Login processing...

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

Bioengineering

Cerebral blodflöde-baserade vilotillstånd funktionell anslutning av den mänskliga hjärnan med optisk diffus korrelation spektroskopi

doi: 10.3791/60765 Published: May 27, 2020

Summary

Detta protokoll visar hur man mäter vilande tillstånd funktionell anslutning i den mänskliga prefrontala cortex med hjälp av en skräddarsydd diffus korrelation spektroskopi instrument. Rapporten diskuterar också praktiska aspekter av experimentet samt detaljerade steg för att analysera data.

Abstract

För att få en omfattande förståelse av den mänskliga hjärnan, utnyttjande av cerebralt blodflöde (CBF) som en källa till kontrast önskas eftersom det är en viktig hemodynamisk parameter relaterad till cerebral syretillförsel. Vilande tillstånd lågfrekventa fluktuationer baserat på syresättning kontrast har visat sig ge korrelationer mellan funktionellt anslutna regioner. Det presenterade protokollet använder optisk diffus korrelationsspektroskopi (DCS) för att bedöma blodflödet-baserade vilande tillstånd funktionell anslutning (RSFC) i den mänskliga hjärnan. Resultaten av CBF-baserade RSFC i mänskliga främre hjärnbarken visar att intraregionala RSFC är betydligt högre i vänster och höger cortices jämfört med interregionala RSFC i båda cortices. Detta protokoll bör vara av intresse för forskare som använder multimodala bildframställning tekniker för att studera mänskliga hjärnans funktion, särskilt i pediatrisk befolkningen.

Introduction

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

När hjärnan är i viloläge, det visar en hög synkronisering av spontan aktivitet i funktionellt relaterade regioner, som kan placeras nära i närheten eller på avstånd. Dessa områden i synk kallas funktionella nätverk1,,2,,3,,4,,5,,6,,7,,8,9. Detta fenomen upptäcktes först av en funktionell magnetisk resonanstomografi (fMRI) studie med hjälp av blod syre nivåberoende (FET) signaler som indikerar syresättning nivåer av cerebrala blod5,10, även känd som vilande tillstånd funktionell anslutning (RSFC). Avvikelser i RSFC har associerats med hjärnsjukdomar såsom autism11, Alzheimers12, och depression13. Därför är RSFC ett värdefullt verktyg för att studera patienter med sjukdomar som har svårt att utföra uppgiftsbaserade bedömningar. Men många patienter, såsom unga autistiska barn, är fattiga kandidater för bedömning av fMRI, eftersom det kräver att fortfarande inne i ett begränsat utrymme under längre tidsperioder14,15. Optisk avbildning är snabb och bärbar; således är det lämpligt för en majoritet av patienterna, särskilt den pediatriska befolkningen16,17,18,19,20,21,22,23,24. Utnyttja dessa fördelar, funktionell nära infraröd spektroskopi (fNIRS), som kan kvantifiera hemoglobinkoncentration och syremättnad parametrar i hjärnan, används för att mäta RSFC hos människor (inklusive pediatrisk population4,8,,25 och patienter med autism11).

Optisk diffus korrelationsspektroskopi (DCS), en relativt ny optisk teknik, kan kvantifiera cerebralt blodflöde, vilket är en viktig parameter som associerar syretillförsel medmetabolismen 6,17,26,27,28,29. Optisk flödeskontrast som kvantifieras av DCS har visat sig ha högre känslighet i hjärnan jämfört med syresättningskontrasten30. Således är det fördelaktigt att använda DCS-härledda CBF-parametrar för att bedöma RSFC.

DCS är känslig för rörliga blodkroppar. När sprida fotoner sprids från rörliga blodkroppar, detta orsakar intensiteten av detekterat ljus att fluktuera över tiden. DCS mäter en tidsbaserad autokorrelationsfunktion för intensitet och dess sönderfallshastighet är beroende av de optiska parametrarna och blodflödet. Dessa värden används i slutändan för att erhålla cerebralt blodflödesindex (CBFi). Med snabbare rörliga blodkroppar, intensitet autokorrelationsfunktionen sönderfaller snabbare. Därför kan information om rörelse djupt under vävnadsytan härledas (t.ex. i hjärnan) från mätningar av diffusa ljusfluktuationer över tiden27,,31,,32,33,34,35. DCS är en teknik som kompletterar den allmänt kända fNIRS som mäter blodsyrering17,36. Eftersom både fNIRS och DCS är optiska hjärnavbildningstekniker med hög tidsmässig upplösning i intervallet millisekunder, är de optiska bilduppläggen mycket mindre känsliga för rörelseartefakter än fMRI. De har också framgångsrikt använts för funktionell hjärnavbildning i pediatriska populationer, inklusive mycket unga spädbarn16. Tidigare har ytliga blodflödesmätningar använts för att bedöma RSFC i prekliniska studier på möss37. Här används blodflödesparametrar för att kvantifiera RSFC hos nio friska vuxna som en proof-of-concept studie38,39.

I denna studie används ett kommersiellt FD-fNIRS-system och anpassat DCS-system(se Tabell över material). DCS som byggdes internt består av två 785 nm, 100 mW, lång koherens längd kontinuerlig våg lasrar som är kopplade till en FC-kontakt och åtta single-photon räkna maskiner (SPCM) ansluten till en auto-korrelator. Ett anpassat grafiskt användargränssnitt (GUI) gjordes också specifikt för att det här systemet ska visa och spara fotonantal, autokorrelationskurvor och semikvantitativt blodflöde för varje SPCM-kanal i realtid. Delarna i detta system används ofta för DCS16,17,31,,32,,40,,42,,43,44, och de erhållna resultaten har också verifierats internt och använts i en nyligen genomförd 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

Protokollet godkändes av Institutional Review Board vid Wright State University, och informerat samtycke erhölls från varje deltagare före experimentet.

1.

  1. Starta FD-fNIRS- och DCS-systemet för uppvärmning i minst 10 minuter (se avsnitt 2 och 3 för mer information) innan du påbörjar några mätningar av motivet. Ett exempel på motivmätning med det kompakta DCS-instrumentet visas i figur 1.
  2. Använd först ett måttband för att mäta avståndet mellan nasionen till inionen på varje motivs huvud (figur 2A).
  3. Med nasionen som utgångspunkt markerar du den plats som är 10% av avståndet till inionen med en bläckmarkör. Detta betecknar punkten mellan Fp1 och Fp2 i EEG 10/20 montage (figur 2A).
  4. Justera locket med EEG 10/20 (se Tabell över material)så att den markerade punkten ligger mellan Fp1 och Fp2.
  5. Markera punkten mellan Fp1 och F7 (vänster cortex) och punkten mellan Fp2 och F8 (höger cortex). Detta representerar gränserna mellan den överlägsna prefrontala cortex och dorsolateral prefrontala cortex (DLFC) och mellan DLFC och sämre prefrontala cortex (IFC), respektive för vänster och höger halvklot (Figur 2A).
  6. Placera multilägesfibrerna (MMF) på de nymärkta punkterna (punkterna "S" på figur 2C)med hjälp av en 3D-tryckt sond och anslut var och en till laserljuskällan 785 nm(figur 2B,C).
  7. Placera fibrerna i ett läge (SIF) 2,75 cm från MMF. Två fibrer bör placeras på DLFC (platser "DLFC,1" och "DLFC,2") och en på IFC (plats "IFC"). Placeringen av SMF replikeras på varje sida av cortex för totalt sex små och medelstora företag (figur 2c).
  8. Placera en annan SMF 1 cm under MMF på plats "Ds" på båda sidor av cortex (för detektion av blodflödet i hårbotten) och anslut var och en av de små och medelstora företagen till enskilda single-foton räkna maskiner (Figur 2C).

p class="jove_title">2. INSTÄLLNINGAR och kalibrering av FD-fNIRS

  1. Släck eventuella lampor och slå på FD-fNIRS-systemet för att förbereda för kalibrering.
    VARNING: Som en allmän försiktighetsåtgärd, titta inte direkt på ljuskällor och fiberutgångar, eftersom detta kan orsaka ögonskador. Använd ett IR-sensorkort (Tabell över material).
  2. Undvik onödig exponering av detektorerna för rumsljusnivåer för att bibehålla bullerfri drift och undvika skador på detektorerna.
  3. Värm ljuskällorna och detektorerna genom att driva upp systemet och låta det gå i minst 10 min (helst minst 20 min och 1 h maximalt för optimal noggrannhet och stabilitet) med ljuset på, modulering på och detektorspänning på.
  4. Kör GUI-baserad programvara för datainsamling. Justera detektorns förstärkning för att uppnå en optimal signal med sensorn fast och fastsatt på en kalibreringsfantom (polydimetylsiloxanbaserad fantom av kända optiska egenskaper, se Tabell över material) genom att trycka på knappen "auto-bias". Om överspänningsvarningen blinkar, sänk förstärkningen.
  5. Efter justering av detektorn vinna för att få maximal signal, koppla bort en av källan fibrerna från detektorn och kontrollera att likström (DC) är mindre än 20 räknas per mätperiod för motsvarande källa fiber. Om det är större än detta värde kan det finnas ett alltför stort rumsljus som läcker in idetektorn 45. Om så är fallet bör systemet stängas av, då eventuella överflödigt ljus i rummet bör blockeras / tas bort och steg 2.4-2.5 upprepas.
  6. Kontrollera rätt signalnivå från varje källa och detektor. Systemet definierar detta som över 100 och under 1500 antal per mätcykel.
  7. Utför kalibreringen genom att trycka på knappen "Kalibrera" i det grafiska gränssnittet. Systemet kommer att ta mätningar och tillämpa kalibreringsfaktorer för att korrekt mäta de optiska egenskaperna hos den kända fantomen. Dessa kalibreringsfaktorer sparas och appliceras automatiskt på in vivo-mätningarna.
  8. Logga kalibreringsdata, vilket kommer att ge ett register över systemets prestanda på en vanlig fantom.

3. DCS-inställningar

VARNING: Som en allmän försiktighetsåtgärd, titta inte på ljuskällor och fiberutgångar direkt för att undvika potentiella ögonskador. Använd IR-sensorkortet (se Tabell över material).

  1. Undvik onödig exponering av detektorerna (dvs. rumsljus) för att få exakta rådata för autokorrigeringskurvorna och förhindra skador på detektorerna.
  2. Värm upp DCS laserljuskällor och SPCM (se Tabell över material)genom att koppla dem till "på"-läge och låta dem köra i minst 10 min (helst, minst 20 min och 1 h maximalt för optimal noggrannhet och stabilitet).
  3. Kör GUI-baserade DCS-datainsamlingsprogram, som visar fotonantalet för varje detektor och semikvantitativa blodflödesvärden i realtid. Justera fiberläget, vinkeln (fiberytan bör vara vinkelrät mot hudytan) och datainsamlingstimmingen för att få en signal på minst 5 000 s (för ett tillräckligt signal-brusförhållande) och under 1 000 000 s (för att undvika skadliga detektorer) (figur 3A).
  4. Kontrollera tillräckliga fotonantalnivåer (från steg 3.3) från varje detektor genom att kontrollera fotonantalet och kurvorna för autokorrelation i nära realtid som visas på bildskärmen.
  5. Kontrollera tillräcklig fiberkontakt utan läckage av omgivande ljus genom att kontrollera y-skärningspunkten för autokorrigeringskurvan som visas på bildskärmen. Det optimala värdet är ~1,5 utan användning av polarisatorer (figur 3B).
  6. Kontrollera att sonden och mätningarna inte är benägna att rörelseartefakter genom att dra åt det elastiska bandet så att det är tillräckligt tätt för att motstå rörelse men lös nog för att förhindra obehag för motivet. Användaren bör också kontrollera autokorrelationskurvorna på bildskärmen samtidigt så att autokorrelationskurvan förfaller till 1 under längre korrelationstid (τ > 10 ms) (figur 3C).

4. Insamling av uppgifter

  1. Instruera motivet att minimera eventuella rörelser under 8 min mätning.
  2. Släck lamporna och se till att motivet sitter i en bekväm position med slutna ögon.
  3. Utför en FD-fNIRS-mätningar vid baslinjen genom att placera den optiska sonden FD-fNIRS-systemet i pannan intill DCS-sonden. Tryck sedan på "Förvärva"-knappen i FD-fNIRS förvärv GUI. Dessa data kommer att ge statiska optiska egenskaper, absorptionsparametrar ochspridningsparametrar(μa, μ's ) som kommer att användas för kvantifiering av den dynamiska optiska parametern, CBFi17,20.
  4. Efter avslutad FD-fNIRS mätningar, börja datainsamling på den optiska DCS mätningar genom att trycka på "Kör"-knappen i DCS datainsamling GUI. Samla in data för totalt 8 minuter med högst 2 s integrationstid (mindre är att föredra, beroende på signal-brus-förhållandet för varje motiv).
  5. Om det behövs, upprepa experimentet inom 1 h av det första experimentet eller upprepa experimentet under en liknande tid på dagen för att minska externa variationer såsom trötthet, stimulantia eller temperatur.

5. Dataanalys

  1. För FD-fNIRS-data extraherar du de optiska absorptions- ochspridningsegenskapernaa, μ's ) som bearbetas med lutningsmetoden46,,47,,48,,49,,50,,51,,52,,53.
  2. Eftersom efterbearbetning behövs för DCS importerar du rådata för automatisk korrelation från var och en av de åtta kanalerna till dataanalysprogramvaran.
  3. CBF-relaterade parameter kvantifiering beskrivs i de senaste översynerna6,27,54. Kort, från den normaliserade autokorrigeringsfunktionen för intensitets autokorrelation (g2 [r,τ]), extrahera den normaliserade diffusa elektriska fältens temporala autokorrelationsfunktion (g1 [r,τ]) med siegert-relationen: g2 (r,τ) = 1 + β | g 1 (r,τ)| 2. Den 2.Den har inte till
    OBS: β är en konstant, proportionell mot antalet rumsliga lägen som detekteras6,,17,,27,,55,,56, varierar från 0 till 1, och erhålls genom montering av (normaliserade) elektriska fält autokorrelation funktion g1.
  4. För att få en blodflödesrelaterad parameter (αDB)från passformen, använd analyslösningen för g16,,27,,54 och anpassa data till modellen eller sönderfallshastigheten:
    EKVATION ETT
    OBS: I ekvationen ovan är ko det vågnummer av ljus i mediet, α är en faktor som står i proportion till vävnadsblodvolymfraktionen och DB är den effektiva brownska koefficienten. αDB kan definieras som blodflödesindex (BFI)6,,54 eller CBFi17. Här används CBFi.
  5. Montera modellen med hjälp av de optiska parametrar som erhållits från FD-fNIRS. De viktigaste parametrarna för att passa är CBFi och β.
    Obs! Figure 3A DCS-data kasseras om (1) autokorrigeringsfunktionen är betydligt lägre än 1,5 (β < 0,5) (dvs. När det gäller figur 3B, där funktionen är ~1.2, β < 0.2, på grund av rumsljusläckage) eller om (2) autokorrelationskurvan inte förfaller till 1 under längre korrelationstid (τ > 10 ms) (dvs. när det gäller figur 3C, där rörelseartefakten, sådan huvud- eller huvudrörelsesond, leder till oanvändbara data).
  6. Detrend de kvantifierade resultaten med hjälp av en andra ordningens polynom passform för att avlägsna långsam drift (Figur 4A).
  7. Använd ett andraföljdsfilter i andra ordningens utan fas med ett passband på 0,009–0,080 Hz för att ta bort oönskade hjärnfrekvenser som Mayer-vågor (bild 4A).
  8. Använd linjär regression för att få resterna från varje kanal mot mätningen av korta avstånd för att avlägsna de ytliga hårbottensignalerna på varje sida av cortex (figur 4B).
  9. Beräkna Pearsons korrelationskoefficient mellan varje kanalpar för att identifiera den funktionella anslutningen i vilotillstånd mellan hjärnregioner (figur 5).
  10. Omvandla korrelationsvärdet till ett z-värde med hjälp av en Fisher Z-omvandling och utför ett t-testför att erhålla p-värdet (figur 5). Använd felaktig identifieringshastighet (FDR) för korrigering av flera jämförelser.

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

Möjligheten att använda DCS för att mäta funktionell anslutning har framgångsrikt demostrated39. Vilande tillstånd funktionella anslutning i prefrontala cortices av nio ämnen mättes. Resultaten (medelvärde ± SD) indikerade en högre korrelation i den intraregionala regionen till vänster (0,64 ± 0,25) och höger (0,62 ± 0,23) cortices. jämfört med den interregionala regionen till vänster (0,32 ± 0,32), (0,34 ± 0,27) och höger (0,34 ± 0,29), (0,34 ± 0,26) cortices. (Figur 5). Effektanalys med en effekt på 0,8 och signifikansnivå på 0,05 utfördes också, vilket resulterade i en effekt på 0,82 med urvalsstorlek på åtta (under antalet försökspersoner som analyseras i denna studie).

För att testa om det fanns en betydande skillnad mellan interregionala RSFC och intraregional RSFC omvandlades korrelationsvärdet till ett z-värde med hjälp av en Fisher Z-omvandling, sedan utfördes ett t-test för att jämföra inter- och intraregional RSFC för båda cortices. Detta resulterade i p-värden på ≤0,0002, vilket innebar en betydande skillnad som har påvisats i tidigare fNIRS-studier8,,25 ( figur5). För att avgöra om det fanns någon skillnad mellan symmetriska hjärnregioner (vänster och höger cortices), utfördes ett t-test. Detta resulterade i p-värden på >0,8, vilket innebär att det inte fanns någon signifikant skillnad mellan liknande hjärnregioner på vardera sidan av cortex.

Figure 1
Figur 1: Experimentell upplägg. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: Sond schematisk och placering. (A) Placering av sonderna som visas på EEG 80-20-systemkartan. (B) Ett exempel på den 3D-tryckta sonden med optiska fibrer som bärs av motivet. (C) CAD-modellen för placeringen av detektorerna (D) och källor (S) i den dorsolatala främre hjärnbarken (DLFC) och sämre främre hjärnbarken (IFC). Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: Representativt urval av data med hjälp av detektorer i samma region vid samma källdetektorseparation. Visas är en autokorrelationskurva (g2) med avseende på fördröjningstiden (τ). (A) Data när sonden har tillräcklig kontakt, visar höga antal och en bra passform till den analytiska modellen. (B) Data (överdrivna) med omgivande ljus läcker in i sonden som observerats av en lägre y-intercept (beta). Detta beror oftast på en kombination av dålig kontakt och starkt bakgrundsljus, vilket kräver justeringar som ska göras. (C)Data (överdrivna) med en rörelseartefakt medan g2-kurvan beräknas. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: Analys av representativa uppgifter från en person. (A) Ett område av effektspektrumet efter var och en av bearbetningsstegen. (B) Ett exempel som visar tidsserien för den normaliserade blodflödessignalen på en av kanalerna före och efter regression av den korta kanalen (hårbottensignal). Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: Vilande tillstånd funktionell anslutning i prefrontala cortices av alla ämnen. Gruppgenomsnitt för interregionala regioner (DLFC1-IFC och DLFC2-IFC) i vänster cortex (0,32 ± 0,32), (0,34 ± 0,27) och höger cortex (0,34 ± 0,29), (0,34 ± 0,26). Gruppgenomsnitt för intraregional region i vänster cortex (0,64 ± 0,25) och höger cortex (0,62 ± 0,23). Felfältet anger SD för alla ämnen. T-testet visar skillnaden mellan intra- och interregional RSFC för båda cortices är signifikant med p ≤ 0,0002, medan det inte fanns någon signifikant skillnad mellan vänster och höger cortex (t-test = p > 0,8). Felaktig identifieringsfrekvens (FDR) användes för flera jämförelser korrigering. Klicka här för att se en större version av denna siffra.

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

För att avgöra om CBF mätt med DCS noggrant upptäckt RSFC undersöktes två områden i hjärnan med kända RSFC-egenskaper. Funktionell anslutning mellan DLFC-regioner och mellan DLFC och IFC antas finnas57,,58,59. Anslutning mellan två platser inom vänster och höger DLFC valdes, eftersom den intraregionala anslutningen vanligtvis är högre. Dessutom valdes anslutning mellan IFC och DLFC, eftersom den interregionala anslutningen är känd för att vara svagare.

DCS-tekniken visade hög anslutning inom DLFC-områdena men lägre anslutning mellan IFC- och DLFC-områdena, vilket är förenligt med liknande studier som utförts med andra metoder såsom fMRI. Dessa resultat visar potentialen hos DCS som ett icke-invasivt sätt att bedöma RSFC hos människor. I kombination med andra bildframställning former såsom fNIRS, korrekt karakterisering av neuronala sjukdomar såsom autism blir lönsamt. Även om samtidiga mätningar av fNIRS och DCS fortfarande är en utmaning, har flera tillvägagångssätt för detta problem undersökts19,,20,,21,23,27,28,60,,61,62,63,,64,65. I en pilotstudie valdes de isolerade, lättare DCS-sonderna ut för bättre kontakt. I framtiden kan sondens konstruktion förbättras, fNIRS-fibrer kan sättas in bredvid DCS-fibrer och ljuskällor kan belysas sekventiellt som tidigare visats. Sammanfattningsvis kommer DCS att fungera som ett komplement till andra tekniker och bli ett användbart verktyg för icke-invasiv bedömning av hjärnans funktion hos unga och funktionshindrade patienter.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna förklarar inga konkurrerande ekonomiska intressen.

Acknowledgments

Författarna vill erkänna ekonomiskt stöd från Ohio Third Frontier till Ohio Imaging Research and Innovation Network (OIRAIN, 667750), och 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 blodflöde-baserade vilotillstånd funktionell anslutning av den mänskliga hjärnan med optisk diffus korrelation 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