo sanguíneo (RSFC) no cérebro humano. Os resultados do RSFC baseado na CBF no córtex frontal humano indicam que o RSFC intra-regional é significativamente maior nos cortices esquerdo e direito em comparação com o RSFC inter-regional em ambos os cortices. Esse protocolo deve ser de interesse de pesquisadores que empregam técnicas multimodais de imagem para estudar a função cerebral humana, especialmente na população pediátrica.

Introduction

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

Quando o cérebro está em estado de repouso, demonstra uma alta sincronização da atividade espontânea em regiões funcionalmente relacionadas, que podem ser localizadas próximas à proximidade ou à distância. Estas regiões em sincronia são conhecidas como redes funcionais1,,22,3,,4,,5,,66,77,8,,9. Este fenômeno foi descoberto pela primeira vez por um estudo de ressonância magnética funcional (fMRI) utilizando sinais dependentes do nível de oxigênio no sangue sanguíneo (BOLD) que indicam níveis de oxigenação do sangue cerebral5,10, também conhecido como conectividade funcional do estado de repouso (RSFC). Anormalidades na RSFC têm sido associadas a distúrbios cerebrais como autismo11, Alzheimer12e depressão13. Assim, o RSFC é uma ferramenta valiosa para estudar pacientes com transtornos que têm dificuldade em realizar avaliações baseadas em tarefas. No entanto, muitos pacientes, como crianças autistas jovens, são candidatos pobres para avaliação pela RMF, pois requer permanecer ainda dentro de um espaço confinado por longos períodos de tempo14,15. A imagem óptica é rápida e vestível; assim, é adequado para a maioria dos pacientes, particularmente a população pediátrica16,17,18,19,20,21,22,23,24. Utilizando-se dessas vantagens, a espectroscopia funcional de infravermelho (fNIRS), que pode quantificar a concentração de hemoglobina e os parâmetros de saturação de oxigênio no cérebro, é usada para medir o RSFC em humanos (incluindo a população pediátrica4,8,25 e pacientes com autismo11).

A espectroscopia de correlação difusa óptica (DCS), uma técnica óptica relativamente nova, pode quantificar o fluxo sanguíneo cerebral, que é um parâmetro importante que associa o fornecimento de oxigênio ao metabolismo6,,17,26,27,28,29. O contraste óptico de fluxo quantificado pelo DCS mostrou-se ter maior sensibilidade no cérebro em comparação com o contraste de oxigenação30. Assim, utilizar parâmetros da CBF derivados do DCS para avaliar o RSFC é vantajoso.

DcS é sensível a mover células sanguíneas. Ao difundir fótons espalhados por células sanguíneas em movimento, isso faz com que a intensidade da luz detectada flutue ao longo do tempo. O DCS mede uma função de autocorrelação de intensidade baseada no tempo e sua taxa de decaimento depende dos parâmetros ópticos e do fluxo sanguíneo. Esses valores são, em última análise, utilizados para obter o índice de fluxo sanguíneo cerebral (CBFi). Com células sanguíneas em movimento mais rápido, a função de autocorrelação de intensidade decai mais rápido. Portanto, informações sobre o movimento nas profundezas da superfície do tecido podem ser derivadas (por exemplo, no cérebro) a partir de medidas de flutuações de luz difusas ao longo do tempo27,,31,,32,,33,,34,35. DcS é uma técnica complementar ao fNIRS amplamente conhecido que mede a oxigenação sanguínea17,36. Como tanto fNIRS quanto DCS são técnicas ópticas de imagem cerebral com alta resolução temporal na faixa de milissegundos, as configurações ópticas de imagem são muito menos sensíveis a artefatos de movimento do que a ressonância magnética. Eles também têm sido usados com sucesso para imagens cerebrais funcionais em populações pediátricas, incluindo bebês muito jovens16. Anteriormente, medidas superficiais de fluxo sanguíneo foram utilizadas para avaliar o RSFC em estudos pré-clínicos em camundongos37. Aqui, os parâmetros de fluxo sanguíneo são usados para quantificar o RSFC em nove adultos saudáveis como um estudo de prova de conceito38,39.

Neste estudo, é utilizado um sistema Comercial FD-fNIRS e um sistema DCS personalizado(ver Tabela de Materiais). O DCS que foi construído internamente é composto por dois lasers de ondas contínuas de 785 nm, 100 mW, de longo comprimento de coerência que são acoplados a um conector FC e oito máquinas de contagem de fótons únicos (SPCM) conectadas a um auto-correlator. Uma interface gráfica de usuário (GUI) de software personalizado também foi feita especificamente para que este sistema exiba e salve as contagens de fótons, curvas de autocorrelação e fluxo sanguíneo semi-quantitativo de cada canal SPCM em tempo real. As peças deste sistema são comumente utilizadas para DCS16,17,31,32,40,42,43,44, e os resultados obtidos também foram verificados internamente e utilizados em um estudo recente39.

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

O protocolo foi aprovado pelo Conselho de Revisão Institucional da Wright State University, e o consentimento informado foi obtido de cada participante antes do experimento.

1. Preparação do assunto

  1. Energize o sistema FD-fNIRS e DCS para aquecer por pelo menos 10 min (ver as seções 2 e 3 para obter mais detalhes) antes de iniciar quaisquer medições do assunto. Um exemplo de medição do assunto com o instrumento compacto DCS é mostrado na Figura 1.
  2. Primeiro, use uma medida de fita para medir a distância entre o nasion e a inion na cabeça de cada sujeito(Figura 2A).
  3. Com o nasion como ponto de partida, marque o local que é 10% da distância até a inion com um marcador de tinta. Isso denota o ponto entre Fp1 e Fp2 da montagem EEG 10/20(Figura 2A).
  4. Utilizando uma tampa EEG 10/20 (ver Tabela de Materiais),ajuste a tampa para que o ponto marcado esteja entre Fp1 e Fp2.
  5. Marque o ponto entre Fp1 e F7 (córtex esquerdo) e o ponto entre Fp2 e F8 (córtex direito). Isso representa as fronteiras entre o córtex pré-frontal superior e o córtex pré-frontal dorsolateral (DLFC) e entre o Córtex Pré-Frontal DLFC e o córtex pré-frontal inferior (IFC), respectivamente, para os hemisférios esquerdo e direito(Figura 2A).
  6. Usando uma sonda impressa em 3D, coloque as fibras de vários modos (MMF) nos pontos recém-marcados (pontos "S" na Figura 2C) e conecte cada uma à fonte de luz laser de 785 nm(Figura 2B,C).
  7. Coloque as fibras de modo único (SMFs) a 2,75 cm de distância do MMF. Duas fibras devem ser colocadas no DLFC (locais "DLFC,1" e "DLFC,2") e uma no IFC (local "IFC"). A colocação do SMF é replicada em cada lado do córtex para um total de seis SMFs(Figura 2c).
  8. Coloque outro SMF 1 cm abaixo do MMF no local "Ds"em ambos os lados do córtex (para a detecção do fluxo sanguíneo no couro cabeludo) e conecte cada um dos SMFs a máquinas individuais de contagem de fótons individuais(Figura 2C).

p class="jove_title">2. Configurações e calibração do FD-fNIRS

  1. Desligue as luzes e ligue o sistema FD-fNIRS para se preparar para a calibração.
    ATENÇÃO: Como precaução geral, não olhe diretamente para as fontes de luz e saídas de fibra, pois isso pode causar danos oculares. Use um cartão de sensor IR(Tabela de Materiais).
  2. Evite a exposição desnecessária dos detectores aos níveis de luz da sala para manter o funcionamento livre de ruídos e evitar danos aos detectores.
  3. Aqueça as fontes de luz e os detectores, alimentando o sistema e deixando-o funcionar por pelo menos 10 min (de preferência, mínimo de 20 min e máximo de 1 h para a precisão e estabilidade ideal) com a luz acesa, modulação ligada e tensão do detector ligada.
  4. Execute o software de aquisição de dados baseado em GUI. Ajuste o ganho do detector para obter um sinal ideal com o sensor conectado e preso a um fantasma de calibração (fantasma polidimetilsiloxano de propriedades ópticas conhecidas, consulte Tabela de Materiais)pressionando o botão "viés automático". Se o aviso de sobretensão piscar, diminua o ganho.
  5. Após ajustar o ganho do detector para obter o sinal máximo, desconecte uma das fibras de origem do detector e verifique se a corrente direta (DC) é inferior a 20 contagens por período de medição para a fibra de origem correspondente. Se for maior que esse valor, pode haver excesso de luz da sala vazando para o detector45. Se este for o caso, o sistema deve ser desligado, então qualquer excesso de luz na sala deve ser bloqueado/removido e as etapas 2.4-2.5 repetidas.
  6. Verifique o nível de sinal adequado de todas as fontes e detectores. O sistema define isso como acima de 100 e abaixo de 1.500 contagens por ciclo de medição.
  7. Realize a calibração pressionando o botão "Calibrar" na GUI. O sistema fará medições e aplicará fatores de calibração para medir corretamente as propriedades ópticas do fantasma conhecido. Esses fatores de calibração são salvos e aplicados automaticamente nas medições in vivo.
  8. Registre os dados de calibração, que fornecerão um registro do desempenho do sistema em um fantasma padrão.

3. Configurações dcs

ATENÇÃO: Como precaução geral, não olhe diretamente para as fontes de luz e as saídas de fibra para evitar danos oculares potenciais. Use o cartão do sensor IR (ver Tabela de Materiais).

  1. Evite a exposição desnecessária dos detectores (ou seja, luz ambiente) para obter dados brutos precisos para as curvas de autocorrelação e evitar danos aos detectores.
  2. Aqueça as fontes de luz laser DCS e o SPCM (ver Tabela de Materiais)alternando-os para a posição "on" e permitindo que eles atuem por pelo menos 10 min (de preferência, 20 min mínimo e máximo de 1 h para a precisão e estabilidade ideal).
  3. Execute o software de aquisição de dados DCS baseado em GUI, que exibe a contagem de fótons para cada detector e valores de fluxo sanguíneo semi-quantitativo em tempo real. Ajuste a posição da fibra, o ângulo (a face da fibra deve ser perpendicular à superfície da pele) e o tempo de aquisição de dados para obter um sinal de pelo menos 5.000 contagens/s (para uma relação de sinal adequado para ruído) e abaixo de 1.000.000 contagens/s (para evitar detectores prejudiciais)(Figura 3A).
  4. Verifique os níveis suficientes de contagem de fótons (a partir do passo 3.3) de cada detector verificando o nível de contagem de fótons e curvas de autocorrelação em tempo real mostradas no monitor.
  5. Verifique o contato de fibra suficiente sem qualquer vazamento de luz ambiente verificando a interceptação y da curva de autocorrelação exibida no monitor. O valor ideal é ~1.5 sem o uso de polarizadores(Figura 3B).
  6. Verifique se a sonda e as medidas não são propensas a artefatos de movimento apertando a faixa elástica de modo que esteja apertada o suficiente para resistir ao movimento, mas solta o suficiente para evitar qualquer desconforto ao sujeito. O usuário também deve verificar as curvas de autocorrelação no monitor simultaneamente, de modo que a curva de autocorrelação decai para 1 por tempo de correlação mais longo (τ > 10 ms) (Figura 3C).

4. Coleta de dados

  1. Instrua o sujeito para minimizar quaisquer movimentos durante a medição de 8 min.
  2. Apagar as luzes e certifique-se de que o sujeito está sentado em uma posição confortável com os olhos fechados.
  3. Execute uma linha de base de medidas FD-fNIRS usando colocando a sonda óptica do sistema FD-fNIRS na testa adjacente à sonda DCS. Em seguida, pressione o botão "Adquirir" na GUI de aquisição FD-fNIRS. Esses dados fornecerão propriedades ópticas estáticas, parâmetros de absorção e parâmetros de dispersão (μa, μ's) que serão utilizados para quantificação do parâmetro óptico dinâmico, CBFi17,20.
  4. Após a conclusão das medições FD-fNIRS, inicie a aquisição de dados nas medições ópticas de DCS pressionando o botão "Executar" na GUI de aquisição de dados DCS. Coletar dados para um total de 8 min com um tempo máximo de integração de 2 s (menos é preferível, dependendo da relação sinal-ruído para cada assunto).
  5. Se necessário, repita o experimento dentro de 1h do experimento inicial ou repita o experimento durante uma hora semelhante do dia para reduzir variações externas como fadiga, estimulantes ou temperatura.

5. Análise de dados

  1. Para os dados fd-fNIRS, extraia as propriedades ópticas de absorção e dispersãoa, μ's)que são processadas pelo método de inclinação46,,47,,48,,49,,50,,51,,52,53.
  2. Para o DCS, uma vez que o pós-processamento é necessário, importe os dados brutos de correlação automática de cada um dos oito canais para o software de análise de dados.
  3. A quantificação dos parâmetros relacionados à CBF é detalhada em revisões recentes6,,27,54. Resumidamente, a partir da função de autocorrelação de intensidade normalizada (g2 [r,τ]), extrair a função de autocorrelação temporal do campo elétrico difuso normalizado (g1 [r,τ]) utilizando a relação Siegert: g2 (r,τ) = 1 + β | g 1 (r,τ)| 2.
    NOTA: β é uma constante, proporcional ao número de modos espaciais detectados6,17,27,55,56, varia de 0 a 1, e obtido por ajuste da função de autocorrelação de campo elétrico (normalizada) g1.
  4. Para obter um parâmetro relacionado ao fluxo sanguíneo (αDB) do ajuste, utilize a solução analítica para g16,27,54 e encaixe os dados na taxa de decaida do modelo ou do fluxo:
    EQUAÇÃO UM
    NOTA: Na equação acima, ko é o número de ondas de luz no meio, α é um fator proporcional à fração do volume sanguíneo do tecido, e DB é o coeficiente browniano eficaz. αDB pode ser definido como o índice de fluxo sanguíneo (ICB)6,54 ou CBFi17. Aqui, cbfi é usado.
  5. Ajuste o modelo utilizando os parâmetros ópticos obtidos a partir de FD-fNIRS. Os principais parâmetros a serem adequados são CBFi e β.
    NOTA: A Figura 3A apresenta dados representativos suficientes para análise. Os dados do DCS são descartados se (1) a função de autocorrelação for significativamente menor que 1,5 (β < 0.5) (ou seja, no caso da Figura 3B, onde a função é ~1.2, β < 0.2, devido ao vazamento de luz do quarto) ou se (2) a curva de autocorrelação não se deteriorar para 1 por tempo de correlação mais longo (τ > 10 ms) (ou seja, no caso da Figura 3C, onde o artefato de movimento, tal movimento de cabeça ou sonda, leva a dados inutilizáveis).
  6. Detendência aos resultados quantificados usando um ajuste polinômio de segunda ordem para remover a deriva lenta(Figura 4A).
  7. Use um filtro Butterworth de segunda ordem de fase zero com uma faixa de 0,009-0,080 Hz para remover quaisquer freqüências cerebrais indesejadas, como ondas mayer(Figura 4A).
  8. Use a regressão linear para obter os resíduos de cada canal em relação à medição de curta distância para remover os sinais superficiais do couro cabeludo em cada lado do córtex(Figura 4B).
  9. Calcular o coeficiente de correlação de Pearson entre cada par de canais para identificar a conectividade funcional do estado de repouso entre as regiões cerebrais (Figura 5).
  10. Transforme o valor de correlação em um valor z usando uma transformação de Fisher Z e realize um teste tpara obter o valor p (Figura 5). Use a taxa de descoberta falsa (FDR) para correção de múltiplas comparações.

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

A viabilidade do uso do DCS para medir a conectividade funcional foi desmostrada com sucesso39. Foi medida a conectividade funcional do estado de repouso nos cortices pré-frontais de nove sujeitos. Os resultados (média ± DP) indicaram maior correlação na região intra-regional da esquerda (0,64 ± 0,25) e direita (0,62 ± 0,23), em comparação com a região inter-regional da esquerda (0,32 ± 0,32), (0,34 ± 0,27) e direita (0,34 ± 0,29), (0,34 ± 0,26) cortices. (Figura 5). Também foi realizada análise de potência com potência de 0,8 e nível de significância de 0,05, o que resultou em um poder de 0,82 com tamanho amostral de oito (abaixo do número de sujeitos analisados neste estudo).

Para testar se houve diferença significativa entre o RSFC inter-regional e o RSFC intra-regional, o valor de correlação foi transformado em um valor z utilizando-se uma transformação de Fisher Z, em seguida, um teste t foi realizado para comparar o RSFC inter e intra-regional de ambos os cortices. Isso resultou em valores p de ≤0,0002, significando uma diferença significativa que foi demonstrada nos estudos fNIRS anteriores8,25 (Figura 5). Para determinar se houve diferença entre as regiões simétricas do cérebro (cortices esquerda e direita), foi realizado um teste t. Isso resultou em valores p de >0,8, significando que não houve diferença significativa entre regiões cerebrais semelhantes em ambos os lados do córtex.

Figure 1
Figura 1: Configuração experimental. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Esquema da sonda e colocação. (A) Colocação das sondas como mostrado no mapa do sistema EEG 80-20. (B) Um exemplo da sonda impressa em 3D com fibras ópticas usadas pelo sujeito. (C) O modelo CAD da localização dos detectores (D) e fontes (S) no córtex frontal dorsolateral (DLFC) e córtex frontal inferior (IFC). Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: Amostra representativa de dados utilizando detectores na mesma região na mesma separação do detector de origem. Mostra-se uma curva de autocorrelação (g2) em relação ao tempo de atraso (τ). (A) Dados quando a sonda tem contato suficiente, mostrando altas contagens e um bom ajuste ao modelo analítico. (B) Dados (exagerados) com a luz ambiente vazando para a sonda, como observado por uma interceptação y inferior (beta). Isso geralmente se deve a uma combinação de falta de contato e forte luz de fundo, exigindo ajustes a serem feitos. (C) Dados (exagerados) com um artefato de movimento enquanto a curva g2 está sendo mediada. Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: Análise dos dados representativos obtidos de um sujeito. (A) Um gráfico do espectro de energia após cada uma das etapas de processamento. (B) Um exemplo que mostra a série temporal do sinal de fluxo sanguíneo normalizado em um dos canais antes e depois da regressão do canal de curta distância (sinal do couro cabeludo). Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: Conectividade funcional do estado de repouso em cortices pré-frontais de todos os sujeitos. Média do grupo para a região inter-regional (DLFC1-IFC e DLFC2-IFC) do córtex esquerdo (0,32 ± 0,32), (0,34 ± 0,27) e córtex direito (0,34 ± 0,29), (0,34 ± 0,26). Média do grupo para a região intra-regional do córtex esquerdo (0,64 ± 0,25) e córtex direito (0,62 ± 0,23). A barra de erro indica SD em todos os assuntos. O teste t mostra que a diferença entre o RSFC intra e inter-regional de ambos os cortices é significativa com p ≤ 0,0002, enquanto não houve diferença significativa entre o córtex esquerdo e direito (t-test = p > 0,8). A taxa de descoberta falsa (FDR) foi utilizada para correção de múltiplas comparações. Clique aqui para ver uma versão maior desta 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

Para determinar se a CBF medida pelo DcS detectou com precisão o RSFC, duas áreas do cérebro com propriedades RSFC conhecidas foram examinadas. Acredita-se que a conectividade funcional entre as regiões DLFC e entre DLFC e IFC exista57,,58,,59. A conectividade entre dois locais dentro do DLFC esquerdo e direito foi escolhida, porque a conectividade intra-regional é geralmente maior. Além disso, a conectividade entre o IFC e o DLFC foi escolhida, pois a conectividade inter-regional é conhecida por ser mais fraca.

A técnica dcs mostrou alta conectividade dentro das áreas de DLFC, mas menor conectividade entre as áreas IFC e DLFC, o que é consistente com estudos semelhantes realizados com outros métodos como fMRI. Esses resultados demonstram o potencial da DcS como um meio não invasivo para avaliar o RSFC em humanos. Quando combinado com outras modalidades de imagem, como o FNIRS, a caracterização precisa de doenças neuronais como o autismo torna-se viável. Embora as medições simultâneas de fNIRS e DCS permaneçam um desafio, várias abordagens para este problema têm sido exploradas19,20,21,23,27,,28,60,61,62,63,64,65. Em um estudo piloto, as sondas isoladas e mais leves do DCS foram escolhidas para melhor contato. No futuro, o design da sonda pode ser melhorado, as fibras fNIRS podem ser inseridas ao lado das fibras DCS, e as fontes de luz podem ser sequencialmente iluminadas como demonstrado anteriormente. Em resumo, o DCS servirá como um complemento a outras técnicas e se tornará uma ferramenta útil para avaliação não invasiva da função cerebral em pacientes jovens e deficientes.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não declaram interesses financeiros concorrentes.

Acknowledgments

Os autores gostariam de reconhecer o apoio financeiro da Terceira Fronteira de Ohio à Rede de Pesquisa e Inovação em Imagem de Ohio (OIRAIN, 667750), e à Fundação Nacional de Ciências Naturais da China (nº 81771876).

Materials

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

DOWNLOAD MATERIALS LIST

References

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