Temporal Lob Epilepsi Fonksiyonel Bağlantı MRI kullanarak Varsayılan Mod Ağı Ağ Analizi

Aşağıdaki deneyin genel amacı, sağlıklı kontroller ile epilepsi hastalarının dinlenme durumundaki fMRI taramaları arasındaki farkı karşılaştıran istatistiksel haritalar elde etmektir. Bu, temporal lob epilepsisi olan deneklerin yanı sıra sağlıklı kontrol deneklerinden de fMRI verileri alınarak gerçekleştirilir.

İkinci adım olarak, verileri istatistiksel analize hazırlamak amacıyla fMRI ön işlemden geçirilir. Ardından, iki grup arasında istatistiksel olarak geçerli karşılaştırmalar elde etmek için ön işlemden geçirilmiş fMRI verileri analiz edilir. Sonuçlar, epilepsi hastalarının beyin ağlarının, sağlıklı kontrol deneklerinin beyin ağlarına kıyasla farklılıklar gösterdiğini ortaya koymaktadır.

Bu iki grup arasındaki beyin ağ haritalarındaki istatistiksel farklara dayanarak, fokal nöbetlerle seyreden epilepsilerin bile yaygın ağ bozulmalarının ortaya çıkardığı özellikler olduğu giderek daha belirgin hale gelmiştir. Bu tekniğin fikri, nöbetler sırasında DEF Favo ağının öneminin fark edilmesi ve temporal lob epilepsisinde nöbetler arasında varsayılan LO ağının anormal olup olmadığına dair merak üzerine ortaya çıkmıştır. Bu protokol için çalışma popülasyonu üç grup içermelidir, değil mi?

Temporal lob epilepsisi olan hastalar, sol temporal lob epilepsisi olan hastalar ve sağlıklı kontroller. Toplamda yaklaşık 35 denek önerilir. Epilepsi denek grupları; video, EEG monitörizasyonu, PET görüntüleme ve nöropsikolojik testlerle belirlenen anterior temporal lob rezeksiyon adayları gibi, temporal lob epilepsisi tanısı almış hastalardan oluşmalıdır; tüm deneklerin normal beyin MR'larına sahip olduklarından ve hasta gruplarındaki deneklerin epilepsi dışındaki nörolojik hastalıklardan ari olduklarından emin olunmalıdır.

Görüntüleme öncesinde tüm deneklerden IRB onayı ve yazılı bilgilendirilmiş onam alınmalı ve MRI güvenliği için tarama yapılmalıdır. Hastalar, fMRI taraması sırasında rutin ilaçlarını kullanmaya devam etmeli ve bir nöbeti takiben hemen taranmamalıdır. Bu protokolde açıklanan tüm görüntülemeler için üç Tesla MRI sistemi kullanılmalıdır.

Fonksiyonel görüntüler için eko planarlı görüntüleme sekansı kullanarak aksiyel kesitler alın ve anatomik görüntüler için spoiled gradient recalled sekansı kullanın. Katılımcılardan rahatlamalarını, gözleri kapalı şekilde hareketsiz kalmalarını isteyin ve fonksiyonel görüntülemeyi burada görülen parametreleri kullanarak gerçekleştirin. Ayrıca, S PGR T one ağırlıklı yüksek çözünürlüklü yapısal görüntüleme için aşağıdaki parametreleri kullanın.

Her bir görüntüleme oturumu yaklaşık 20 dakika sürmelidir. İşleme, fMRI verilerini FSL yazılımı First ile ön işlemeden geçirerek başlayın. Kafa hareket artefaktlarını gidermek için FSL MFL kullanın.

Ardından, bold dosyalar için -F seçeneğini kullanarak beyin dışı dokuları temizlemek amacıyla FSL beyin çıkarma aracını veya BET'i kullanın. Bu işlem, yalnızca beyin dokusu üzerinde daha ileri analiz adımlarının gerçekleştirilmesine olanak tanır. Sonraki aşamada, kayıt işlemiyle birlikte minimum düzeyde işlenmiş bir analiz çalıştırın.

Üstteki iki düğmeden önce birinci düzey analizi seçin ve tam analizi ön istatistikler olarak değiştirin. Ardından, ön istatistikler sekmesi altında, daha önce gerçekleştirildikleri için beyin çıkarma işleminin işaretini kaldırın ve hareket düzeltme için "hiçbiri" seçeneğini belirleyin. Sonrasında, fonksiyonel görüntüleri anatomik görüntülere ve ardından standart bir MNI görüntüsüne kaydedin.

Bu işlem, daha sonra analiz sırasında standart uzayda seçilen tohumun deneğin beyin uzayına uydurulması (warp) için kullanılan transformasyon matrislerinin oluşturulmasıyla sonuçlanır. Ardından, standard_to_example_func.mat adlı oluşturulan transformasyon matrisini kullanarak BOS ve beyaz madde ROI'lerini bireysel bold uzayına dönüştürün. Daha sonra FSL mean_ts komutunu kullanarak, BOS ve beyaz madde ROI'lerinden zaman serilerini çıkarın.

Bireysel denek alanındaki ROI'yi bir maske olarak kullanarak, çıkarılan zaman serilerini R yazılımı ile normalize edin. Bu zaman serileri, analize ait ilgili yapay sinyalleri temizlemek için genel lineer modelde daha sonra regresörler olarak kullanılacaktır. Bir sonraki adım, denek hareketine bağlı artefaktların giderilmesidir. Hareket parametrelerinin regresyonu için.

FSL FEAT'i ilk kez çalıştırmadan önce veri (data) sekmesinde aşağıdaki ayarları yapın; girdi olarak hareket düzeltmeli ve beyin çıkarımı yapılmış dosyayı kullanın ve TR değerini veri setinize uygun şekilde ayarlayın. İlgi alanı dışındaki çok düşük frekanslı sinyalleri temizlemek için 102. filtreyi kullanarak yüksek geçiren filtreleme (high pass filtering) ayarlamasını yapın. Yüksek frekanslı sinyalleri temizleyecek olan düşük geçiren filtre (lowpass filter), daha sonra ön istatistikler (pres stats) sekmesinde uygulanacaktır.

Hareket düzeltme (motion correction) altında hiçbir seçim yapmayın ve işaretini kaldırın, ancak beyin çıkarımını (brain extraction) işaretleyin. Bu adımlar daha önce gerçekleştirildiği için, beş milimetre tam genişlikte yarı maksimum (full width half maximum) kullanarak uzamsal düzleştirme (spatial smoothing) yapın. Ardından istatistikler (stats) sekmesinde, altı hareket parametresini ve bunların zamansal türevlerini regresyona tabi tutun.

Konvolüsyon için "none" seçeneğini belirleyin ve "apply temporal filtering" kutucuğunu işaretleyin. Hareket parametrelerinin metin dosyalarını elde etmek için F slmic flirt çıktısını kullanın; bu dosyalar daha sonra, bu parametrelerin bir genel doğrusal modelde regresyonunu yapmak üzere feet analizine girdi olarak tanımlanabilir. Ayrıca, önceki adımlarda çıkarılan ve normalize edilen CSF ve beyaz cevher sinyallerini GLM'ye ekleyin.

Konvolüsyon için "none" (hiçbiri) seçeneğini belirleyin. Zamansal türev ekleyin ve "apply temporal filtering" (zamansal filtreleme uygula) onay kutusunun işaretini kaldırın. Yukarıda açıklanan ön işlemeden elde edilen artıklar, tohum tabanlı korelasyon için kullanılmalıdır.

Bu artıklar önce 0,1 hertz'lik düşük bir PESS filtresinden geçirilmeli, ardından ortalama çıkarılarak ortalaması sıfırlanmalı, standart sapmaya bölünmeli ve sonrasında 100 eklenerek ölçeklendirilmelidir; tohum bölge altı milimetre çapında tanımlanmalıdır. Standart MNI uzayında, MRI crown yazılımı kullanılarak, posterior ve anterior tohum bölgeleri burada görüldüğü şekle uygun koordinatlara karşılık gelmelidir.

Bu tohum konumlarının sağlıklı kontroller dahilinde tanımlandığını unutmayın. Tohumlar daha sonra, standart MNI alanından her bir deneğin bireysel fonksiyonel beyin alanına dönüştürülmelidir. Bunun için, tohumu standart m ve i alanından bireysel fonksiyonel alana dönüştürmek amacıyla önceden oluşturulmuş olan dönüşüm matrisini kullanın.

Ardından, daha önce ortalaması alınmış ve ölçeklendirilmiş kalıntıdan zaman serilerini çıkarmak için FSL mean Ts komutunu kullanın. Maske olarak bireysel denek uzayındaki tohum (seed) bölgesini kullanın. Çıkarılan zaman serilerini R yazılımı kullanarak normalize edin; tohum voksel ile beyindeki tüm vokseller arasındaki kısmi korelasyonlar, her denek için her bir çalışma (run) bazında ayrı ayrı hesaplanmalıdır.

Bunun için FSL FEAT arayüzünde, önce birinci düzey analiz (first level analysis) ve ardından veri (data) sekmesi altından istatistikler artı son istatistikler (stats plus post stats) seçeneğini belirleyin. Giriş olarak önceden ortalaması alınmış ve ölçeklendirilmiş artık değer kullanılmalıdır. Artık değer zaten 100 saniyede yüksek geçiren filtrelemeden geçirildiği için, istatistikler (stats) sekmesinde yüksek geçiren filtre kesme değerini 10.000 olarak ayarlayın.

Film ön beyazlatma kullanımını seçmeyin ve önceden çıkarılmış ve normalize edilmiş tohum zaman serilerini kullanın. Grup analizini çalıştırmadan önce, post stats sekmesindeki GLM'de, istenen Z stat eşiğini 2.0 değerine ayarlayın. Denekler içindeki çalışmaları birleştirirken, parametre tahminlerinin kontrastı üzerinde bir Fisher Z dönüşümü gerçekleştirilmelidir.

Korelasyon analizinden oluşturulan dosyadan, ayak analizinin reg dizinindeki kayıt verilerini korelasyon çalışmasına kopyalayın. Her bir denek içindeki çalışmaları birleştirerek daha üst düzey bir analiz gerçekleştirin. Önce "higher level analysis" (üst düzey analiz) ve ardından "stats plus post stats" (istatistikler ve sonrası istatistikler) seçeneğini seçin.

Ardından veri sekmesi içerisinde, girdilerin alt düzey ayak dizinleri olduğunu seçin ve istatistik sekmesi içinde deneğin tekrarlarını girin. Karma etkileri seçin. Basit OLS ile ortalama etki olarak bir model kurun ve her bir denek tekrarı için bir değer girin.

Denekler arasındaki veri taşmalarını birleştirmek için sıradan en küçük kareler basit karma etkiler analizi kullanılmalıdır; bunun için veri sekmesi içinden üst düzey analiz ve istatistikler artı sonrası istatistikleri seçin. Girdi olarak alt düzey ayak dizinlerini seçin ve istatistikler sekmesinden deneğin birleştirilmiş Çalışmalarını girip karma etkileri seçin. Basit OLS için modeli üç grup olarak ayarlayın ve grup için bir değerini girin.

Her bir denek sıfıra aittir. Aksi takdirde, eşikleme yapılacak üç gruba karşılık gelen üç seviyeli tek yönlü ANOVA kullanılarak her bir voksel üzerinde grup analizi yapılmalıdır. Z istatistik görüntüleri, korelasyon haritası üzerinde doğru Z değerlerini elde etmek için 2.0'dan büyük Z değerine sahip bir küme oluşturma eşiği ve P eşittir 0.05 olan düzeltilmiş bir küme anlamlılık eşiği kullanır.

Sonuçlar üzerinde ters fisher Z dönüşümü gerçekleştirilmelidir. Son olarak, burada ekranda görüldüğü üzere aşağıdaki spesifik kontrastları kullanın. Bu şekil; retro splenium ve precuneus'un kırmızı-sarı renklerde olduğu posterior bir seed'den gelen bağlantılarla ve ventromedial prefrontal korteksin mavi-yeşil renklerde olduğu anterior bir seed'den gelen bağlantılarla ortaya çıkarılan default mode network'ü göstermektedir.

İlk satır kontrol deneklerine ait ağı, ikinci satır sol temporal lob epilepsisini ve alt satır sağ temporal lob epilepsisini göstermektedir. Aşağıdaki şekiller, bu üç grup arasındaki ağları karşılaştırmaktadır. Burada, sağlıklı kontrollerle karşılaştırıldığında, sağ ve sol temporal lob epilepsisi kombinasyonu için ön ve arka bir tohumla ortaya çıkarılan varsayılan mod ağlarını görüyoruz.

Bu şekil, yalnızca sol temporal lob epilepsisi olanların sağlıklı kontrollerle karşılaştırılmasıyla aynı tohum noktaları kullanılarak ortaya çıkarılan varsayılan mod ağlarını göstermektedir. Bu şekil ise yalnızca sağ temporal lob epilepsisi olanların sağlıklı kontrollerle karşılaştırılmasıyla ortaya çıkarılan ağları göstermekte ve son olarak burada, sol temporal lob epilepsisinin sağ temporal lob epilepsisi ile karşılaştırılmasıyla bir anterior ve bir posterior tohum kullanılarak ortaya çıkarılan varsayılan mod ağlarını görmekteyiz. Tüm beyni kapsayan fonksiyonel bağlantısallık çalışmaları, epilepsinin temel mekanizmalarını anlamak için gereklidir.

Varsayılan mod ağının bağlantı özelliğini değerlendirmek için bu deneyde tohum tabanlı bir teknik kullandık. Temporal lob epilepsisini çalışırken diğer tekniklerin sonuçlarının nasıl karşılaştırıldığını görmek ilgi çekici olacaktır.