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.

Ein. Themen <ol><li> 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. </li><li> 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. </li></ol> 2. Imaging <ol><li> 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. </li><li> 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. </li><li> Jedes Imaging-Sitzung sollte 20 Minuten dauern. Bitten Sie die Teilnehmer entspannen Sie sich mit geschlossenen Augen. Keine spezielle Gehöreingang erforderlich ist. </li></ol> 3. Vorverarbeitung von BOLD Daten <ol><li> 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. </li><li> In FEAT, führen Sie eine minimal verarbeitet Analyse mit Registrierung. Wählen Sie &quot;First-Level-Analyse&quot; und ändern Sie &quot;Full-Analyse&quot; auf &quot;Pre-stats&quot; aus den beiden oberen Knöpfe. <ol><li> Unter Pre-Statistiken Registerkarte, deaktivieren Sie &quot;BET Gehirn Extraktion&quot; und wählen Sie &quot;None&quot; für &quot;Bewegungskorrektur&quot; (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. </li></ol></li><li> Verwenden Sie die generierte Transformationsmatrix (mit dem Namen &quot;standard2example_func.mat&quot;) und verwandeln CSF und weißen Substanz ROIs in einzelne BOLD Raum. <ol><li> 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 &quot;R&quot;. Diese Zeitreihen werden als Regressoren in der GLM später verwendet, um die entsprechenden Signale Artefakt aus der Analyse zu entfernen. </li></ol></li><li> Der nächste Schritt ist die Entfernung von Motivbewegung bezogenen Artefakten. Für Regression der Bewegungsparameter, setzen Sie die folgenden innerhalb FSL FEAT, bevor Sie es. <ol><li> 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. </li><li> Innerhalb der Registerkarte Pre-Statistiken, wählen Sie &quot;Keine&quot; unter &quot;Bewegungskorrektur&quot;, wie es bereits getan wurde. Deaktivieren Sie &quot;WETTE Gehirn Extraktion&quot;, wie es bereits getan wurde. Führen räumliche Glättungmit einem 5-mm-Halbwertsbreite (FWHM). </li><li> Innerhalb der Registerkarte Statistik, die zurückbilden 6 Bewegungsparameter und deren zeitliche Ableitungen. Wählen Sie &quot;None&quot; für die Faltung und überprüfen Sie &quot;Apply zeitliche Filterung.&quot; 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 </li><li> Fügen Sie auch die CSF und weißen Substanz extrahiert und Signale, die in den vorherigen Schritten normalisiert wurden dem GLM. Wählen Sie &quot;None&quot; für die Faltung, fügen zeitliche Ableitung, und deaktivieren Sie &quot;Apply zeitliche Filterung&quot;. </li></ol></li></ol> 4. Statistische Methoden <ol><li> 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. </li><li> 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. <ol><li> 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 &quot;standard2example_func.mat&quot;), um die Samen von Standard-(MNI) Raum in den einzelnen Funktions (BOLD-) Raum zu verwandeln. </li><li> 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 &quot;R&quot;. </li></ol></li><li> 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 &quot;First-Level-Analyse&quot;, und dann &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte Daten, sollte die zuvor erniedrigt und skaliert Rest als Input FEAT verwendet werden. </li><li> Stellen Sie den Hochpassfiltergrenz bis 10.000, wie die Rest ist bereits hoch bei 100 sec geleitet. Innerhalb der Registerkarte Statistik, deaktivieren Sie &quot;Use FILM prewhitening&quot;, 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. </li><li> 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 &quot;reg&quot;-Verzeichnis des FEAT Analyse in Schritt 3.1 getan in der Korrelation Lauf von Schritt 4.3. </li><li> Führen Sie einen übergeordneten Analyse durch die Kombination läuft in jedem Thema. Dazu in der FSL FEAT GUI, wählen Sie &quot;Higher-Level-Analyse&quot;, und dann &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte &quot;Daten&quot;, wählen Sie &quot;Eingänge sind untergeordnete Verzeichnisse FEAT&quot; und geben Sie läuft Subjekts aus Schritt 4.4. Innerhalb der Registerkarte &quot;Statistik&quot;, wählen Sie &quot;Gemischte Effekte: Einfache OLS&quot;. Up-Modell als Mittel Wirkung Set; geben Sie den Wert 1 für jede Lauf des Subjekts. </li><li> 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 &quot;Higher-Level-Analyse&quot; und &quot;Statistiken + Post-Statistiken&quot;. Innerhalb der Registerkarte Daten wählen &quot;Eingänge sind untergeordnete Verzeichnisse FEAT&quot; und geben Probanden Auflagen aus Schritt 4.5. </li><li> Innerhalb der Registerkarte Statistik, wählen Sie &quot;Gemischte Effekte: Einfache OLS&quot; &#39;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. </li><li> Um die Schwelle Z-Statistik Bilder zu verwenden Cluster-Bildung Schwelle von Z&gt; 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. </li><li> Die folgenden spezifischen Kontraste sollten (1) rechte TLE&gt; Kontrollen verglichen werden; (2) links TLE&gt; Kontrollen; (3) rechte TLE&gt; links TLE; (4) TLE links&gt; rechts TLE; (5) Steuer&gt; rechte TLE; (6) Steuer&gt; links TLE; (7) TLE (kombiniert rechts und links)&gt; Kontrolle; und (7) Steuer&gt; TLE (kombiniert rechts und links). </li></ol>

<ol>
	<li>Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+connectivity+in+the+motor+cortex+of+resting+human+brain+using+echo-planar+MRI.">Functional connectivity in the motor cortex of resting human brain using echo-planar MRI.</a> Magn. Reson. Med. 34, 537-541 (1995).</li><li>Fox, M. D., Greicius, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+applications+of+resting+state+functional+connectivity.">Clinical applications of resting state functional connectivity.</a> Front. Syst. Neurosci. 4, 1-13 (2010).</li><li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Electroencephalographic+signatures+of+attentional+and+cognitive+default+modes+in+spontaneous+brain+activity+fluctuations+at+rest.">Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest.</a> Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).</li><li>Shmuel, A., Leopold, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuronal+correlates+of+spontaneous+fluctuations+in+fMRI+signals+in+monkey+visual+cortex:+Implications+for+functional+connectivity+at+rest.">Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest.</a> Hum. Brain Mapp. 29, 751-761 (2008).</li><li>Margulies, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Resting+developments:+a+review+of+fMRI+post-processing+methodologies+for+spontaneous+brain+activity.">Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity.</a> Magn. Mater. Phys. Biol. 23, 289-307 (2010).</li><li>Biswal, B. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Toward+discovery+science+of+human+brain+function.">Toward discovery science of human brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).</li><li>Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Effect+of+lateralized+temporal+lobe+epilepsy+on+the+default+mode+network.">Effect of lateralized temporal lobe epilepsy on the default mode network.</a> Epilepsy Behav. 25, 350-357 (2012).</li><li>Pillai, J. J., Williams, H. T., Faro, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+imaging+in+temporal+lobe+epilepsy.">Functional imaging in temporal lobe epilepsy.</a> Semin. Ultrasound. CT MR. 28, 437-450 (2007).</li><li>Blumenfeld, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Positive+and+negative+network+correlations+in+temporal+lobe+epilepsy.">Positive and negative network correlations in temporal lobe epilepsy.</a> Cereb. Cortex. 14, 892-902 (2004).</li><li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy.">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).</li><li>Fransson, P., Marrelec, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+precuneus/posterior+cingulate+cortex+plays+a+pivotal+role+in+the+default+mode+network:+Evidence+from+a+partial+correlation+network+analysis.">The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis.</a> Neuroimage. 42, 1178-1184 (2008).</li><li>Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+brain's+default+network.">The brain's default network.</a> Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).</li><li>Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temporal+autocorrelation+in+univariate+linear+modeling+of+FMRI+data.">Temporal autocorrelation in univariate linear modeling of FMRI data.</a> Neuroimage. 14, 1370-1386 (2001).</li><li>Forman, S. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Improved+assessment+of+significant+activation+in+functional+magnetic+resonance+imaging+(fMRI):+use+of+a+cluster+size+threshold.">Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold.</a> Magn. Reson. Med. 33, 636-647 (1995).</li><li>Jenkinson, M., Bannister, P., Brady, M., Smith, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Improved+optimization+for+the+robust+and+accurate+linear+registration+and+motion+correction+of+brain+images.">Improved optimization for the robust and accurate linear registration and motion correction of brain images.</a> Neuroimage. 17, 825-841 (2002).</li><li>Smith, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+robust+automated+brain+extraction.">Fast robust automated brain extraction.</a> Hum. Brain Mapp. 17, 143-155 (2002).</li><li>Raichle, M. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+default+mode+of+brain+function.">A default mode of brain function.</a> Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).</li><li>Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+connectivity+of+default+mode+network+components:+correlation.">Functional connectivity of default mode network components: correlation.</a> Hum. Brain Mapp. 30, 625-637 (2009).</li><li>Singh, K. D., Fawcett, I. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Transient+and+linearly+graded+deactivation+of+the+human+default-mode+network+by+a+visual+detection+task.">Transient and linearly graded deactivation of the human default-mode network by a visual detection task.</a> Neuroimage. 41, 100-112 (2008).</li><li>Worsley, K. J., Evans, A., Marrett, S., Neelin, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+three-dimensional+statistical+analysis+for+CBF+activation+studies+in+human+brain.">A three-dimensional statistical analysis for CBF activation studies in human brain.</a> J. Cereb. Blood Flow Metab. 12, 900-918 (1992).</li><li>Spencer, S. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neural+networks+in+human+epilepsy:+evidence+of+and+implications+for+treatment.">Neural networks in human epilepsy: evidence of and implications for treatment.</a> Epilepsia. 43, 219-227 (2002).</li><li>Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Default-mode+network+activity+distinguishes+Alzheimer's+disease+from+healthy+aging:+evidence+from+functional+MRI.">Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI.</a> Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).</li><li>Kennedy, D. P., Redcay, E., Courchesne, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Failing+to+deactivate:+resting+functional+abnormalities+in+autism.">Failing to deactivate: resting functional abnormalities in autism.</a> Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).</li><li>Garrity, A. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Aberrant+&amp;#34;default+mode&amp;#34;+functional+connectivity+in+schizophrenia.">Aberrant &amp;#34;default mode&amp;#34; functional connectivity in schizophrenia.</a> Am. J. Psychiatry. 164, 450-457 (2007).</li><li>Mannell, M. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Resting+state+and+task-induced+deactivation:+A+methodological+comparison+in+patients+with+schizophrenia+and+healthy+controls.">Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls.</a> Hum. Brain Mapp. 31, 424-437 (2010).</li><li>Jones, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Age-related+changes+in+the+default+mode+network+are+more+advanced+in+Alzheimer+disease.">Age-related changes in the default mode network are more advanced in Alzheimer disease.</a> Neurology. 77, 1524-1531 (2011).</li><li>Kobayashi, Y., Amaral, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Macaque+monkey+retrosplenial+cortex+II.+Cortical+afferents.">Macaque monkey retrosplenial cortex II. Cortical afferents.</a> J. Comp. Neurol. 466, 48-79 (2003).</li><li>Dupont, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+perfusion+patterns+in+temporal+lobe+epilepsy.">Dynamic perfusion patterns in temporal lobe epilepsy.</a> Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).</li><li>Laufs, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temporal+lobe+interictal+epileptic+discharges+affect+cerebral+activity+in+&#8220;default+mode&#8221;+brain+regions.">Temporal lobe interictal epileptic discharges affect cerebral activity in &#8220;default mode&#8221; brain regions.</a> Hum. Brain Mapp. 28, 1023-1032 (2007).</li><li>Morgan, V. L., Gore, J. C., Abou-Khalil, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+epileptic+network+in+left+mesial+temporal+lobe+epilepsy+detected+using+resting+fMRI.">Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI.</a> Epilepsy Res. 88, 168-178 (2010).</li><li>Gotman, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Generalized+epileptic+discharges+show+thalamocortical+activation+and+suspension+of+the+default+state+of+the+brain.">Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain.</a> Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).</li><li>Hamandi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG-fMRI+of+idiopathic+and+secondarily+generalized+epilepsies.">EEG-fMRI of idiopathic and secondarily generalized epilepsies.</a> Neuroimage. 31, 1700-1710 (2006).</li><li>Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Patterns+of+altered+functional+connectivity+in+mesial+temporal+lobe+epilepsy.">Patterns of altered functional connectivity in mesial temporal lobe epilepsy.</a> Epilepsia. 53, 1013-1023 (2012).</li><li>Liao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Default+mode+network+abnormalities+in+mesial+temporal+lobe+epilepsy:+a+study+combining+fMRI+and+DTI.">Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI.</a> Hum. Brain Mapp. 32, 883-895 (2011).</li><li>Pereira, F. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Asymmetrical+hippocampal+connectivity+in+mesial+temporal+lobe+epilepsy:+evidence+from+resting+state+fMRI.">Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI.</a> BMC Neurosci. 11, 1-13 (2010).</li><li>Dupont, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bilateral+hemispheric+alteration+of+memory+processes+in+right+medial+temporal+lobe+epilepsy.">Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy.</a> J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).</li><li>Vlooswijk, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+MRI+in+chronic+epilepsy:+associations+with+cognitive+impairment.">Functional MRI in chronic epilepsy: associations with cognitive impairment.</a> Lancet Neurol. 9, 1018-1027 (2010).</li><li>McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Default+mode+network+connectivity+indicates+episodic+memory+capacity+in+mesial+temporal+lobe+epilepsy.">Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy.</a> Epilepsia. 54, (2013).</li><li>Zhang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Altered+spontaneous+neuronal+activity+of+the+default-mode+network+in+mesial+temporal+lobe+epilepsy.">Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy.</a> Brain Res. 1323, 152-160 (2010).</li><li>Horovitz, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Decoupling+of+the+brain's+default+mode+network+during+deep+sleep.">Decoupling of the brain's default mode network during deep sleep.</a> Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).</li><li>Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Altered+local+coherence+in+the+default+mode+network+due+to+sevoflurane+anesthesia.">Altered local coherence in the default mode network due to sevoflurane anesthesia.</a> Brain Res. 1318, 110-121 (2010).</li></ol>

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.

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, d...

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 &quot;funktional&quot;-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 &quot;Ruhezustand&quot;. 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 &quot;Seed1; oder &quot;Region of Interest (ROI)&quot; 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.

<table border="0" cellpadding="0" cellspacing="0">
	<tbody>
		<tr>
			<td>MRI machine</td>
		</tr>
		<tr>
			<td>Linux workstation with image analysis software installed</td>
		</tr>
	</tbody>
</table>

network analysis of the default mode network using functional connectivity mri in temporal lobe epilepsy

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.

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 re...

Watch this Scientific Journal Video about Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy at JoVE.com

Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

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

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

Functional connectivity MRI (fcMRI) is an fMRI method that examines the connectivity of different brain areas based on the correlation of BOLD signal ...

network-analysis-default-mode-network-using-functional-connectivity

Research

JoVE Journal

Medicine

17.8K Aufrufe.  Baylor College of Medicine.  Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert. 

Serie: Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy

Generation of Subcutaneous and Intrahepatic Human Hepatocellular Carcinoma Xenografts in Immunodeficient Mice

In vivo experimental models of hepatocellular carcinoma (HCC) that recapitulate the human disease provide a valuable platform for research into disease pathophysiology and for the preclinical evaluation of novel therapies. We present a variety of methods to generate subcutaneous or orthotopic human HCC xenografts in immunodeficient mice that could be utilized in a variety of research applications. With a focus on the use of primary tumor tissue from patients undergoing surgical resection as a starting point, we describe the preparation of cell suspensions or tumor fragments for xenografting. We describe specific techniques to xenograft these tissues i) subcutaneously; or ii) intrahepatically, either by direct implantation of tumor cells or fragments into the liver, or indirectly by injection of cells into the mouse spleen. We also describe the use of partial resection of the native mouse liver at the time of xenografting as a strategy to induce a state of active liver regeneration in the recipient mouse that may facilitate the intrahepatic engraftment of primary human tumor cells. The expected results of these techniques are illustrated. The protocols described have been validated using primary human HCC samples and xenografts, which typically perform less robustly than the well-established human HCC cell lines that are widely used and frequently cited in the literature. In comparison with cell lines, we discuss factors which may contribute to the relatively low chance of primary HCC engraftment in xenotransplantation models and comment on technical issues that may influence the kinetics of xenograft growth. We also suggest methods that should be applied to ensure that xenografts obtained accurately resemble parent HCC tissues.

Human tumor xenografts in immunodeficient mice are valuable tools to study cancer biology. Specific protocols to generate subcutaneous and intrahepatic xenografts from human hepatocellular carcinoma cells or tumor fragments are described. Liver regeneration induced by partial hepatectomy in recipient mice is presented as a strategy to facilitate intrahepatic engraftment.

Generierung von subkutanen und Intrahepatische Menschenleberzellkarzinom Xenografts in immundefizienten Mäusen

In  vivo experimental models of hepatocellular carcinoma (HCC) that recapitulate  the human disease provide a valuable platform for research into disease  ...

Forschung

Medizin

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity

Complementary structural and functional neuroimaging techniques used to examine the Default Mode Network (DMN) could potentially improve assessments of psychiatric illness severity and provide added validity to the clinical diagnostic process. Recent neuroimaging research suggests that DMN processes may be disrupted in a number of stress-related psychiatric illnesses, such as posttraumatic stress disorder (PTSD).
Although specific DMN functions remain under investigation, it is generally thought to be involved in introspection and self-processing. In healthy individuals it exhibits greatest activity during periods of rest, with less activity, observed as deactivation, during cognitive tasks, e.g., working memory. This network consists of the medial prefrontal cortex, posterior cingulate cortex/precuneus, lateral parietal cortices and medial temporal regions.
Multiple functional and structural imaging approaches have been developed to study the DMN. These have unprecedented potential to further the understanding of the function and dysfunction of this network. Functional approaches, such as the evaluation of resting state connectivity and task-induced deactivation, have excellent potential to identify targeted neurocognitive and neuroaffective (functional) diagnostic markers and may indicate illness severity and prognosis with increased accuracy or specificity. Structural approaches, such as evaluation of morphometry and connectivity, may provide unique markers of etiology and long-term outcomes. Combined, functional and structural methods provide strong multimodal, complementary and synergistic approaches to develop valid DMN-based imaging phenotypes in stress-related psychiatric conditions. This protocol aims to integrate these methods to investigate DMN structure and function in PTSD, relating findings to illness severity and relevant clinical factors.

This protocol describes the complementary neuroimaging techniques of resting state structural connectivity, task-induced deactivation, and structural connectivity analyses to examine the default network in post-traumatic stress disorder. The use of synergistic methods could potentially lead to improved diagnostics and assessments of severity, outcome, and other relevant clinical factors.

Entwicklung von Neuroimaging Phänotypen des Default Mode Network in PTSD: Integration der Ruhezustand, Arbeitsgedächtnis und Struktur Connectivity

Complementary structural and functional neuroimaging techniques used to examine the Default Mode Network (DMN) could potentially improve assessments of ...

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Here we outline the protocol for magnetic resonance imaging (MRI) guided repetitive transcranial magnetic stimulation (rTMS) to the dorsal medial prefrontal cortex (dmPFC) in patients with major depressive disorder (MDD). Technicians used a neuronavigation system to process patient MRIs to generate a 3-dimensional head model. The head model was subsequently used to identify patient-specific stimulatory targets. The dmPFC was stimulated daily for 20 sessions. Stimulation intensity was titrated to address scalp pain associated with rTMS. Weekly assessments were conducted on the patients using the Hamilton Rating Scale for Depression (HamD17) and Beck Depression Index II (BDI-II). Treatment-resistant MDD patients achieved significant improvements on both HAMD and BDI-II. Of note, angled, double-cone coil rTMS at 120% resting motor threshold allows for optimal stimulation of deeper midline prefrontal regions, which results in a possible therapeutic application for MDD. One major limitation of the rTMS field is the heterogeneity of treatment parameters across studies, including duty cycle, number of pulses per session and intensity. Further work should be done to clarify the effect of stimulation parameters on outcome. Future dmPFC-rTMS work should include sham-controlled studies to confirm its clinical efficacy in MDD.

Here we outline the procedure for MRI-guided repetitive transcranial magnetic stimulation to the dorsomedial prefrontal cortex as an experimental treatment for major depressive disorder.

MRI-geführte dmPFC-rTMS zur Behandlung behandlungsresistente Major Depressive Disorder

Here we outline the protocol for magnetic resonance imaging (MRI) guided repetitive transcranial magnetic stimulation (rTMS) to the dorsal medial ...

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Approximately 30% of epilepsy patients are refractory to antiepileptic drugs. In these cases, surgery is the only alternative to eliminate/control seizures. However, a significant minority of patients continues to exhibit post-operative seizures, even in those cases in which the suspected source of seizures has been correctly localized and resected. The protocol presented here combines a clinical procedure routinely employed during the pre-operative evaluation of temporal lobe epilepsy (TLE) patients with a novel technique for network analysis. The method allows for the evaluation of the temporal evolution of mesial network parameters. The bilateral insertion of foramen ovale electrodes (FOE) into the ambient cistern simultaneously records electrocortical activity at several mesial areas in the temporal lobe. Furthermore, network methodology applied to the recorded time series tracks the temporal evolution of the mesial networks both interictally and during the seizures. In this way, the presented protocol offers a unique way to visualize and quantify measures that considers the relationships between several mesial areas instead of a single area.

This protocol describes a procedure to track the evolution of mesial network measures in temporal lobe epilepsy (TLE) patients. It is based on the combination of intracranial recordings with a novel numerical technique for data analysis. Specifically, we present a protocol for network analyses of foramen ovale recordings.

Netzwerkanalyse von Foramen Ovale Elektrode Recordings in Resistente Temporallappen Epilepsie-Patienten

Approximately 30% of epilepsy patients are refractory to antiepileptic drugs. In these cases, surgery is the only alternative to eliminate/control ...

The Pilocarpine Model of Temporal Lobe Epilepsy and EEG Monitoring Using Radiotelemetry System in Mice

Temporal lobe epilepsy (TLE) is a common neurological disorder in adulthood. For translational studies of chronic epilepsy, pilocarpine-induced status epilepticus (SE) is frequently selected to recapitulate spontaneous recurrent seizures (SRS). Here we present a protocol of SE induction by intraperitoneal (i.p.) injection of pilocarpine and monitoring of chronic recurring seizures in live animals using a wireless telemetry video and electroencephalogram (EEG) system. We demonstrated notable behavioral changes that need attention after pilocarpine injection and their correlation with hippocampal neuronal loss at 7 days and 6 weeks post-pilocarpine. We also describe the experimental procedures of electrode implantation for video and EEG recording, and analysis of the frequency and duration of chronic recurrent seizures. Finally, we discuss the possible reasons why the expected results are not achieved in each case. This provides a basic overview of modeling chronic epilepsy in mice and guidelines for troubleshooting. We believe this protocol can serve as a baseline for suitable models of chronic epilepsy and epileptogenesis.

This manuscript describes a method of inducing status epilepticus by systemic pilocarpine injection and of monitoring spontaneous recurrent seizures in live animals using a wireless telemetry video and electroencephalogram system. This protocol can be utilized for studying the pathophysiologic mechanisms of chronic epilepsy, epileptogenesis, and acute seizures.

Das Pilocarpin Modell der Temporallappen-Epilepsie und EEG Monitoring mittels Radiotelemetrie System bei Mäusen

Temporal lobe epilepsy (TLE) is a common neurological disorder in adulthood. For translational studies of chronic epilepsy, pilocarpine-induced status ...

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI&#8212;Application in Premanifest Huntington's Disease

Recent advances in MRI offer a variety of useful markers to identify neurodegenerative diseases. In Huntington&#39;s disease (HD), regional brain atrophy begins many years prior to the motor onset (during the &#34;premanifest&#34; period), but the spatiotemporal pattern of regional atrophy across the brain has not been fully characterized. Here we demonstrate an online cloud-computing platform, &#34;MRICloud&#34;, which provides atlas-based whole-brain segmentation of T1-weighted images at multiple granularity levels, and thereby, enables us to access the regional features of brain anatomy. We then describe a regression model that detects statistically significant inflection points, at which regional brain atrophy starts to be noticeable, i.e. the &#34;change-point&#34;, with respect to a disease progression index. We used the CAG-age product (CAP) score to index the disease progression in HD patients. Change-point analysis of the volumetric measurements from the segmentation pipeline, therefore, provides important information of the order and pattern of structural atrophy across the brain. The paper illustrates the use of these techniques on T1-weighted MRI data of premanifest HD subjects from a large multicenter PREDICT-HD study. This design potentially has wide applications in a range of neurodegenerative diseases to investigate the dynamic changes of brain anatomy.

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI&amp;#8212;Application in Premanifest Huntington&#039;s Disease

This paper describes a statistical model for volumetric MRI data analysis, which identifies the &#34;change-point&#34; when brain atrophy begins in premanifest Huntington&#39;s disease. Whole-brain mapping of the change-points is achieved based on brain volumes obtained using an atlas-based segmentation pipeline of T1-weighted images.

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Recent advances in MRI offer a variety of useful markers to identify neurodegenerative diseases. In Huntington&#39;s disease (HD), regional brain atrophy ...

Harvest of Endothelial Cells from the Balloon Tips of Swan-Ganz Catheters after Right Heart Catheterization

A variety of pathologies lead to pulmonary hypertension (PH), which is defined as a mean pulmonary artery pressure exceeding 25 mmHg at rest. To further diagnose and manage PH, patients undergo repeated right heart catheterizations (RHC) wherein a Swan-Ganz catheter is advanced into a branch of the pulmonary artery and a balloon is inflated to wedge the catheter tip. This article illustrates a protocol whereby pulmonary artery endothelial cells (PAECs) may be harvested from the balloon tips of Swan-Ganz catheters after RHC, and purified with an anti- CD146 affinity column technique to purify putative PAECs. These cells might be used to provide an in situ snapshot of the biological state of the pulmonary vasculature endothelium to complement hemodynamic measurements obtained during RHC. Harvested and purified PAECs may be used for either cell culture or for subsequent analytical assays such as flow cytometery.

This protocol describes the removal and purification of pulmonary artery endothelial cells (PAECs) that adhere to the balloon tips of Swan-Ganz catheters while they are wedged in the pulmonary artery during right heart catheterization and remain adherent to the deflated balloon following removal from the patient's body.

Ernte von Endothelzellen von Sprechblasentipps Swan-Ganz Katheter nach rechts Herzkatheter

A variety of pathologies lead to pulmonary hypertension (PH), which is defined as a mean pulmonary artery pressure exceeding 25 mmHg at rest. To further ...

Normothermic Ex Vivo Pancreas Perfusion for the Preservation of Pancreas Allografts before Transplantation

Pancreas transplantation (PTx) is a curative treatment for people who live with the burden of a diagnosis of diabetes mellitus (DM). However, due to organ shortages and increasing numbers of patients being listed for PTx, new strategies are needed to increase the number of available grafts for transplantation. 
Static cold storage (SCS) is considered the gold standard for standard criteria organs. However, standard criteria donors (SCD) are becoming scarce and new strategies that can increase the rate of organ acceptance from extended criteria donors (ECD) are urgently needed. 
Normothermic ex vivo perfusion (NEVP) is one of the strategies that has become increasingly popular over the past couple of decades. This preservation method has already been used successfully in other organs (liver, kidneys, and lungs) but has been minimally explored in pancreas transplantation. The few papers that describe the method for pancreas show little success, edema being one of the major issues. The following manuscript describes the successful NEVP method and setup developed by our group to perfuse swine pancreas.

Normothermic Ex Vivo Pancreas Perfusion for the Preservation of Pancreas Allografts before Transplantation

Normothermic ex vivo machine perfusion (NEVP) has scarcely been explored for the preservation of pancreas allografts. We present an innovative preservation technique for pancreas allografts before transplantation.

Normotherme ex vivo Pankreasperfusion zur Konservierung von Pankreas-Allotransplantaten vor der Transplantation

Pancreas transplantation (PTx) is a curative treatment for people who live with the burden of a diagnosis of diabetes mellitus (DM). However, due to organ ...

Erforschung der obliterativen Atemwegserkrankung bei Lungentransplantationen

Murine Intrapulmonary Tracheal Transplantation: A Model for Investigating Obliterative Airway Disease After Lung Transplantation

Murine intrapulmonary tracheal transplantation (IPTT) is used as a model of obliterative airway disease (OAD) following lung transplantation. Initially reported by our team, this model has gained use in the study of OAD due to its high technical reproducibility and suitability for investigating immunological behaviors and therapeutic interventions.
In the IPTT model, a rodent tracheal graft is directly inserted into the recipient's lung through the pleura. This model is distinct from the heterotopic tracheal transplantation (HTT) model, wherein grafts are transplanted into subcutaneous or omental sites, and from the orthotopic tracheal transplantation (OTT) model in which the donor trachea replaces the recipient's trachea. 
Successful implementation of the IPTT model requires advanced anesthetic and surgical skills. Anesthetic skills include endotracheal intubation of the recipient, setting appropriate ventilatory parameters, and appropriately timed extubation after recovery from anesthesia. Surgical skills are essential for precise graft placement within the lung and for ensuring effective sealing of the visceral pleura to prevent air leakage and bleeding. In general, the learning process takes approximately 2 months.
In contrast to the HTT and OTT models, in the IPTT model, the allograft airway develops airway obliteration in the relevant lung microenvironment. This allows investigators to study lung-specific immunological and angiogenic processes involved in airway obliteration after lung transplantation. Furthermore, this model is also unique in that it exhibits tertiary lymphoid organs (TLOs), which are also seen in human lung allografts. TLOs are comprised of T and B cell populations and characterized by the presence of high endothelial venules that direct immune cell recruitment; therefore, they are likely to play a crucial role in graft acceptance and rejection. We conclude that the IPTT model is a useful tool for studying intrapulmonary immune and profibrotic pathways involved in the development of airway obliteration in the lung transplant allograft.

Autor im Rampenlicht: Untersuchung der Schlüsselfaktoren der obliterativen Bronchiolitis nach Lungentransplantation

The murine intrapulmonary tracheal transplantation (IPTT) model is valuable for studying obliterative airway disease (OAD) after lung transplantation. It offers insights into lung-specific immunological and angiogenic behavior in airway obliteration after allotransplantation with high reproducibility. Here, we describe the IPTT procedure and its expected results.

Intrapulmonale Trachealtransplantation bei Mäusen: Ein Modell zur Untersuchung obliterativer Atemwegserkrankungen nach Lungentransplantation

Murine intrapulmonary tracheal transplantation (IPTT) is used as a model of obliterative airway disease (OAD) following lung transplantation. Initially ...