Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie

Medicine

Your institution must subscribe to JoVE's Medicine section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel Jr., J., Stern, J. M. Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy. J. Vis. Exp. (90), e51442, doi:10.3791/51442 (2014).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Funktionelle MRT-Konnektivität (fcMRI) ist ein fMRI-Methode, die die Verbindung der verschiedenen Hirnregionen, basierend auf der Korrelation der BOLD-Signal Schwankungen über die Zeit untersucht. Temporallappen-Epilepsie (TLE) ist die häufigste Form der Epilepsie und Erwachsenen umfasst mehrere Gehirnnetzwerken. Der Standard-Modus-Netzwerk (DMN) im Bewusstsein, Ruhezustand Kognition beteiligt und wird gedacht, um in TLE beeinträchtigt werden, wenn Anfälle verursachen Beeinträchtigung des Bewusstseins. Der DMN in der Epilepsie wurde mit Samen basierenden fcMRI sucht. Die vorderen und hinteren Naben der DMN wurden als Samen in dieser Analyse verwendet. Die Ergebnisse zeigen eine Trennung zwischen dem vorderen und hinteren Naben der DMN in TLE im Grundzustand. Darüber hinaus erhöht DMN-Konnektivität zu anderen Hirnregionen in der linken TLE zusammen mit verringerter Konnektivität in der rechten TLE wird enthüllt. Die Analyse zeigt, wie Samen-Basis fcMRI kann zur zerebralen Netzwerke Sonde in Gehirnstörungen wie TLE werden.

Introduction

Funktionelle Konnektivität MRI (fcMRI) ist eine relativ neue analytische Ansatz zur fMRI-Daten, die die Beziehung zwischen verschiedenen Hirnregionen, basierend auf der Ähnlichkeit ihrer Blutsauerstoffniveau abhängig (BOLD-Signal) Zeitreihen quantifiziert - dies wird als "funktional"-Konnektivität und ist unterscheidbar von anatomischen Konnektivität, die die Existenz von physikalischen Verbindungen zwischen den Regionen (z. B. weiße Substanz Fasern) beschreibt. In einer speziellen Anwendung dieser Vorgehensweise werden die Zeitreihe erfasst werden, wenn der Teilnehmer nicht in einer Aufgabe beschäftigt ist oder in der sogenannten "Ruhezustand".

Obwohl erstmals 1995 1 beschrieben, hat es immense Interesse an fcMRI was in etwa 1000 Publikationen auf die Technik im Jahr 2012 zusammen. FcMRI intrinsische Vorteile gegenüber aufgabenbasierte fMRI in (1), dass es keine bestimmte Aufgabe ausgeführt werden soll, ( 2) Gegenstand der Zusammenarbeit istnicht erforderlich ist, (3) Datensätze können verwendet werden, um verschiedene Netzwerke abgefragt werden, Gegenwart (4) besseres Signal-Rausch-Verhältnis ist wahrscheinlich auf Unterschiede in der zerebralen Energetik beteiligt, und (5) eine Umgehung der aufgabenbezogenen verwechselt 2. Als Beweis für sein Konzept, haben fcMRI Veränderungen gezeigt worden, um mit Veränderungen in der EEG 3 und 4 lokale Feldpotentiale im Gehirn entsprechen.

Techniken der Analyse fcMRI gehören ROI / Saatgut-basierte Techniken, Independent Component Analysis (ICA), Graphentheorie, Analyse, Granger Kausalitätsanalyse, lokale Verfahren (Amplitude der Niederfrequenzschwankungen, regionale Homogenitätsanalyse) und andere 5. Keine einzelne Technik hat noch nicht nachgewiesen klare Überlegenheit gegenüber anderen, obwohl die beliebtesten Methoden sind Samen-basierte Methoden-und ICA-6. Seed-basierte fcMRI korreliert zeitlichen Schwankungen in BOLD-Signal von einem vorgewählten Teil des vermeintlichen Netzwerk unter-Studie bezeichnet die "Seed1; oder "Region of Interest (ROI)" für alle anderen Teile des Gehirns. Bereiche des Gehirns, die BOLD-Signal Korrelation zu der Keimbereich gedacht werden, um Teile der beteiligten Netzwerkabzugrenzen. Im Gegensatz dazu verwendet ICA ein Modell freien datengetriebene Analyse raum-zeitlich korreliert Hirnareale (Independent Bauelemente, ICs) durch die Analyse der hämodynamischen Signaleigenschaften des gesamten Gehirns 5 extrahieren.

In der aktuellen Manuskript, eine Beschreibung in einer zuvor veröffentlichten Studie der Ruhezustand Saatgut-basierte Konnektivität Analyse der DMN in TLE Methoden vorgestellt 7. TLE ist die häufigste Form der Erwachsenen Epilepsie. Zusätzlich zu Krampfanfällen, verursacht TLE Dysfunktion des Gehirns mehrere Netzwerke, einschließlich Gedächtnis, Verhalten, Denken und sensorische Funktion 8. Der DMN wird von Hirnregionen dienlich bewusst, Ruhezustand Erkenntnis besteht. Der DMN wurde berichtet, in Anfällen mit eingeschränkter consc verbunden beteiligt werdeniousness 9,10. Zusätzlich der Hippocampus ist der Schlüssel-Struktur in TLE beteiligt und hat gedacht worden, um Bestandteil des DMN sein. Jedoch ist die Anbindung des PCC zum Hippokampus schwächer als mit anderen DMN-Komponenten wie medialen präfrontalen und inferioren parietalen Kortex. Dies deutet darauf hin, dass der Hippocampus ist entweder ein Subnetz des DMN oder interagierenden Netzwerk 11,12. Diese Gemeinsamkeiten zwischen TLE und DMN werfen die Möglichkeit, die funktionelle Konnektivität ist in TLE verändert DMN. Diese Analyse vergleicht die DMN der Patienten mit TLE zu gesunden Kontrollen, um Einblick in die Beteiligung der DMN in TLE zu gewinnen. Die Konnektivität der Samen in den Hauptzentren der DMN platziert - die vorderen und hinteren Nabe Regionen wurden analysiert, 12. Samen wurden in der hinteren Nabe aus der retrosplenium / Precuneus (Rsp / PCUn) sowie der vorderen Nabe aus ventromedialen präfrontalen Kortex (vmPFC) bei Patienten mit TLE und platziertgesunden Kontrollen, um die hinteren und vorderen Teilnetze des DMN identifizieren.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ein. Themen

  1. Die Studienpopulation von 36 Probanden umfasst 3 Gruppen: rechts TLE (n = 11), links TLE (n = 12) und gesunden Kontrollen (n = 13). Erhalten schriftliche Einverständniserklärung von allen Probanden. Die Studie folgt den Richtlinien der Universität von Kalifornien, Los Angeles (UCLA) Institutional Review Board.
  2. Die Epilepsie-Fachgruppen sollten Patienten, die per Video-EEG-Monitoring, Gehirn-MRT, PET-Bildgebung und neuropsychologische Tests bestimmt Kandidaten für die vorderen Schläfenlappen Resektion sein. Patienten sollten ihre üblichen Medikamente während der fMRT-Scan fortsetzen und sollte nicht sofort nach dem Anfall gescannt werden. Stellen Sie sicher, dass alle Probanden haben normale Gehirn-MRT und sind frei von neurologischen Erkrankungen (Epilepsie andere als in den Patientengruppen) oder werden mit neurologischen Medikamenten.

2. Imaging

  1. Verwenden Sie ein 3-Tesla-MRT-System für die Bildgebung. Erhalten axialen Schichten für funktionelle Bilder mit einem Echo-Planar-Bildgebunging (EPI)-Sequenz und für anatomische Bilder mit einem Farbverlauf erinnerte verwöhnt (SPGR)-Sequenz.
  2. Führen Sie die funktionelle Bildgebung mit folgenden Parametern: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, Matrix = 64 x 64, Schichtdicke 4 mm, 34 Scheiben schneiden. Verwenden Sie die folgenden Parameter für hochauflösende strukturelle Bildgebung: TR = 20 ms, TE = 3 ms, FOV = 256 mm, Matrix = 256 x 256, Schichtdicke 1 mm, 160 Scheiben.
  3. Jedes Imaging-Sitzung sollte 20 Minuten dauern. Bitten Sie die Teilnehmer entspannen Sie sich mit geschlossenen Augen. Keine spezielle Gehöreingang erforderlich ist.

3. Vorverarbeitung von BOLD Daten

  1. Vorverarbeitung der fMRI-Daten mit FSL (fMRIB Software Library) Software-Version 4.1.6 (Oxford, Großbritannien, www.fmrib.ox.ac.uk / fsl) 13,14. Vorverarbeitung Schritte sollten gehören: Verwenden FSL MCFLIRT der Kopfbewegung Artefakt 15 zu entfernen. Verwenden FSL BET zu nonbrain Gewebe 16 mit BET-Option-F für BOLD-Dateien zu entfernen. Das hilft einem Lauf feitere Analyseschritte auf dem Hirngewebe allein.
  2. In FEAT, führen Sie eine minimal verarbeitet Analyse mit Registrierung. Wählen Sie "First-Level-Analyse" und ändern Sie "Full-Analyse" auf "Pre-stats" aus den beiden oberen Knöpfe.
    1. Unter Pre-Statistiken Registerkarte, deaktivieren Sie "BET Gehirn Extraktion" und wählen Sie "None" für "Bewegungskorrektur" (wie diese wurden oben bereits geschehen). Registrieren der funktionalen (fett) Bilder der anatomischen (SPGR) Bilder, und dann einer Standard-(MNI) Bildes. Dies führt zu der Generation von Transformations-Matrizen, die bei der Analyse später verwendet werden, die in Standard-Raum in Raum Gehirn des Probanden ausgewählten Samen verziehen.
  3. Verwenden Sie die generierte Transformationsmatrix (mit dem Namen "standard2example_func.mat") und verwandeln CSF und weißen Substanz ROIs in einzelne BOLD Raum.
    1. Entpacken Sie die Zeitreihe aus der CSF und weißen Substanz ROIs mit dem Befehl fslmeants,Verwendung des ROI in einzelnen Fachraum als Maske. Normalisieren der extrahierten Zeitreihen mit Hilfe der Software "R". Diese Zeitreihen werden als Regressoren in der GLM später verwendet, um die entsprechenden Signale Artefakt aus der Analyse zu entfernen.
  4. Der nächste Schritt ist die Entfernung von Motivbewegung bezogenen Artefakten. Für Regression der Bewegungsparameter, setzen Sie die folgenden innerhalb FSL FEAT, bevor Sie es.
    1. Innerhalb der Registerkarte Daten verwenden Bewegungs korrigiert und Gehirn-extrahierte Datei als Eingänge, stellen Sie die TR-Wert, um Ihre Datenmenge entsprechen. Set Hochpassfilterung mit einem 100 sec-Filter. Die Hochpassfilterung wird Signale nicht von Interesse, die von sehr niedrigen Frequenz zu entfernen. Ein Tiefpaßfilter, um Hochfrequenzsignale zu entfernen wird später in Schritt 4.1 verwendet werden.
    2. Innerhalb der Registerkarte Pre-Statistiken, wählen Sie "Keine" unter "Bewegungskorrektur", wie es bereits getan wurde. Deaktivieren Sie "WETTE Gehirn Extraktion", wie es bereits getan wurde. Führen räumliche Glättungmit einem 5-mm-Halbwertsbreite (FWHM).
    3. Innerhalb der Registerkarte Statistik, die zurückbilden 6 Bewegungsparameter und deren zeitliche Ableitungen. Wählen Sie "None" für die Faltung und überprüfen Sie "Apply zeitliche Filterung." Verwenden Sie die Ausgabe von FSL MCFLIRT Textdateien Bewegungsparameter zu erhalten, die dann in den FEAT Analysemodell, um diese in einem allgemeinen linearen Modell (GLM) zurückbilden kann
    4. Fügen Sie auch die CSF und weißen Substanz extrahiert und Signale, die in den vorherigen Schritten normalisiert wurden dem GLM. Wählen Sie "None" für die Faltung, fügen zeitliche Ableitung, und deaktivieren Sie "Apply zeitliche Filterung".

4. Statistische Methoden

  1. Die Residuen aus Vorverarbeitung oben beschrieben sollte für Saatgut-basierte Korrelation verwendet werden. Diese Rückstände zunächst durch ein Tiefpassfilter von 0,1 Hz weitergeleitet werden und dann durch Subtrahieren der mittleren, Dividieren durch die Standardabweichung, und dann durch Zugabe von skalierten erniedrigt100. Sollten Samen mit einem Durchmesser von 6 mm in der Standard MNI Raum mit MRICron Software definiert werden.
  2. Die hintere und die vordere Samen sollten die folgenden Koordinaten entsprechen: (1) Rsp / PCUn Bereich (x = 2, y = -60, z = 36) und (2) ventromedialen präfrontalen Kortex (vmPFC, x = 3, y = 60, z = -1). Die Samen wurden innerhalb von Standorten gesunden Kontrollen definiert, die mit dem Thema Raum in dem nächsten Schritt 17-19 transformiert.
    1. Die Samen sollten anschließend auf die einzelnen Funktionsraum Gehirn jedes Thema aus dem Standard-MNI-Raum transformiert werden. Dazu verwenden Sie den oben erzeugten Transformationsmatrix (mit dem Namen "standard2example_func.mat"), um die Samen von Standard-(MNI) Raum in den einzelnen Funktions (BOLD-) Raum zu verwandeln.
    2. Verwenden Sie den Befehl fslmeants, um die Zeitreihe aus der zuvor erniedrigt und skaliert Rest, mit dem Samen in den einzelnen Fachraum als Maske zu extrahieren. Normalisieren der extrahierten Zeitreihen über die Soft-ware "R".
  3. Partielle Korrelationen zwischen den Samen Voxel und alle anderen Hirn Voxel separat für jedes Thema für jeden Durchlauf berechnet werden. Dazu in der FSL FEAT GUI, wählen Sie "First-Level-Analyse", und dann "Statistiken + Post-Statistiken". Innerhalb der Registerkarte Daten, sollte die zuvor erniedrigt und skaliert Rest als Input FEAT verwendet werden.
  4. Stellen Sie den Hochpassfiltergrenz bis 10.000, wie die Rest ist bereits hoch bei 100 sec geleitet. Innerhalb der Registerkarte Statistik, deaktivieren Sie "Use FILM prewhitening", und verwenden Sie die zuvor extrahierte und normalisiert Samen Zeitreihen in der GLM. Innerhalb der Registerkarte Post-Statistiken, die gewünschte Z-stat-Schwelle auf einen Wert von 2,0.
  5. Vor dem Ausführen von Gruppenanalyse kombiniert Läufe innerhalb der Subjekte, sollte ein Fisher-Z-Transformation auf die von der zuvor laufen Korrelationsanalyse (Schritt 4.3) erzeugt COPE (Kontrast der Parameterschätzer)-Datei durchgeführt werden. Anmeldung Kopieren von Daten from der "reg"-Verzeichnis des FEAT Analyse in Schritt 3.1 getan in der Korrelation Lauf von Schritt 4.3.
  6. Führen Sie einen übergeordneten Analyse durch die Kombination läuft in jedem Thema. Dazu in der FSL FEAT GUI, wählen Sie "Higher-Level-Analyse", und dann "Statistiken + Post-Statistiken". Innerhalb der Registerkarte "Daten", wählen Sie "Eingänge sind untergeordnete Verzeichnisse FEAT" und geben Sie läuft Subjekts aus Schritt 4.4. Innerhalb der Registerkarte "Statistik", wählen Sie "Gemischte Effekte: Einfache OLS". Up-Modell als Mittel Wirkung Set; geben Sie den Wert 1 für jede Lauf des Subjekts.
  7. Um Daten über läuft zwischen den Fächern, einer der kleinsten Quadrate (OLS) kombinieren sollte einfach gemischte Effekte Analyse verwendet werden. Dazu in der FSL FEAT GUI, wählen Sie "Higher-Level-Analyse" und "Statistiken + Post-Statistiken". Innerhalb der Registerkarte Daten wählen "Eingänge sind untergeordnete Verzeichnisse FEAT" und geben Probanden Auflagen aus Schritt 4.5.
  8. Innerhalb der Registerkarte Statistik, wählen Sie "Gemischte Effekte: Einfache OLS" 'ein Modell zu 3 Gruppen Set; geben Sie den Wert 1 für die Gruppe jeder Proband gehört, sonst 0. Gruppe Analyse sollte auf jeden Voxel mit einem One-Way-ANOVA mit drei Ebenen, die zu den drei Gruppen (rechts TLE links TLE und gesunde Kontrollen) entsprach geführt werden.
  9. Um die Schwelle Z-Statistik Bilder zu verwenden Cluster-Bildung Schwelle von Z> 2,0 und korrigiert Cluster signifikante Schwelle von p = 0,05 20. Um eine korrekte z-Werte auf der Korrelationskarte zu erhalten, sollte eine umgekehrte Fisher-Z-Transformation auf die Ergebnisse durchgeführt werden.
  10. Die folgenden spezifischen Kontraste sollten (1) rechte TLE> Kontrollen verglichen werden; (2) links TLE> Kontrollen; (3) rechte TLE> links TLE; (4) TLE links> rechts TLE; (5) Steuer> rechte TLE; (6) Steuer> links TLE; (7) TLE (kombiniert rechts und links)> Kontrolle; und (7) Steuer> TLE (kombiniert rechts und links).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Abbildung 1 zeigt die DMN zeigte mit Konnektivität von einem hinteren Samen (RSP / PCUn, rot-gelb-Farben) und einer vorderen Samen (vmPFC, blau-grünen Farben) und vergleicht die Netze in den verschiedenen Fächergruppen festgestellt (Abb. 1A-C) und zwischen sich, und zwar im Vergleich zu gesunden Kontrollen aller Patienten mit TLE (Fig. 1D und 1E), und gesunden Kontrollen einzeln nach links TLE (Fig. 1F und 1G) und rechten TLE (Fig. 1H und 1I) verglichen. Direkter Vergleich zwischen der linken und rechten TLE ist ebenfalls gezeigt (Fig. 1J und 1K).

TLE

TLE enthält Fächer, die entweder rechts oder links TLE. Vergleich mit den Kontrollen, diese kombinierte Gruppe hatte Konnektivität von der hinteren zur vorderen DMN Bereich (1D reduziert, Roten Farben) ein sowie reduzierte Konnektivität aus der vorderen Region DMN zu den hinteren Komponenten (1D, blauen Farben). Patienten mit TLE zeigten auch erhöhte fronto-parietalen Verbindung mit dem vorderen und hinteren DMN (1E, blau / rote Farben).

Links TLE

Patienten mit TLE links hatte Konnektivität des hinteren DMN DMN mit den vorderen Regionen und den Hippocampus, parahippocampus, Hirnstamm reduziert und medial visuellen Kortex (1F, roten Farben). Mit einem vorderen Samen, reduzierte Konnektivität mit hinteren Komponenten (Hippocampus, Gyrus dentatus, spindelförmigen Gyrus dentatus sprachige, Gyrus cinguli) war auch zu sehen (1F, blauen Farben). Patienten mit TLE links gefunden, um eine erweiterte peri-Kiemendeckel Netz zu den hinteren und vorderen Samen (1G, roten und blauen Farben) comp angeschlossen habenzu gesunden Kontrollen ared.

Rechts TLE

Wie im Fall von Patienten mit TLE links, rechts hatten diejenigen mit TLE Anbindung des hinteren DMN Saatguts mit den vorderen DMN Komponenten (1H, roten Farben) reduziert. Der vordere Samen hatte Konnektivität zu Zahnbereich (bilaterale Hippocampus, Putamen, Nucleus caudatus) und der vorderen DMN selbst reduziert. (Abbildung 1H, blauen Farben). Bereiche mit erhöhter Konnektivität der hinteren und vorderen rechten Samen in TLE enthalten linken lateralen temporalen Kortex, Precuneus, Cingulum und zusätzliche Motorkortex. (1I).

Rechts vs Links TLE

Direkter Vergleich von rechts mit links TLE TLE zeigte eine bessere Anbindung der hinteren DMN Samen auf der linken Seite in der linken Gyrus supramarginalis TLE (Abbildung 1J, roten Farben) sowie die vordere DMN Samen FrontalBereiche (Abbildung 1J, blauen Farben) im Vergleich zu rechts TLE. Bereiche erhöhte Konnektivität der hinteren rechten Samen in TLE enthalten den linken Hippocampus, spindelförmig und Regionen der bilateralen Thalamus und Hirnstamm. Bereiche erhöhte Konnektivität des vorderen rechten Samen in TLE enthalten Precuneus bilateralen Thalamus Regionen und Hirnstammregionen. (Abbildung 1 K).

Figur 1
Abbildung 1. Vergleich von DMN in TLE im Vergleich zu gesunden Kontrollen. Die DMN-Konnektivität mit einem hinteren Samen (posterior DMN, Rsp / PCUn, rot-gelb-Farben) und eine vordere Samen (vmPFC, blau-grünen Farben) in verschiedenen gezeigt Fächergruppen (AC), TLE Vergleich zu gesunden Kontrollen (DE), links TLE Vergleich zu gesunden Kontrollen (FG)Rechten TLE im Vergleich zu gesunden Kontrollen (HALLO), und rechts nach links verglichen TLE TLE (JK). C-Control; L-Links TLE; R-rechts TLE. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Epilepsie ist gedacht, um eine Netzwerk Krankheit sein, und Anomalien der beteiligten Netzwerke während der Anfälle und in der interiktalen Zustand 21 vorhanden sind. Aufgabenbasierte fMRI wurde verwendet, um Anomalien der Sprache und Speichernetzwerke in TLE 8 zu analysieren. FcMRI hat inhärente Vorteile bei der Untersuchung des DMN 12, wie es ein Netzwerk in den Ruhezustand im Wesentlichen ausgeschaltet. DMN ist ein Netzwerk von Hirnregionen, die gefunden wurde an wachen Personen, die ungestört gelassen werden und in Eingriff spontanen Gedanken aktiv zu sein. Diese Regionen haben gezeigt, dass die vmPFC, Rsp / PCUn, posterioren cingulären Cortex, inferioren parietalen Regionen, seitliche temporalen Regionen und den Hippocampus 12,17 enthalten. Der DMN wird gedacht, um ein Substrat für den bewussten Zustand. Es ist berichtet worden, in Bedingungen, die das Bewusstsein, Gedächtnis und soziale Kognition wie Absencen, Alzheimer-Krankheit, Autismus und / Schizophrenie, Gebieten zu verändernVely 22-26.

Der Schläfenlappen ist eng mit der DMN verbunden. Sekundäre Beteiligung des DMN kann die Wirkung von TLE auf die Kognition und Bewusstsein 12,27 vermitteln. Solch eine sekundäre Beteiligung des DMN kann auch ursächlich für die klinischen Effekte von anderen Bedingungen, die den Temporallappen / limbischen Systems wie Schizophrenie 25 und Alzheimer 22,26. Frühere Studien haben DMN Beteiligung an TLE und andere Formen von Epilepsie während der Anfälle gezeigt, während interiktalen epileptischen Entladungen und in der interiktalen Zustand 9,28-33. Diese Studien weisen auf eine potenziell wichtige Rolle der DMN in der interiktalen elektro und iktale Verhaltensmerkmale der TLE. Im aktuellen Experiment Samenbasis fcMRI wurde verwendet, um das TLE-DMN in der Grundzustand zu analysieren, um die Wirkung auf die TLE DMN auszuwerten. Die Nabe und Speichen-Modell des DMN postuliert, dass seine wichtigen Subsysteme sind die hinteren(RSP / PCUn) und vorderen (vmPFC)-Komponenten. Hier werden die Verbindungseigenschaften der beiden Hauptregionen einzeln untersucht, um zu bewerten, wie TLE wirkt sich auf ihre Vernetzung und die damit verbundenen Teilnetzen.

Die aktuelle Saatgut-basierte Analyse zeigt eine Trennung zwischen den vorderen und hinteren Naben der DMN. Solche funktionellen Konnektivität Reduktion wird wahrscheinlich zu einer Verringerung der anatomischen weißen Substanz Konnektivität zwischen den beteiligten Strukturen verwandt wie in einer Studie, die gleichzeitige Reduzierung der funktionellen und weißen Substanz Konnektivität zwischen dem hinteren DMN und des Hippocampus bei Patienten mit TLE 34 gezeigt. Darüber hinaus veranschaulicht es in der Regel eine bessere Anbindung in TLE links von der vorderen und hinteren Naben der DMN zu anderen Hirnregionen und in der Regel verringerte Konnektivität in der rechten TLE. Dies ist im Einklang mit früheren Studien, die eine reduzierte Konnektivität in TLE rechts und Ausgleichs steigtder Konnektivität in der linken TLE 30,35. Im Allgemeinen neigt rechts TLE bilaterale Strukturen beinhalten, während links TLE beinhaltet Umverteilung der funktionelle Aktivierung 36,37. Dies ist in der vorderen linken TLE Saatgut, wobei eine größere Anbindung an die peri-Kiemendeckel Bereichen besonders ausgeprägt, im Vergleich zu rechts TLE (Abbildungen 1G, 1I und 1J). Dies, kombiniert mit der unteren Anbindung des hinteren Saatgut links TLE Vergleich zu den Kontrollen (Fig. 1F und 1K), legt nahe, dass die erhöhte vordere Konnektivität linken TLE können von einer Trennung des hinteren Saatgut oder die Verbindungen zwischen den hinteren und vorderen führen Samen. Der Hippocampus wird mit der vorderen DMN über den hinteren DMN 34 verbunden.

Das in dieser Studie verwendete Verfahren kann durch Ändern der Lage und Saatgut Erzeugen Gehirnnetzwerken, die anderen Hirnregionen verändert werden. AlAlternative Analyse-Software verwendet werden, um ähnliche Analyse zu tun (z. B. SPM, AFNI). Samen basierenden Korrelationsanalysen begrenzt, dass sie eine Hypothese über die Struktur des mutmaßlichen Netzwerk in Untersuchung für eine vorherige Bestimmung der Lage des Samens erforderlich. Wenn die zugrunde liegende Hypothese ist, fehlerhaft, wären die Ergebnisse nicht zu importieren.

Resting-State-fcMRI 2 kann ein Maß für funktionelle Konnektivität basierend auf spontane Modulationen (dh t fragen nicht verwandten) in BOLD-Signale zu liefern. Zwei häufigsten verwendeten Methoden für diesen Zweck sind Samen (Region of Interest) auf der Basis von Korrelationen und ICA-6. Seed basierend Korrelationsanalyse erfordert eine Hypothese über die Struktur des mutmaßlichen Netzwerk in Untersuchung für eine vorherige Bestimmung der Lage des Samens. Nach der Auswahl der Samen Lage und Extrahieren der BOLD-Signal der Voxel den Samen, ein Voxel-für-Voxel-Analyse des gesamten Gehirns bildendurchgeführt, um andere Gehirnregionen mit ähnlichen BOLD Signalmuster zu identifizieren, und das verdeutlicht eine korrelierte Netzwerk. Eine andere Methode der Saatgutanalyse ist durch Korrelieren des Signals zwischen zwei oder mehreren Regionen von Interesse. Verwendung eines solchen Verfahrens wurde gefunden, dass die Konnektivität zwischen den läsionaler Hippocampus und der hinteren DMN in TLE 38 reduziert werden. Auf der anderen Seite, ist ICA Daten getrieben, ohne eine bereits bestehende Hypothese und grenzt räumlich-zeitlich unterschiedlichen Netzwerken innerhalb der Ruhezustand des Gehirns. Eine Studie von DMN in TLE wurde ebenfalls durchgeführt unter Verwendung von ICA und festsetzt Konnektivität des vorderen DMN bei Patienten mit rechten und linken TLE Vergleich zu Kontrollen. Allerdings zeigte unser ROI (Samen)-basierte Analyse das Vorhandensein einer vorderen DMN-Netzwerk in TLE, die eigentlich in der linken TLE umfangreicher war im Vergleich zu Kontrollpersonen. Diese Diskrepanz könnte auf die vorgeschlagene Trennung der vorderen von posterior DMN, wo ein getrennt vorderen netzw bezogen werdenork ist weniger sichtbar bei der Bewertung eines Netzwerk in erster Linie durch die hinteren DMN Verbindungen identifiziert. In Übereinstimmung mit einer früheren Studie konnten wir die mesialen zeitliche Engagement in TLE 39 replizieren.

Die vorliegende Analyse zeigt, wie Samen-Basis fcMRI kann verwendet werden, um zerebrale Netzwerke Sonde in Gehirnstörungen wie TLE werden. Die Identifizierung solcher Gruppenunterschiede hilft zu verstehen, die funktionelle Veränderungen in Krankheitszustände, die Möglichkeit eröffnet, von zukünftigen Anwendungen, die Analysen, die im Ein-Fach-Ebene 2 interpretiert werden können, umzusetzen.

Eine Einschränkung dieser Analyse ist die Unfähigkeit, die wach / Einschlafen Zustand des Individuums bestimmen. Schlaf hat mit eingeschränkter Konnektivität des DMN frontalen Kortex mit dem Tiefschlaf mit 40 oder 41 Vollnarkose verbunden. Weitere Untersuchungen ist gerechtfertigt, um zu erforschen, ob diese Ergebnisse durch Steuern für Schlafzustand wiedergegeben werden.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Dr. Engel wird von NIH Grants NS02808 P01, R01 NS33310 und U01 NS42372 finanziert wird, hat Patente WO 2009/123734A1 und WO 2009/123735A1, Lizenzgebühren von MedLink, Wolters Kluwer, Blackwell und Elsevier, und hat Honorare von Medtronics erhalten , Wolters Kluwer und besten Ärzte. Dr. Stern hat als bezahlter Berater für UCB und Lundbeck serviert. Dr. Stern ist ein Editor von MedLink Neurologie und hat Lizenzgebühren von Wolters Kluwer und von McGraw-Hill erhielt. Die übrigen Autoren haben keine Angaben oder Interessenkonflikte zu erklären.

Acknowledgments

NIH-NINDS K23 Zuschuss NS044936 (JMS), Finanzierung für diese Forschung wurde von The Epilepsy Foundation of America, Baylor College of Medicine und Computational Integrative Biomedical Research Center (ciBR) Seed Grants Awards (ZH) vorgesehen ist; . Elizabeth Pierce (UCLA): Die Leff und Family Foundation (JMS) Die Datenerfassung wurde nach Vorarbeit.

Materials

Name Company Catalog Number Comments
MRI machine
Linux workstation with image analysis software installed

DOWNLOAD MATERIALS LIST

References

  1. Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn. Reson. Med. 34, 537-541 (1995).
  2. Fox, M. D., Greicius, M. Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 1-13 (2010).
  3. Laufs, H., et al. Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest. Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).
  4. Shmuel, A., Leopold, D. A. Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest. Hum. Brain Mapp. 29, 751-761 (2008).
  5. Margulies, D. S., et al. Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity. Magn. Mater. Phys. Biol. 23, 289-307 (2010).
  6. Biswal, B. B., et al. Toward discovery science of human brain function. Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).
  7. Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. Effect of lateralized temporal lobe epilepsy on the default mode network. Epilepsy Behav. 25, 350-357 (2012).
  8. Pillai, J. J., Williams, H. T., Faro, S. Functional imaging in temporal lobe epilepsy. Semin. Ultrasound. CT MR. 28, 437-450 (2007).
  9. Blumenfeld, H., et al. Positive and negative network correlations in temporal lobe epilepsy. Cereb. Cortex. 14, 892-902 (2004).
  10. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).
  11. Fransson, P., Marrelec, G. The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis. Neuroimage. 42, 1178-1184 (2008).
  12. Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. The brain's default network. Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).
  13. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimage. 14, 1370-1386 (2001).
  14. Forman, S. D., et al. Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold. Magn. Reson. Med. 33, 636-647 (1995).
  15. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage. 17, 825-841 (2002).
  16. Smith, S. M. Fast robust automated brain extraction. Hum. Brain Mapp. 17, 143-155 (2002).
  17. Raichle, M. E., et al. A default mode of brain function. Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).
  18. Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. Functional connectivity of default mode network components: correlation. Hum. Brain Mapp. 30, 625-637 (2009).
  19. Singh, K. D., Fawcett, I. P. Transient and linearly graded deactivation of the human default-mode network by a visual detection task. Neuroimage. 41, 100-112 (2008).
  20. Worsley, K. J., Evans, A., Marrett, S., Neelin, P. A three-dimensional statistical analysis for CBF activation studies in human brain. J. Cereb. Blood Flow Metab. 12, 900-918 (1992).
  21. Spencer, S. S. Neural networks in human epilepsy: evidence of and implications for treatment. Epilepsia. 43, 219-227 (2002).
  22. Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI. Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).
  23. Kennedy, D. P., Redcay, E., Courchesne, E. Failing to deactivate: resting functional abnormalities in autism. Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).
  24. Garrity, A. G., et al. Aberrant "default mode" functional connectivity in schizophrenia. Am. J. Psychiatry. 164, 450-457 (2007).
  25. Mannell, M. V., et al. Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls. Hum. Brain Mapp. 31, 424-437 (2010).
  26. Jones, D., et al. Age-related changes in the default mode network are more advanced in Alzheimer disease. Neurology. 77, 1524-1531 (2011).
  27. Kobayashi, Y., Amaral, D. G. Macaque monkey retrosplenial cortex II. Cortical afferents. J. Comp. Neurol. 466, 48-79 (2003).
  28. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).
  29. Laufs, H., et al. Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions. Hum. Brain Mapp. 28, 1023-1032 (2007).
  30. Morgan, V. L., Gore, J. C., Abou-Khalil, B. Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI. Epilepsy Res. 88, 168-178 (2010).
  31. Gotman, J., et al. Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain. Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).
  32. Hamandi, K., et al. EEG-fMRI of idiopathic and secondarily generalized epilepsies. Neuroimage. 31, 1700-1710 (2006).
  33. Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. Patterns of altered functional connectivity in mesial temporal lobe epilepsy. Epilepsia. 53, 1013-1023 (2012).
  34. Liao, W., et al. Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI. Hum. Brain Mapp. 32, 883-895 (2011).
  35. Pereira, F. R., et al. Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI. BMC Neurosci. 11, 1-13 (2010).
  36. Dupont, S., et al. Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy. J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).
  37. Vlooswijk, M. C., et al. Functional MRI in chronic epilepsy: associations with cognitive impairment. Lancet Neurol. 9, 1018-1027 (2010).
  38. McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy. Epilepsia. 54, (2013).
  39. Zhang, Z., et al. Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy. Brain Res. 1323, 152-160 (2010).
  40. Horovitz, S. G., et al. Decoupling of the brain's default mode network during deep sleep. Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).
  41. Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. Altered local coherence in the default mode network due to sevoflurane anesthesia. Brain Res. 1318, 110-121 (2010).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics