Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal

Résumé

Le Réseau de Mode par défaut (DMN) en épilepsie du lobe temporal (ELT) est analysé à l'état de repos du cerveau en utilisant la connectivité fonctionnelle à base de graines IRM (fcMRI).

Résumé

Connectivité IRM fonctionnelle (fcMRI) est une méthode IRMf qui examine la connectivité des différentes zones du cerveau basé sur la corrélation des fluctuations du signal BOLD dans le temps. Épilepsie du lobe temporal (ELT) est la forme la plus courante d'épilepsie adulte et implique des réseaux cérébraux multiples. Le réseau du mode par défaut (DMN) est impliqué dans conscient, repos cognition de l'Etat et est pensé pour être affectés dans TLE où les crises provoquent troubles de la conscience. La DMN dans l'épilepsie a été examinée à l'aide de semences à base fcMRI. Les antérieurs et postérieurs pôles de la DMN ont été utilisés comme semences dans cette analyse. Les résultats montrent une déconnexion entre la partie antérieure et moyeux postérieurs de la DMN dans TLE pendant l'état basal. En outre, l'augmentation de la connectivité de DMN à d'autres régions du cerveau à gauche TLE avec diminution de la connectivité en droit TLE est révélé. L'analyse montre comment fcMRI à base de graines peuvent être utilisées pour sonder les réseaux cérébraux dans les troubles du cerveau comme la TLE.

Introduction

Fonctionnelle Connectivité IRM (fcMRI) est une approche relativement récente analytique de données IRMf qui quantifie la relation entre les différentes régions du cerveau en fonction de la similitude de leur niveau d'oxygénation du sang (BOLD) signal de série de temps - c'est ce qu'on appelle la connectivité «fonctionnelle», et est distingue de la connectivité anatomique qui décrit l'existence de connexions physiques entre les régions (par exemple, les fibres de la substance blanche). Dans une application particulière de cette approche, les séries chronologiques sont collectées lorsque le participant n'est pas engagé dans une tâche ou est dans le soi-disant "état de repos".

Bien que décrite pour la première en 1995 ^1, il a été un immense intérêt dans fcMRI résultant dans environ 1000 publications liées à la technique en 2012. FcMRI présente des avantages intrinsèques sur IRMf basée sur les tâches dans (1) qu'il n'y a pas une tâche spécifique à accomplir, ( 2) l'objet de la coopération estpas nécessaire, (3) ensembles de données peuvent être utilisées pour interroger plusieurs réseaux différents, (4) un meilleur rapport signal sur bruit est présent probablement dû à des différences dans l'énergétique cérébrales impliquées, et (5) le contournement des facteurs de confusion liés à la tâche ^2. En tant que preuve de son concept, fcMRI changements se sont avérés correspondre à des changements dans ³ EEG et des potentiels de champ local ⁴ dans le cerveau.

Techniques d'analyse fcMRI comprennent / techniques de ROI à base de graines, analyse en composantes indépendantes (ICA), l'analyse de la théorie des graphes, Granger analyse de causalité, les méthodes locales (amplitude des variations de basse fréquence, analyse régionale de l'homogénéité), et d'autres ^5. Aucune technique n'a encore démontré une nette supériorité sur l'autre, bien que les méthodes les plus populaires sont à base de graines et méthodes ICA ^6. À base de graines fcMRI corrélation fluctuations temporelles de signal BOLD d'une partie présélectionnée du réseau putatif à l'étude appelle la «semence1; ou "région d'intérêt (ROI)" à toutes les autres parties du cerveau. Zones du cerveau montrant BOLD signal de corrélation à la zone de semences sont pensés pour délimiter les parties du réseau concernées. En revanche, l'ICA utilise une analyse fondée sur les données sans modèle pour extraire les zones du cerveau spatio-temporellement corrélées (composants indépendants, CI) en analysant les caractéristiques des signaux hémodynamiques de l'ensemble du cerveau ^5.

Dans le manuscrit actuel, une description des méthodes utilisées dans une étude publiée précédemment de repos état ​​à base de graines analyse de la connectivité de la DMN dans TLE est présenté ^7. TLE est la forme la plus courante d'épilepsie adulte. En plus de crises, TLE provoque un dysfonctionnement de plusieurs réseaux du cerveau, y compris la mémoire, le comportement, la pensée, et la fonction sensorielle ^8. La DMN est constitué par régions cérébrales subserving conscient, l'état de repos de la cognition. La DMN a été signalé à être impliqués dans les convulsions associées avec consc réduiteiousness ^9,10. En outre, l'hippocampe est la structure clé impliquée dans TLE et a été pensé pour être le composant de la DMN. Cependant, la connectivité du PCC de la formation hippocampique est plus faible que d'autres composants de DMN, telles que le cortex préfrontal médian et pariétales inférieures. Ceci suggère que l'hippocampe est soit un sous-réseau de l'une ou DMN ^11,12 de réseau interactif. Ces points communs entre TLE et DMN soulèvent la possibilité que DMN connectivité fonctionnelle est altérée dans TLE. Cette analyse compare le DMN des sujets avec TLE à des témoins sains afin de mieux comprendre l'implication de DMN dans TLE. La connectivité des graines placées dans les principaux centres de la DMN - les régions de moyeu antérieures et postérieures ont été analysés ^12. Les graines ont été placées dans le moyeu postérieur constitué par le retrosplenium / precuneus (Rsp / PCUn) ainsi que le moyeu antérieur constitué par le cortex préfrontal ventro-médian (vmPFC) chez les patients ayant des TLE et ensaine contrôle pour identifier les postérieures et antérieures sous-réseaux de la DMN.

Protocole

1. Sujets

1. La population de l'étude de 36 sujets comprend 3 groupes: droit TLE (n = 11), à gauche TLE (n = 12), et les contrôles sains (n ​​= 13). Obtenir le consentement éclairé de tous les sujets. L'étude suit les lignes directrices de l'Université de Californie, Los Angeles (UCLA) Institutional Review Board.
2. Les groupes de matières d'épilepsie devraient être patients qui sont candidats à la résection du lobe temporal antérieur tel que déterminé par vidéo-EEG surveillance, l'IRM cérébrale, l'imagerie TEP, et des tests neuropsychologiques. Les patients doivent poursuivre leurs médicaments habituels pendant le balayage IRMf et ne doivent pas être numérisée immédiatement après une crise. Assurez-vous que tous les sujets ont IRM cérébrales normales et sont exempts de maladie neurologique (autres que l'épilepsie chez les groupes de patients) ou utilisent des médicaments neurologiques.

2. Imaging

1. Utilisez un système à 3 Tesla IRM pour l'imagerie. Obtenir des tranches axiales pour des images fonctionnelles en utilisant un plan imagerie échotion (PEV) et la séquence des images anatomiques en utilisant un gradient gâté rappelé (SPGR) séquence.
2. Effectuez l'imagerie fonctionnelle en utilisant les paramètres suivants: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, matrice = 64 x 64, épaisseur de la tranche 4 mm, 34 tranches. Utilisez les paramètres suivants pour l'imagerie structurelle haute résolution: TR = 20 ms, TE = 3 ms, FOV = 256 mm, matrice = 256 x 256, l'épaisseur de la tranche de 1 mm, 160 tranches.
3. Chaque session d'imagerie devrait durer 20 minutes. Demandez aux participants de se détendre avec les yeux fermés. Aucune entrée auditive particulière n'est requise.

3. Prétraitement des données BOLD

1. Prétraiter les données d'IRMf utilisant FLS (fMRIB Software Library) version 4.1.6 (Oxford, Royaume-Uni, www.fmrib.ox.ac.uk / FLS) ^13,14. Étapes de prétraitement devraient inclure les éléments suivants: utilisation FSL MCFLIRT pour supprimer le mouvement de la tête artefact ^15. Utilisez BET FLS pour enlever le tissu nonbrain ¹⁶ avec l'option BET-F pour les fichiers BOLD. Cela permet un terme fdes étapes d'analyse d'utres sur le tissu cérébral seul.
2. En FEAT, exécutez une analyse peu transformés à l'enregistrement. Sélectionnez "analyse de premier niveau" et changer "analyse complète" à "Pre-stats" des deux boutons du haut.
   1. Sous l'onglet Pré-stats, décochez la case "extraction BET de cerveau" et sélectionnez "Aucun" pour "correction Motion" (que ceux-ci avaient déjà été faites ci-dessus). Enregistrez les images (en gras) fonctionnels pour la anatomique (SPGR) images, puis à un niveau d'image (INM). Cela se traduit par la génération de matrices de transformation, qui sont utilisés par la suite au cours de l'analyse pour déformer les graines sélectionnées dans l'espace standard dans l'espace du cerveau du sujet.
3. Utilisez la matrice de transformation généré (nommé "standard2example_func.mat") et transformer CSF et blanc ROI de la matière dans l'espace BOLD individu.
   1. Extrait de la série chronologique de la CSF et blanc ROI de la matière à l'aide de la commande fslmeants,en utilisant la ROI dans l'espace de l'objet individuel en tant que masque. Normaliser la série chronologique extraite à l'aide du logiciel "R". Ces séries sont utilisées comme variables explicatives dans le GLM plus tard pour éliminer les signaux d'artefact correspondant de l'analyse.
4. La prochaine étape est la suppression de mouvement des artefacts liés en question. Pour la régression des paramètres de mouvement, définir les paramètres suivants dans FLS FEAT avant de l'exécuter.
   1. Dans l'onglet de données, utilisez la motion corrigée et le fichier de cerveau extrait comme entrées, définissez la valeur de TR pour correspondre à votre ensemble de données. Réglez filtrage passe-haut en utilisant un filtre de 100 sec. Le filtre passe-haut supprime les signaux sans intérêt, qui sont de très basse fréquence. Un filtre passe-bas pour éliminer des signaux haute fréquence est appliqué plus tard à l'étape 4.1.
   2. Dans l'onglet Pré-stats, choisissez "Aucun" dans "la correction de mouvement», comme il a déjà été fait. Décochez la case "extraction BET de cerveau», comme il a déjà été fait. Effectuer un lissage spatiall'aide d'un 5 mm mi-hauteur sur toute la largeur (FWHM).
   3. Dans l'onglet Statistiques, régresser les 6 paramètres de mouvement et de leurs dérivées temporelles. Sélectionnez "Aucun" pour convolution et cochez la case "Appliquer filtrage temporel." Utiliser la sortie de FLS MCFLIRT pour obtenir des fichiers de texte des paramètres de mouvement, qui peut être ensuite entrées dans le modèle d'analyse de FEAT régresser ceux-ci dans un modèle linéaire général (GLM)
   4. Ajoutez également le CSF et les signaux de la substance blanche qui ont été extraites et normalisées dans les étapes précédentes de la GLM. Sélectionnez "Aucun" pour convolution, ajouter dérivée temporelle, et décochez la case "Appliquer filtrage temporel".

4. Méthodes statistiques

1. Les résidus de prétraitement décrit ci-dessus doivent être utilisés pour la corrélation à base de graines. Ces résidus doivent être transmis à travers un premier filtre passe-bas de 0,1 Hz, alors rabaissée en soustrayant la moyenne, en divisant par l'écart type, puis mis à l'échelle par l'addition100. Graines doivent être définis avec un diamètre de 6 mm dans l'espace INM norme en utilisant le logiciel MRICron.
2. Le postérieur et les graines antérieures doivent correspondre aux coordonnées suivantes: (1) Région Rsp / PCUn (x = 2, y = -60, z = 36) et (2) cortex préfrontal ventromédian (vmPFC; x = 3, y = 60, z = -1). Ces lieux de semences ont été définies dans les contrôles sains et sont transformés à l'espace de l'objet à l'étape suivante ^17-19.
   1. Les graines doivent ensuite être transformées en espace individuel fonctionnelle du cerveau de chaque sujet de l'espace INM standard. Pour cela, utiliser la matrice de transformation généré ci-dessus (nommé "standard2example_func.mat") pour transformer les graines de la norme (INM) à l'espace fonctionnelle (BOLD) espace individuel.
   2. Utilisez le fslmeants commande pour extraire la série chronologique de la déjà humilié et mis à l'échelle résiduelle, en utilisant la graine dans l'espace individuel de l'objet comme un masque. Normaliser la série temporelle extraite en utilisant le software "R".
3. Les corrélations partielles entre les voxels de semences et tous les autres voxels du cerveau doivent être calculées séparément pour chaque sujet pour chaque course. Pour cela, dans le FEAT GUI FLS, sélectionnez "analyse de premier niveau", puis "Des chiffres et des Post-stats". Dans l'onglet Données, la valeur résiduelle auparavant rabaissé et mise à l'échelle doit être utilisée comme entrée dans FEAT.
4. Réglez la coupure du filtre passe haut à 10 000, comme le résidu est déjà élevé passée à 100 secondes. Dans l'onglet Statistiques, désélectionner "Utiliser pré-blanchir FILM", et utiliser la semence série de temps auparavant et extrait normalisé dans le GLM. Dans l'onglet Post-stats, fixer le seuil Z-stat souhaitée à une valeur de 2,0.
5. Avant d'exécuter l'analyse de groupe combinant courses dans les sujets, Z de Fisher transformer doit être effectuée sur le fichier COPE (contraste des estimations des paramètres) généré à partir de l'analyse de corrélation précédemment exécuté (étape 4.3). données d'enregistrement de copie from le répertoire "reg" de l'analyse de FEAT fait dans l'étape 3.1 dans le terme de corrélation de l'étape 4.3.
6. Exécutez une analyse de niveau supérieur en combinant courses au sein de chaque sujet. Pour cela, dans le FEAT GUI FLS, sélectionnez "analyse de niveau supérieur", puis "Des chiffres et des Post-stats". Dans l'onglet "Données", choisissez "entrées des répertoires FEAT niveau inférieur" et entrer les pistes de l'objet de l'étape 4.4. Dans l'onglet "Statistiques", choisissez "effets mixtes: MCO simples". Mettre en place le modèle effet moyen; entrer la valeur de 1 pour chaque de la course de l'objet.
7. Pour combiner des données sur pistes entre les sujets, un des moindres carrés ordinaires (MCO) simple analyse des effets mixtes doit être utilisé. Pour cela, dans le FEAT GUI FLS, choisissez "analyse de niveau supérieur", et "Des chiffres et des Post-stats". Dans l'onglet Données, choisissez "entrées des répertoires FEAT niveau inférieur" et entrer les pistes combinées des sujets de l'étape 4.5.
8. Dans l'onglet Statistiques, choisissez «effets mixtes: MCO simples» «Mettre en place un modèle de 3 groupes; entrer la valeur de 1 pour le groupe chaque objet appartient, 0 sinon. analyse de groupe doit être effectuée sur chaque voxel en utilisant une ANOVA à trois niveaux qui correspondent aux trois groupes (à droite TLE, gauche TLE, et les contrôles sains).
9. Pour seuil des images statistiques Z utilisent groupe formant seuil de Z> 2.0 et corrigées seuil grappe importante de p = 0,05 ^20. Pour obtenir les valeurs z correctes sur le plan de corrélation, Z d'un revers Fisher transformer doit être effectuée sur les résultats.
10. Les contrastes spécifiques suivantes doivent être comparés (1) droit TLE> contrôles; (2) à gauche TLE> contrôles; (3) le droit TLE> gauche TLE; (4) gauche TLE> droit TLE; (5) Contrôle> droit TLE; (6) commande> à gauche TLE; (7) TLE (droit combiné et gauche)> contrôle; et (7) commande> TLE (droit combiné et gauche).

Résultats

La figure 1 montre la DMN a révélé avec une connectivité d'une graine postérieure (RSP / PCUn, couleurs rouge-jaune) et une graine antérieure (vmPFC, couleurs bleu-vert) et compare les réseaux trouvés dans les différents groupes de matières (figures 1A-C) et entre eux, à savoir les contrôles sains par rapport à tous les patients atteints TLE (figures 1D et 1E), puis les témoins sains comparés séparément à TLE gauche (figure...

Discussion

L'épilepsie est considérée comme une maladie de réseau, et des anomalies des réseaux impliqués sont présents pendant les crises et à l'état intercritique ^21. IRMf à base de tâche a été utilisé pour analyser les anomalies de la langue et des réseaux de mémoire en ⁸ TLE. FcMRI présente des avantages inhérents à l'étude de la DMN ^{12 qui} est un réseau principalement actif dans l'état de repos. La DMN est un réseau de régions du cerveau qui a été trou...

matériels

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