Login processing...

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

Bioengineering

Церебральный поток крови на основе отдыха государства функциональная связь человеческого мозга с помощью оптической диффузной корреляции спектроскопии

doi: 10.3791/60765 Published: May 27, 2020

Summary

Этот протокол демонстрирует, как измерить функциональное соединение состояния покоя в префронтальной коре человека с помощью специально госдиффузного инструмента спектроскопии корреляции. В докладе также обсуждаются практические аспекты эксперимента, а также подробные шаги по анализу данных.

Abstract

Для получения всестороннего понимания человеческого мозга, использование мозгового кровотока (CBF) в качестве источника контрастности желательно, потому что это ключевой гемодинамический параметр, связанный с церебральным кислородом. Показано, что низкочастотные колебания состояния покоя, основанные на контрасте оксигенации, обеспечивают корреляцию между функционально связанными регионами. Представленный протокол использует оптическую диффузную корреляционную спектроскопию (DCS) для оценки функциональной связи состояния покоя на основе крови (RSFC) в человеческом мозге. Результаты РСФК на основе CBF в лобной коре человека показывают, что внутрирегиональный RSFC значительно выше в левой и правой кортиксах по сравнению с межрегиональным RSFC в обоих кортиках. Этот протокол должен представлять интерес для исследователей, которые используют мультимодальные методы визуализации для изучения функции человеческого мозга, особенно в педиатрической популяции.

Introduction

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

Когда мозг находится в состоянии покоя, он демонстрирует высокую синхронизацию спонтанной активности в функционально связанных регионах, которые могут быть расположены близко в непосредственной близости или на расстоянии. Эти зоны синхронизации известны как функциональные сети1,,2,,3,,4,,5,,6,,7,,8,9. Это явление было впервые обнаружено функциональной магнитно-резонансной томографии (ФМРТ) исследование с использованием кислорода в крови зависит (BOLD) сигналы, которые указывают на уровень оксигенации мозговой крови5,10, также известный как состояние отдыха функциональной связи (RSFC). Аномалии в RSFC были связаны с расстройствами мозга, такими как аутизм11, болезнь Альцгеймера12, и депрессия13. Таким образом, RSFC является ценным инструментом для изучения пациентов с расстройствами, которые имеют проблемы с выполнением задач на основе оценок. Тем не менее, многие пациенты, такие как молодые дети-аутисты, являются плохими кандидатами для оценки МРТ, так как это требует оставаться еще внутри ограниченного пространства в течение длительных периодов времени14,15. Оптическая визуализация быстра и носима; таким образом, он подходит для большинства пациентов, особенно педиатрического населения16,,17,,18,,19,,20,,21,,22,,23,24. Используя эти преимущества, функциональная ближнеинфракрасная спектроскопия (fNIRS), которая может количественно йемоглобина концентрации и параметров насыщения кислородом в головном мозге, используется для измерения RSFC у людей (в том числе педиатрической населения4,8,25 и пациентов с аутизмом11).

Оптическая диффузная корреляционная спектроскопия (DCS), относительно новая оптическая техника, может количественно цоструктивить мозговой кровоток, который является важным параметром, который связывает подачу кислорода с метаболизмом6,17,,26,27,29.29 Оптический контраст потока количественно DCS было показано, что более высокая чувствительность в головном мозге по сравнению с оксигенации контраст30. Таким образом, использование cbF-параметров, полученных по цРбФ, является выгодным.

DCS чувствителен к движущимся кровяным клеткам. При распространении фотонов рассеиваются от движущихся кровяных клеток, это приводит к тому, что интенсивность обнаруженного света колеблется с течением времени. DCS измеряет функцию автокорреляции на основе времени, и скорость ее распада зависит от оптических параметров и кровотока. Эти значения в конечном счете используются для получения индекса мозгового кровотока (CBFi). С более быстрыми движущимися клетками крови функция аутокорреляции интенсивности распадается быстрее. Таким образом, информация о движении глубоко под поверхностью ткани может быть получена (например, в головном мозге) из измерений диффузионных колебаний света с течением времени27,,31,,32,,33,,34,35. DCS является методом, дополняет широко известный fNIRS, который измеряет оксигенацию крови17,36. Поскольку fNIRS и DCS являются оптическими методами визуализации мозга с высоким временным разрешением в диапазоне миллисекунд, оптические настройки изображений гораздо менее чувствительны к артефактам движения, чем МРТ. Они также успешно используются для функциональной визуализации мозга в педиатрических популяциях, в том числе очень маленьких младенцев16. Ранее, поверхностные измерения кровотока были использованы для оценки RSFC в доклинических исследованиях у мышей37. Здесь параметры кровотока используются для количественной оценки RSFC у девяти здоровых взрослых в качестве доказательства концепции исследования38,39.

В этом исследовании используется коммерческая система FD-fNIRS и пользовательская система DCS(см. Таблица материалов). DCS, который был построен в доме состоит из двух 785 нм, 100 мВт, длинная когеренция длина непрерывной волны лазеров, которые соединены с разъемом FC и восемь однофотонных счетных машин (SPCM) подключен к автокоррелатор. Специально для этой системы был разработан графический пользовательский интерфейс (GUI) специально для отображения и сохранения фотонных отсчетов, кривых автокорреляции и полуколичественного кровотока каждого канала SPCM в режиме реального времени. Части в этой системе обычно используются для DCS16,17,,31,32,40,42,43,44, и полученные результаты также были проверены в доме и используется в недавнем исследовании39.

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

Протокол был одобрен Советом по институциональному обзору при Университете штата Райт, и до начала эксперимента от каждого участника было получено информированное согласие.

1. Подготовка предмета

  1. Включите систему FD-fNIRS и DCS, чтобы прогреться в течение по крайней мере 10 минут (см. разделы 2 и 3 для более подробной информации) перед началом любых измерений предмета. Пример измерения предмета с помощью компактного прибора DCS показан на рисунке 1.
  2. Во-первых, используйте рулетку для измерения расстояния между nasion к иниону на голове каждого субъекта(рисунок 2A).
  3. С nasion в качестве отправной точки, отметьте место, которое составляет 10% от расстояния до иньона с маркером чернил. Это означает точку между Fp1 и Fp2 ЭЭГ 10/20 монтаж(рисунок 2A).
  4. Используя эЭГ 10/20 крышка (см. Таблица материалов),настроить крышку так, чтобы отмеченная точка находится между Fp1 и Fp2.
  5. Отметьте точку между Fp1 и F7 (левая кора) и точку между Fp2 и F8 (правая кора). Это представляет границы между верхней префронтальной коры и дорсолатеральной префронтальной коры (DLFC) и между DLFC и нижней префронтальной коры (IFC), соответственно, для левого и правого полушарий (Рисунок 2A).
  6. Используя 3D-печатный зонд, поместите многорежимные волокна (MMF) на недавно отмеченные точки (точки "S" на рисунке 2C)и подключите каждый из них к источнику лазерного света 785 нм(рисунок 2B, C).
  7. Поместите однорежимные волокна (SMF) на 2,75 см от MMF. Два волокна должны быть размещены на DLFC (локации "DLFC,1" и "DLFC,2") и один на МФЦ (месторасположение "МФК"). Размещение SMF реплицируется на каждой стороне коры коры в общей сложности шесть SMFs(рисунок 2c).
  8. Поместите еще один SMF 1 см ниже MMF в месте "Ds"в обеих сторонах коры головного мозга (для обнаружения кровотока в коже головы) и подключить каждый из SMFs к отдельным однофотон счетных машин(рисунок 2C).

р-класс"jove_title"gt;2. Настройки и калибровка FD-fNIRS

  1. Выключите все огни и включите систему FD-fNIRS для подготовки к калибровке.
    ВНИМАНИЕ: В качестве общей меры предосторожности, не смотрите непосредственно на источники света и волокна выходы, так как это может привести к повреждению глаз. Используйте ИК-сенсорную карту(Таблица материалов).
  2. Избегайте ненужного воздействия детекторов на уровень освещения в помещении для поддержания бесшумной работы и предотвращения повреждения детекторов.
  3. Разогрейте источники света и детекторы, включив систему и позволив ей работать не менее 10 мин (желательно, 20 мин минимум и 1 ч максимум для оптимальной точности и стабильности) с помощью света, модуляции и напряжения детектора.
  4. Запустите программное обеспечение для получения данных на основе ГРАФИЧЕСКОго интерфейса. Отрегулируйте увеличение детектора для достижения оптимального сигнала с помощью датчика, прикрепленного и закрепленного на калибровочном фантоме (полиметилсилоксанов на основе фантома известных оптических свойств, см. Таблица Материалов) при нажатии кнопки «автопредвзятость». Если перенапряжение предупреждает мигает, снижайте прибыль.
  5. После корректировки прибавки детектора для получения максимального сигнала отключите одно из исходных волокон от детектора и убедитесь, что прямой ток (DC) составляет менее 20 пунктов за период измерения соответствующего исходного волокна. Если это больше, чем это значение, может быть чрезмерное пространство комнаты утечки в детектор45. Если это так, система должна быть включена, то любой избыток света в комнате должен быть заблокирован / удален ы и шаги 2,4-2,5 повторяется.
  6. Проверьте правильный уровень сигнала от каждого источника и детектора. Система определяет это как выше 100 и ниже 1500 отсчетов за цикл измерения.
  7. Выполните калибровку, нажав кнопку "Калибр" в графическом интерфейсе. Система будет принимать измерения и применять калибровочные факторы для правильного измерения оптических свойств известного фантома. Эти факторы калибровки сохраняются и применяются автоматически к измерениям in vivo.
  8. Зарегистрируй данные калибровки, которые обеспечат запись производительности системы на стандартном фантоме.

3. Настройки DCS

ВНИМАНИЕ: В качестве общей меры предосторожности, не смотрите на источники света и волокна выходы непосредственно, чтобы избежать потенциального повреждения глаз. Используйте использовав карту Датчика ИК (см. Таблицу материалов).

  1. Избегайте ненужного воздействия детекторов (т.е. освещения комнаты) для получения точных исходных данных для кривых автокорреляции и предотвращения повреждения детекторов.
  2. Разогрейте лазерные источники света DCS и SPCM (см. Таблицу Материалов), переключив их на положение "на" и позволив им работать не менее 10 мин (желательно, 20 мин минимум и 1 ч максимум для оптимальной точности и стабильности).
  3. Запустите программное обеспечение для сбора данных на основе ГРАФИЧЕСКОго интерфейса DCS, которое отображает количество фотонов для каждого детектора и полуколичественные значения кровотока в реальном времени. Отрегулируйте положение волокна, угол (лицо волокна должно быть перпендикулярно к поверхности кожи), и время приобретения данных для того чтобы получить сигнал по крайней мере 5.000 отсчетов/s (для адекватного соотношения сигнала к шуму) и под 1.000,000 отсчетами/s (для избежания повреждать детекторов) (Рисунок 3A).
  4. Проверьте достаточные уровни количества фотонов (от шага 3.3) от каждого детектора, проверяя уровень количества фотонов и вблизи кривых автокорреляции в реальном времени, показанных на мониторе.
  5. Проверьте достаточный контакт волокна без каких-либо утечки окружающего света, проверяя y-перехват кривой автокорреляции отображается на мониторе. Оптимальное значение составляет 1,5 евро без использования поляризаторов(рисунок 3B).
  6. Убедитесь, что зонд и измерения не склонны к движению артефактов, затягивая резинку так, что она достаточно плотна, чтобы противостоять движению, но достаточно свободно, чтобы предотвратить любой дискомфорт к предмету. Пользователь должен также проверить автокорреляционные кривые на мониторе одновременно таким образом, что кривая автокорреляции распадается до 1 для более длительного времени корреляции (я/ 10 мс)(рисунок 3C).

4. Сбор данных

  1. Поручить субъекту свести к минимуму любые движения во время измерения 8 мин.
  2. Выключите свет и убедитесь, что объект находится в удобном положении с закрытыми глазами.
  3. Выполняйте базовые измерения FD-fNIRS с использованием, размещая оптический зонд системы FD-fNIRS на лбу, прилегающем к зонду DCS. Затем нажмите кнопку "Приобрести" в ГРАФИЧЕСКОм интерфейсе приобретения FD-fNIRS. Эти данные обеспечат статические оптические свойства, параметры поглощения и параметры рассеяния(з,a кс),sкоторые будут использоваться для количественной оценки динамического оптического параметра, CBFi17,20.
  4. После завершения измерений FD-fNIRS приступайте к сбору данных по оптическим измерениям DCS, нажав кнопку "Бег" в ГУИ для получения данных DCS. Собирайте данные в общей сложности за 8 минут с максимальным 2 с интеграционным временем (менее предпочтительным, в зависимости от соотношения сигнала к шуму для каждого предмета).
  5. При необходимости повторите эксперимент в течение 1 ч от первоначального эксперимента или повторите эксперимент в течение аналогичного времени суток, чтобы уменьшить внешние изменения, такие как усталость, стимуляторы или температура.

5. Анализ данных

  1. Для данных FD-fNIRS извлеките оптические свойства поглощения и рассеяния(a, q's),sкоторые обрабатываются методом наклона46,,47,,48,,49,,50,51,52,53.a
  2. Для DCS, поскольку необходима постобработка, импортируйте исходные данные автокорреляции из каждого из восьми каналов в программное обеспечение для анализа данных.
  3. Количественная количественная оценка параметров, связанных сCBF,подробно описана в последних обзорах6,27,,54. Кратко, из нормализованной функции автокорреляции интенсивности (g2 r, ) извлекайте нормализованную диффузную функцию электрического поля височной автокорреляции (g1 qr, ) используя отношение Siegert: g2 (r, ) г 1 (r, ) 2.
    ПРИМЕЧАНИЕ: q является постоянным, пропорциональным количеству пространственных режимов обнаружено6,17,27,55,56, колеблется от 0 до 1, и полученные путем установки (нормализации) функции электрополя автокорреляции g1.
  4. Для получения параметра, связанного с кровотоком (ЗдВ)из пригонки, используйте аналитическое решение для g16,,27,,54 и приспособите данные к модели или скорости распада:
    УРАВНЕНИЕ ОДНО
    ПРИМЕЧАНИЕ: В вышеупомянутом уравнении, ko является волновой числосвета в среде, q является фактором, пропорциональным фракции объема крови ткани, и DB является эффективным броуновским коэффициентом. Индекс кровотока (BFI) 6, 54 или CBFi 17можно определить как индекс кровотока (BFI)6,,54 или CBFi17. Здесь используется CBFi.
  5. Приготовь модель с использованием оптических параметров, полученных от FD-fNIRS. Основными параметрами, подходящими для этого, являются CBFi и q.
    ПРИМЕЧАНИЕ: На рисунке 3A показаны репрезентативные данные, достаточные для анализа. Данные DCS отбрасываются, если (1) функция автокорреляции значительно ниже, чем 1,5 (квт; 0.5) (т.е. в случае Рисунок 3B, где функция составляет 1,2, йlt; 0,2, из-за утечки света в комнате) или если (2) кривая автокорреляции не распадается до 1 в течение более длительного времени корреляции (яп. 10 мс) (т.е., в случае рисунок 3C, где движение артефакт, такие головы или зонда данные, приводит к невырастным).
  6. Detrend количественные результаты с помощью второго порядка полиномиальной подходят для удаления медленного дрейфа(рисунок 4A).
  7. Используйте фильтр второго порядка нулевой фазы Butterworth с проходным диапазоном 0,009-0.080 Гц, чтобы удалить любые нежелательные частоты мозга, такие как волны Майера(рисунок 4A).
  8. Используйте линейную регрессию для получения остатков из каждого канала против измерения короткого расстояния, чтобы удалить поверхностные сигналы кожи головы на каждой стороне коры(рисунок 4B).
  9. Рассчитайте коэффициент корреляции Пирсона между каждой парой каналов, чтобы определить функциональное соединение состояния покоя между областями мозга(рисунок 5).
  10. Преобразуйте значение корреляции в z-значение с помощью преобразования Fisher и выполните t-тестдля получения p-значения(рисунок 5). Используйте ложный коэффициент обнаружения (FDR) для коррекции нескольких сравнений.

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

Осуществимость использования DCS для измерения функциональной связи была успешно demostrated39. Измерено состояние отдыха в префронтальных кортиках девяти испытуемых. Результаты (средние и SD) показали более высокую корреляцию во внутрирегиональном регионе левого (0,64 и 0,25) и правых (0,62 и 0,23) кортиков, по сравнению с межрегиональным регионом левых (0,32 и 0,32), (0,34 и 0,27) и справа (0,34 и 0,29), (0,34 и 0,26) кортики. (Рисунок 5). Был также проведен анализ мощности с мощностью 0,8 и уровнем значимости 0,05, в результате чего мощность составила 0,82 с размером выборки восемь (ниже количества испытуемых, проанализированных в данном исследовании).

Чтобы проверить, существует ли существенная разница между межрегиональным RSFC и внутрирегиональным RSFC, корреляционное значение было преобразовано в z-значение с помощью преобразования Fisher s, затем был проведен t-тест для сравнения межрегиональных RSFC обоих кортиков. Это привело к p-значениям 0.0002, что означает существенную разницу, которая была продемонстрирована в предыдущих исследованиях fNIRS8,25 (Рисунок 5). Чтобы определить, существует ли разница между симметричными областями мозга (левая и правая кортики), был проведен t-тест. Это привело к p-значениям 0,8, что означает, что не было существенной разницы между аналогичными областями мозга по обе стороны от коры.

Figure 1
Рисунок 1: Экспериментальная настройка. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2: Схема зонда и размещение. (A) Размещение зондов, как показано на карте системы ЭЭГ 80-20. (B) Пример 3D-печатного зонда с оптическими волокнами, которые носит субъект. (C) Модель CAD расположения детекторов (D) и источников (S) в дорсолатеральной лобной коре (DLFC) и нижней лобной коре (IFC). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3: Репрезентативная выборка данных с помощью детекторов в одном и том же регионе при одном и том же разделении source-detector. Показана кривая автокорреляции (g2) по отношению к времени задержки (яп. (A)Данные, когда зонд имеет достаточный контакт, показывая высокие показатели и хорошо подходят для аналитической модели. (B) Данные (преувеличенные) с окружающим светом, просачивающимся в зонд, как это наблюдается ниже y-перехвата (бета). Это, как правило, из-за сочетания плохого контакта и сильного фонового света, требующих корректировки должны быть сделаны. (C) Данные (преувеличенные) с артефактом движения в то время как кривая g2 усредняется. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 4
Рисунок 4: Анализ репрезентативных данных, полученных по одному предмету. (A) Участок спектра мощности после каждого из этапов обработки. (B) Пример, показывающий временные ряды нормализованного сигнала кровотока на одном из каналов до и после регрессии канала короткого расстояния (сигнал скальп). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 5
Рисунок 5: Состояние отдыха функциональное подключение в префронтальных кортиков всех субъектов. Среднее значение по межрегиональному региону (DLFC1-IFC и DLFC2-IFC) левой коры (0,32 х 0,32), (0,34 и 0,27) и правой коры (0,34 и 0,29), (0,34 и 0,26). Средняя группа по внутрирегиональному региону левой коры (0,64 и 0,25) и правой коре (0,62 и 0,23). Панель ошибок указывает SD по всем предметам. T-тест показывает разницу между внутри- и межрегиональным RSFC обеих кортиков является значительным с р 0,0002, в то время как не было существенной разницы между левой и правой коры (t-тест и р.г. Частота ложного обнаружения (FDR) использовалась для коррекции нескольких сравнений. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

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

Чтобы определить, были ли CBF, измеряемые DCS точно обнаружены RSFC, две области мозга с известными свойствами RSFC были рассмотрены. Функциональная связь между регионами DLFC и между DLFC и IFC предполагается существовать57,58,59. Была выбрана связь между двумя участками в левом и правом DLFC, поскольку внутрирегиональная связь обычно выше. Кроме того, была выбрана связь между МФК и ДлФК, поскольку межрегиональная связь, как известно, слабее.

Техника DCS показала высокую связь в областях DLFC, но более низкую связь между областями МФК и DLFC, что согласуется с аналогичными исследованиями, проведенными с другими методами, такими как МРТ. Эти результаты демонстрируют потенциал DCS как неинвазивного средства оценки RSFC у людей. В сочетании с другими методами визуализации, такими как fNIRS, точная характеристика нейронных заболеваний, таких как аутизм становится жизнеспособным. Хотя параллельные измерения fNIRS и DCS остаются проблемой, несколько подходов к этой проблеме были изучены19,,20,,21,,23,,27,28,,60,,61,62,63,64,65. В экспериментальном исследовании, изолированные, легкие зонды DCS были выбраны для лучшего контакта. В будущем, зонд дизайн может быть улучшена, fNIRS волокна могут быть вставлены рядом с волокнами DCS, и источники света могут быть последовательно освещены, как ранее продемонстрировано. Таким образом, DCS будет служить дополнением к другим методам и станет полезным инструментом для неинвазивной оценки функции мозга у молодых и пациентов с ограниченными возможностями.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы не заявляют о каких-либо конкурирующих финансовых интересах.

Acknowledgments

Авторы хотели бы отметить финансовую поддержку со стороны третьего рубежа Огайо в Огайо Imaging исследований и инноваций сети (OIRAIN, 667750), и Национальный фонд естественных наук Китая (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).
Церебральный поток крови на основе отдыха государства функциональная связь человеческого мозга с помощью оптической диффузной корреляции спектроскопии
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