Yöntem makalesi

Granger Nedensellik analizi yönlendirilmiş fonksiyonel bağlantı hafif kognitif bozukluk ve Alzheimer hastalığı uygulanması

DOI:

10.3791/56015

⸱

7 Ağustos 2017

 ,  ,  ,  ,  ,  , 
1Zhejiang Chinese Medical University, 2Department of Psychiatry, Zhejiang Provincial People's Hospital, 3Department of Radiology, Zhejiang Provincial People's Hospital

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dinlenme-devlet fonksiyonel manyetik rezonans görüntüleme Granger Nedensellik analizi ile bağlı olarak, biz değişiklikler posterior singulat korteks ve Alzheimer hastalığı (Ah) olan hastalar, hafif bilişsel bozulma (MCI) ve sağlıklı kontrol tüm beyin arasında yönettiği fonksiyonel bağlantı içinde araştırdık.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Engelli fonksiyonel bağlantı varsayılan modu ağ (DMN) içinde Alzheimer hastalığı (Ah) ilerlemesinde tutulabilir. Posterior singulat korteks (PCC) reklam ilerlemesini izlemek için potansiyel bir görüntü belirtecidir. Önceki çalışmalarda PCC ve bölgeler dışında DMN düğümler arasındaki fonksiyonel bağlantı üzerinde odaklanmak değil, ama bizim çalışma gözden kaçan bu fonksiyonel bağlantıları keşfetmek için bir çabadır. Veri toplamak için biz fonksiyonel manyetik rezonans görüntüleme (fMRI) ve Granger Nedensellik analizi (GCA) kullanılır. fMRI farklı beyin bölgeleri arasındaki dinamik etkileşimler çalışmak için non-invaziv bir yöntem sağlar. GCA tek seferlik serisi başka tahmini yararlı olup olmadığını belirlemek için bir istatistiksel hipotez testidir. Basitçe, bu "Son anda, X olasılık dağılımı şu anda üzerindeki tüm bilgileri bilinen" ve "Son anda Y, X olasılık dağılımı şu anda hariç tüm bilgileri bilinen" karşılaştırarak karar verilir, Y ve X arasında nedensel bir ilişki olup olmadığını belirlemek için. Bu tanım tam bilgi kaynağı ve sabit kronolojik sıralaması üzerinde temel alır. Bu analizin temel adım X kullanmaktır ve Y regresyon denklemi kurmak ve nedensel bir ilişki varsayımsal bir testi ile çizin. GCA nedensel etkileri ölçebilirsiniz beri biz fonksiyonel bağlantı anizotropi araştırmak ve PCC hub fonksiyonu keşfetmek için bu kullanılır. Burada, biz MRI tarama için 116 katılımcılar ekranlı ve Nörogörüntüleme elde edilen veriler ön işleme sonra biz GCA her düğümün nedensel ilişki türetmek için kullanılan. Son olarak, biz yönlendirilmiş bağlantı hafif bilişsel bozulma (MCI) ve reklam gruplarının, tüm beyin PCC hem PCC için tüm beyin arasında önemli ölçüde farklı olduğunu sonucuna vardı.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reklam histopatoloji, Elektrofizyoloji ve beyin görüntüleme1kullanarak tanısı merkezi sinir sisteminin dejeneratif bir hastalıktır. Bellekle ilgili DMN reklam ile ilişkili etkileşen beyin bölgeleri hayati bir sistemdir ve anormal işlevini reklam2,3özelliğidir. PCC geleneksel varsayılan ağ dinlenme durumunda önemli bir bölgedir ve epizodik bellek, kayma dikkat, kendi kendini değerlendirme ve diğer bilişsel işlevler4,5,6,7önemli rol oynar. Buna ek olarak, bu AD ilerleme izleme için görüntüleme bir işaret olabilir. GCA kullanarak, Liao ve ark. PCC birden çok bağlantı ile birden fazla cytoarchitectonics bölgedir ve fonksiyonel beyin yapısı8' önemli bir rol oynar buldum. Zhong vd PCC etkileşimleri çoğu DMN3içinde diğer bölgelerinden alınan bir yakınsama merkezi olduğunu bildirdi. Ayrıca, Miao vd DMN hub bölgelerde PCC diğer düğümler9ile en büyük nedensel ilişki vardır gösterdi. Birlikte, tüm PCC yönlendirilmiş bağlantı reklam araştırma değerlidir ve PCC daha fazla olması gerekir bu kanıtlar gösteriyor derinlemesine DMN hayati bir bölge olarak okudu.

Önceki çalışmalarda DMN içindeki diğer bölgeleri arasındaki PCC bağlantısı sınırlı; Ancak, yönlendirilmiş fonksiyonel bağlantı DMN gibi nüfuzlarını reklamı dışında PCC ve beyin bölgeleri arasında değişiklikleri araştırdı10henüz olmamıştır. Bizim çalışma daha fazla normal sağlıklı kontrol, MCI olan hastalar ve hasta reklam ile keşfedilmemiş bu fonksiyonel bağlantı soruşturma. PCC ve tüm beyin bölgeleri arasında yönlendirilmiş bağlantı gözlemleyerek, biz reklam ilerleme ile ilgili beyin işlev değişiklikleri aydınlatmak ve böylece hastalığın şiddetini değerlendirmek için bir roman objektif olarak kurmak amaçladık.

Fonksiyonel bağlantı serebral kan oksijen düzeyi bağımlı (kalın) fMRI sinyal içinde zaman uyumlu düşük frekans dalgalanmalar (LFFs) tarafından gösterilebilen Bölgelerarası etkileşim anlamına gelir. Bu nedenle, PCC ile diğer beyin bölgeleri arasındaki fonksiyonel bağlantı gözlemlemek için PCC ve tüm beyin ağ arasındaki fonksiyonel bağlantı tarafından GCA, PCC olarak bölge, faiz (ROI) ile kullanarak fMRI analiz ettik. Bu teknik doğrudan temel ilişki Nörogörüntüleme11' den alınan verileri kullanarak her düğümün türetir. Son zamanlarda, GCA electroencephalogram (EEG) ve fMRI çalışmaları beyin bölgeleri12arasında nedensel etkileri ortaya çıkarmak için uygulandı. Tüm bu çalışmalar GCA tekniği her düğümün nedensel ilişki beyinde algılamak için en uygun olabileceğini belirtti.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma Zhejiang İl Halk Hastanesi Etik Komitesi tarafından onaylanmıştır. Kayıtlı her denek yazılı bir bilgilendirilmiş onay imzaladı.

1. Numune Sınıflandırma ve Tarama

  1. 116 hastayı teşhis edin ve AD ve MCI gruplarına ayırın.
    NOT: 2011 Ulusal Nörolojik ve İletişimsel Bozukluklar ve İnme Enstitüsü ve Alzheimer Hastalığı ve İlgili Bozukluklar Derneği (NINCDS-ADRDA) tanı kriterlerini ve Mini Zihinsel Durum Muayenesi (MMSE) kriterlerini MCI'nin tanımlanması ve sınıflandırılması için kullanın.10
  2. Sağlıklı kontrol grubundaki katılımcıları seçin.
    NOT: Kontrol grubunun yaş, cinsiyet ve eğitim düzeyi HBB ve AB grubundaki hastalarla eşleştirildi.
  3. Tüm konuları MMSE10 ile değerlendirin.
  4. Dahil etme kriterlerini karşılamayan denekleri hariç tutun. Tüm denekler için, dışlama kriterleri Yu ve ark.10
  5. Denekleri taramak için MRG kullanın; kafa hareketleri nedeniyle kullanılamayan verileri olan denekleri hariç tutun.
    NOT: Sonuç olarak, HBB'li 26 hastayı, AD'li 32 hastayı ve 58 kontrolü taradık.

2. Nörogörüntülemenin Edinimi

  1. 3.0 T MRG Laboratuvarına girmeden önce metal ve manyetik nesneleri çıkarın.
  2. Manyetik rezonans tarama yatağına bir MRI alıcı bobini takın. Alıcı bobin, 8 kanallı dairesel polarize beyin faz dizili bir bobindir.
  3. Katılımcıya yatağa yatmasını ve başı ilerlemiş ve vücudun uzun ekseni yatağın uzun ekseni boyunca sırtüstü yatmasını söyleyin. Katılımcının kafasını bobinin braketine yerleştirin ve orbitomeatal çizginin yatağa dik olduğundan emin olun.
  4. Katılımcıya üst uzuvları vücudun yanlarına yerleştirmesini, gözlerini kapalı tutmasını, özel bir şey düşünmemesini ve tarama sırasında mümkün olduğunca az hareket etmesini söyleyin. Baş hareketini önlemek için iki taraflı temporal alanda başın üzerine köpük pedler yerleştirin ve katılımcı için tarayıcı gürültüsünü azaltmak için kulaklık sağlayın.
    NOT: Köpük pedin boyutları: uzun çap = 13 cm, kısa çap = 10 cm, en kalın kalınlık = 7 cm, en ince kalınlık = 3 cm, ortalama kalınlık = 5 cm.
  5. Sagital konumlandırma imleci yüzün orta hattında olacak ve eksen konumlandırma imleci yanal kantusa paralel olacak şekilde konumlandırma ışığı aracılığıyla kafanın konumunu ayarlayın. Ardından, eksen konumlandırma imlecini kaşların üzerinde veya 2 cm altında tutmak için yatağı hareket ettirin.
  6. Kafayı mıknatısın ortasına doğru hareket ettirin. Gradyan Eko-Düzlemsel Görüntüleme (EPI-BOLD) ve 3D-T1-MPRAGE görüntüleme dahil olmak üzere bir fMRI beyin taraması gerçekleştirin.
    NOT: Aşağıdaki parametreleri kullanın:
    EPI-BOLD: TR/TE = 2.000/30 ms, katman kalınlığı/katman aralığı = 3.2/0.8 mm, 31 dilim, matris = 64 x 64, FOV = 220 x 220 mm, voksel boyutu = 3 x 3 x 4 mm, çevirme açısı = 90 °, 484 s tarama süresi ve toplam 240 tarama görüntüsü.
    3D-T1-MPRAGE görüntüleme: TR/TE = 8.5/3.2 ms, çevirme açısı = 15 °, görüş alanı = 250 x 250 mm, matris = 256 x 256, dilim sayısı = 176, dilim kalınlığı/boşluk = 1/0 mm, tarama süresi 353 s ve toplam 192 tarama görüntüsü.
  7. Taramanın sonunda yataktan çıkarken hastayı güvende tutun.

3. Veri Ön İşleme

NOT: Dinlenme Durumu fMRI (rs-fMRI) Veri Analizi Araç Seti plus'ı (RESTplus) kullanarak dinlenme durumu beyin fonksiyonları için ham verileri analiz edin.

  1. RESTplus'ı MATLAB üzerinden açın ve Pipeline'a sol tıklayın.
  2. İlgili dosyaları RESTplus'a aktarın. Çalışma dizinini ve ardından başlangıç EPI ve T1 dizinlerini seçin.
  3. DICOM dosyalarını NIFTI'ye dönüştürün. Ön işlemede DICOM - NIFTI kutusunu işaretleyin ve EPI DICOM - NIFTU ve T1 DICOM - NIFTI parametrelerini işaretleyin.
  4. İlk n zaman noktasını kaldır seçeneğini işaretleyerek ve n parametresini 10 olarak ayarlayarak ilk 10 zaman noktasını kaldırın.
  5. Dilim zamanlamasını rs-fMRI parametrelerine göre ayarlayın. Dilim zamanlaması kutusunu işaretleyin. Dilim numarasını etüdün rs-fMRI parametrelerine göre ayarlayın. Dilim sırasını girin.
    NOT: Beyin taramasındaki her katmanın verilerinin elde edilmesi aynı zaman noktasında değildir ve bu nedenle aynı zaman noktasına kalibre edilmesi gerekir.
  6. Zamanı ve kafa hareketini düzeltin. Realign.
    seçeneğini işaretleyin NOT: Aşırı kafa hareketi için dışlama kriteri, >2.0 mm öteleme veya herhangi bir yönde >2.0 ° dönüş idi. RESTplus'ta bu varsayılan bir parametredir ('Yeniden Hizala' seçeneğine sol tıklayın).
  7. T1 görüntü birleşik segmentasyonunu ve tüm kafaları aynı alana standartlaştırarak uzamsal normalleştirme gerçekleştirin. Normalleştir'i işaretleyin ve varsayılan parametreleri en altta bırakın. T1 görüntü birleşik segmentasyonu ve Avrupa parametrelerini kullanarak normalleştir'i seçin.
    NOT: rs-fMRI görüntülerini 3 × 3 × 3 mm'lik voksellerle yeniden örnekleyin ve RESTplus'taki diğer parametreler varsayılandır, 'T1 görüntü birleşik segmentasyonunu kullanarak normalleştir' seçeneğine sol tıklayın.
  8. Tam genişlikte maksimum 6 mm (FWHM) olan izotropik bir Gauss çekirdeği kullanarak uzamsal yumuşatma gerçekleştirin. Smooth'u işaretleyin.
  9. Detrend'i işaretleyerek doğrusal trendi kaldırın.
  10. Sinyal-gürültü oranını artırmak için rahatsız edici regresörlerden (WM, CSF, Global) gelen sinyalleri geri çekin. Rahatsız edici regresyon ortak değişkenlerini ve aşağıdaki parametreleri kontrol edin: 6 kafa hareketi parametresi, küresel ortalama sinyal, beyaz cevher sinyali ve beyin omurilik sıvısı sinyali.
    NOT: Bu adım sırasında, 'Polinom eğilimi'ni varsayılan olarak 1 olarak ayarlayın ve varsayılan olarak '6 kafa hareketi parametresi', 'Rahatsız edici regresörler (WM, CSF, Global)' ve 'ortalamayı geri ekle'yi seçin.
  11. 0,01 - 0,08 Hz arasındaki sinyalleri korumak için bant geçiren filtrelemeyi kullanın. Yüksek frekanslı fizyolojik gürültüyü ve düşük frekanslı kaymayı ortadan kaldırın. Filtre'yi işaretleyin.

4. Yönlendirilmiş Bağlantı Analizi

NOT: Tohum alanındaki ortalama BOLD sinyal yoğunluğunu çıkardıktan sonra tüm beyindeki her voksel için BOLD sinyalleriyle birlikte GCA gerçekleştirin.

  1. REST araç kutusundaki REST-GCA'yı kullanarak voksel açısından GCA'yı gerçekleştirin. İşlem sonrası kutusunda GCA'yı işaretleyin.
  2. 'Sipariş'i varsayılan olarak 1 olarak ayarlayın. Girişteki parametreleri seçin.
  3. Yatırım getirisini tanımlayın ve PCC'deki temel ilgi noktalarını belirleyin. ROI'yi Tanımla'yı seçin ve Küresel ROI'yi seçin. İleri'yi seçin. Bilinen verilere göre çekirdek ROI'nin merkez koordinatlarını ve yarıçapını ayarlayın ve OK.
    öğesini seçin NOT: DMN için bir ROI, önceki bir çalışmada olduğu gibi PCC'ye yerleştirildi (x = 0, y = -53, z = 26, yarıçap = 6 mm ile merkezlenerek), önceki bir çalışmada olduğu gibi13.
  4. Programı çalıştırmak için Çalıştır'ı ve Tamam'ı seçin.
  5. İlgili dosya verilerini işledikten sonra ZGCA ve GCA adlı klasörleri bulun. ZGCA dosyalarını sıralayın ve buna göre xx, xy, yx, yy olmak üzere dört alt klasöre ayırın.
    NOT: Daha sonra, esas olarak xy ve yx alt klasörlerini kullanın. Üç dosya verisi kümesinin ("AD", "MCI", "NC") tümü yukarıdaki 3.1 - 4.5 adımlarına göre işlenir ve sıralanır.
  6. RESTplus'ı MATLAB üzerinden açın ve İstatistiksel Analiz'e sol tıklayın. REST İki Örnekli T-Testi'ne sol tıklayın.
  7. Çıkış sonucunu T1xy olarak adlandırın ve çıkış dizinini ayarlayın. AD Sonuçları klasöründeki xy alt klasörünü ve NC Sonuçları klasöründeki xy alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın.
  8. Dosyayı Maskele seçeneğinde, 'maske' klasöründeki BrainMask_05_61*73*61 alt dosyasını açmak için sol tıklayın.
  9. Programı çalıştırmak için İşlem'i seçin.
  10. Çıktı sonucunu T2xy olarak adlandırın ve çıktı dizinini ayarlayın. AD Sonuçları klasöründeki xy alt klasörünü ve MCI Sonuçları klasöründeki xy alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın. 4.8 - 4.9 arasındaki adımları tekrarlayın.
  11. Çıkış sonucunu T3xy olarak adlandırın ve çıkış dizinini ayarlayın. MCI Sonuçları klasöründeki xy alt klasörünü ve NC Sonuçları klasöründeki xy alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın. 4.8 - 4.9 arasındaki adımları tekrarlayın.
  12. Çıktı sonucunu T1yx olarak adlandırın ve çıktı dizinini ayarlayın. AD Sonuçları klasöründeki yx alt klasörünü ve NC Sonuçları klasöründeki yx alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın. 4.8 - 4.9 arasındaki adımları tekrarlayın.
  13. Çıktı sonucunu T2yx olarak adlandırın ve çıktı dizinini ayarlayın. AD Sonuçları klasöründeki yx alt klasörünü ve MCI Sonuçları klasöründeki yx alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın. 4.8 - 4.9 arasındaki adımları tekrarlayın.
  14. Çıktı sonucunu T3yx olarak adlandırın ve çıktı dizinini ayarlayın. MCI Sonuçları klasöründeki yx alt klasörünü ve NC Sonuçları klasöründeki yx alt klasörünü açmak için Grup Görüntüleri Ekle'ye sol tıklayın. 4.8 - 4.9 arasındaki adımları tekrarlayın.
  15. Son olarak, 4.6 - 4.14 adımlarını izleyerek altı sonuç dosyasını edinin ve sonucu görüntülemek için RESTplus görüntüleyicisine sol tıklayın. Underlay'de ch2 adlı şablonu içe aktarın.
  16. Çıktı dizininde altı sonuç dosyasını bulun ve Kaplamayı tek tek doldurun. Nihai sonuç grafiğini ve altı grafiğe karşılık gelen altı sonuç dosyasını elde edin.
  17. Bir önceki adımdan elde edilen verileri işlemek için İstatistiksel Ürün ve Hizmet Çözümlerini (SPSS) kullanın.
    1. Sürekli değişkenleri ortalama ve Standart Sapma (SD) olarak sunun.
    2. Kategorik değişkenleri sayılar ve yüzdeler olarak sunun, ardından ki-kare testini kullanın.
      NOT: <0.05 olan tüm p değerleri istatistiksel olarak anlamlı kabul edildi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Demografik bilgiler

Tablo 1, konuların özelliklerini sunar. Tüm derslerin eğitim seviyesi ortaokul veya üstüydü. Yaş, cinsiyet ve eğitim düzeyi üç grup arasında benzerken (P >0.05), MMSE skorları anlamlı olarak farklıydı (p <0.01).

Yönlendirilmiş beyin fonksiyonel bağlantısı

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu rapor yönlendirilmiş fonksiyonel bağlantı PCC üzerinden tüm beyin ve--dan tüm beyin arasında reklam, PCC için karşılaştırma için bir işlem sunar MCI ve kontrol grupları. Ayrıca, sınıflandırma ve örnek daha önce deneme testi ile taranması bu süreçte önemli bir adım olduğunu. Eğer onlar hatalı sonuçlarının doğruluğunu etkileyebilir çünkü böylece, sınıflandırma ve eleme kriterleri önemlidir. Protokol listelenen olarak biz 2011 NINCDS-ADRDA tanı kriterleri ve MMSE ve ölçüt kimlik ve MCI sınıflandırılması için kullanılır; ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar onlar rakip herhangi bir mali çıkarlarının yok bildirin.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar Gongjun JI bilgisayar yazılım destek için teşekkür ederiz. Bu araştırma kısmen desteklenen Ulusal Doğa Bilimleri Vakfı Çin tarafından (No 81201156, 81271517); Zhejiang il doğal Bilim Vakfı Çin (Hayır. LY16H180007, LY13H180016, 2013C33G1360236) ve Bilim Vakfı Sağlık Komisyonu Zhejiang eyaleti (No 2013RCA001, 201522257).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
116 hastaZhejiang Eyalet Halkı shastanesi-Buçalışma Zhejiang Eyalet Halkı etik komitesi tarafından onaylanmıştır. s hastanesi. Kayıtlı her denek yazılı bir bilgilendirilmiş onam formu imzaladı.
Siemens Trio 3.0 T MRI tarayıcıSiemens, Erlangen, Almanya20571Akustik gürültüyü %90'a kadar azaltan AudioComfort ile donatılmıştır; Düşük gürültü seviyesinde yüksek performans sağlar; Ultra hafif bobin; Benzersiz MRI dizisi tasarımı; Kısıtlama olmaksızın 400 pound'a kadar destekler.
RESTplusHangzhou Normal Üniversitesi, Hangzhou, Zhejiang, Çin20160122RESTplus, İşlevsel Bağlantı (FC), Bölgesel Homojenlik (ReHo), Düşük Frekanslı Dalgalanma Genliği (ALFF), Fraksiyonel ALFF (fALFF), Gragner nedenselliği, derece merkeziliği, voksel aynalı homotopik bağlantı (VMHC) hesaplamak ve istatistiksel analiz yapmak için uygun bir araç seti olan REST'ten (Dinlenme Durumu fMRI Veri Analizi Araç Seti) geliştirilmiştir.
DPARSFHangzhou Normal Üniversitesi, Hangzhou, Zhejiang, Çin130615Dinlenme Durumu fMRI için Veri İşleme Asistanı (DPARSF), DPABI içinde SPM'ye dayanan kullanışlı bir eklenti yazılımıdır. DICOM dosyalarınızı düzenlemeniz ve parametreleri ayarlamak için birkaç düğmeye tıklamanız yeterlidir, DPARSF daha sonra tüm önceden işlenmiş verileri, işlevsel bağlantıyı, ReHo, ALFF/fALFF, derece merkeziliğini, voksel yansıtmalı homotopik bağlantı (VMHC) sonuçlarını verecektir.
SPSSSPSS Inc., Chicago, IL,US-SPSS, verilerinizi daha derinlemesine incelemek ve fark etmemiş olabileceğiniz eğilimleri tespit etmek için ayrıntılı analiz seçenekleri sunar.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Delbeuck, X., Van der Linden, M., Collette, F. Alzheimer's disease as a disconnection syndrome? Neuropsychol Rev. 13 (2), 79-92 (2003).
  2. Wang, K., et al. Altered functional connectivity in early Alzheimer's disease: a resting-state fMRI study. Hum Brain Mapp. 28 (10), 967-978 (2007).
  3. Zhong, Y., et al. Altered effective connectivity patterns of the default mode network in Alzheimer's disease: an fMRI study. Neurosci Lett. 578, 171-175 (2014).
  4. Gusnard, D. A., Raichle, M. E., Raichle, M. E. Searching for a baseline: functional imaging and the resting human brain. Nat Rev Neurosci. 2 (10), 685-694 (2001).
  5. Greicius, M. D., Krasnow, B., Reiss, A. L., Menon, V. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proc Natl Acad Sci U S A. 100 (1), 253-258 (2003).
  6. Ries, M. L., et al. Task-dependent posterior cingulate activation in mild cognitive impairment. NeuroImage. 29 (2), 485-492 (2006).
  7. Braak, H., Braak, E. Neuropathological stageing of Alzheimer-related changes. Acta Neuropathol. 82 (4), 239-259 (1991).
  8. Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
  9. Miao, X., Wu, X., Li, R., Chen, K., Yao, L. Altered connectivity pattern of hubs in default-mode network with Alzheimer's disease: an Granger causality modeling approach. PloS one. 6 (10), e25546(2011).
  10. Yu, E., et al. Directed functional connectivity of posterior cingulate cortex and whole brain in Alzheimer's disease and mild cognitive impairment. Curr Alzheimer Res. , (2016).
  11. Kaminski, M., Ding, M., Truccolo, W. A., Bressler, S. L. Evaluating causal relations in neural systems: granger causality, directed transfer function and statistical assessment of significance. Biol Cybern. 85 (2), 145-157 (2001).
  12. Zang, Z. X., Yan, C. G., Dong, Z. Y., Huang, J., Zang, Y. F. Granger causality analysis implementation on MATLAB: a graphic user interface toolkit for fMRI data processing. J Neurosci Methods. 203 (2), 418-426 (2012).
  13. Hedden, T., et al. Disruption of functional connectivity in clinically normal older adults harboring amyloid burden. J Neurosci. 29 (40), 12686-12694 (2009).
  14. Liao, W., et al. Small-world directed networks in the human brain: multivariate Granger causality analysis of resting-state fMRI. NeuroImage. 54 (4), 2683-2694 (2011).
  15. Liao, W., et al. Evaluating the effective connectivity of resting state networks using conditional Granger causality. Biol Cybern. 102 (1), 57-69 (2010).
  16. Zhang, H. Y., et al. Detection of PCC functional connectivity characteristics in resting-state fMRI in mild Alzheimer's disease. Behav Brain Res. 197 (1), 103-108 (2009).
  17. Deshpande, G., Hu, X., Stilla, R., Sathian, K. Effective connectivity during haptic perception: a study using Granger causality analysis of functional magnetic resonance imaging data. NeuroImage. 40 (4), 1807-1814 (2008).
  18. Bressler, S. L., Seth, A. K. Wiener-Granger causality: a well established methodology. NeuroImage. 58 (2), 323-329 (2011).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Fonksiyonel Ba lant sall kVarsay lan Mod ebekesiPosterior Singulat KorteksFonksiyonel MRGY nl Ba lant sall kBeyin ebekesi AnaliziVoksel Bazl Analiz

İlgili makaleler