Application de l’analyse de causalité de Granger de la connexion fonctionnelle dirigée dans la maladie d’Alzheimer et des troubles cognitifs légers

Résumé

Se fondant sur l’état de repos imagerie fonctionnelle par résonance magnétique avec analyse de causalité de Granger, nous avons étudié les altérations dans la connectivité fonctionnelle dirigée entre le cortex cingulaire postérieur et le cerveau de patients atteints de la maladie d’Alzheimer (ma), patients souffrant de déficience Cognitive légère (DCL) et témoins sains.

Résumé

La connectivité fonctionnelle ayant une déficience dans le réseau de Mode par défaut (DMN) peut-être être impliquée dans la progression de la maladie d’Alzheimer (ma). Le Cortex cingulaire postérieur (PCC) est un marqueur potentiel d’imagerie pour surveiller la progression de la ma. Des études antérieures ne sont pas axé sur la connectivité fonctionnelle entre le PCC et les nœuds dans les régions à l’extérieur de la DMN, mais notre étude est un effort pour explorer ces connexions fonctionnelles négligées. Pour la collecte des données, nous avons utilisé l’imagerie de résonance magnétique fonctionnelle (IRMf) et analyse de causalité de Granger (GCA). IRMf fournit une méthode non invasive pour étudier les interactions dynamiques entre les différentes régions du cerveau. GCA est un test d’hypothèse statistique pour déterminer si la série unique est utile pour la prévision à l’autre. En termes simples, il est jugé en comparant la « connu de toutes les informations sur le dernier moment, la distribution de la probabilité de X en ce moment » et le « connu de toutes les informations sur le dernier moment sauf Y, la distribution de la probabilité de X en ce moment », afin de déterminer s’il existe une relation causale entre Y et X. Cette définition s’inspire de la source d’information complète et la séquence chronologique stationnaire. La principale étape de cette analyse consiste à utiliser des X et Y pour établir l’équation de régression et de dessiner un lien de causalité hypothétique test. Depuis GCA peut mesurer des effets de causalité, nous avons utilisé pour enquêter sur l’anisotropie de la connectivité fonctionnelle et d’explorer la fonction de plaque tournante de la SCP. Ici, nous avons projeté 116 participants pour IRM et après prétraitement des données obtenues à partir de neuro-imagerie, nous avons utilisé la GCA pour dériver la relation causale de chaque nœud. Enfin, nous avons conclu que la connexion dirigée est significativement différente entre les groupes de déficience Cognitive légère (DCL) et AD, le PCC à tout le cerveau et le cerveau entier pour le PCC.

Introduction

AD est une maladie dégénérative du système nerveux central qui peut être diagnostiqué à l’aide de neuro-imagerie, électrophysiologie et histopathologie¹. La DMN liés à la mémoire est un système vital l’interaction de régions du cerveau associées à AD, et sa fonction anormale est caractéristique de l’AD^2,3. Le PCC est une région importante du réseau par défaut traditionnels dans l’état de repos et joue un rôle essentiel dans la mémoire épisodique, l’attention spatiale, auto-évaluation et autres fonctions cognitives^4,5,6,7. En outre, il pourrait être un marqueur d’imagerie pour surveiller la progression de l’AD. À l’aide de GCA, Liao et al trouvé que le PCC est une région de plusieurs cytoarchitectonics avec plusieurs connexions et joue un rôle important dans la structure cérébrale fonctionnelle⁸. Zhong et coll. ont signalé que le PCC était un centre de convergence qui a reçu les interactions de la plupart des autres régions au sein de la DMN³. En outre, Miao et coll. ont démontré que dans les régions de moyeu DMN, le PCC a la plus grande relation effet causal avec les autres nœuds⁹. Ensemble, tous ce témoignage indique que la connexion dirigée de la SCP est précieuse dans la recherche de l’AD et le PCC doit encore être étudié approfondie comme une région vitale de la DMN.

Les études précédentes étaient limités à la connectivité entre le PCC et d’autres régions au sein de la DMN ; Cependant, l’évolution dirigée connectivité fonctionnelle entre les régions PCC et le cerveau à l’extérieur de la DMN, ainsi que leur influence sur les AD n’ont pas encore été explorées¹⁰. Notre étude examine encore cette connectivité fonctionnelle inexplorée dans témoins sains normaux, les patients avec MCI et les patients atteints de ma. En observant la connectivité dirigée entre le PCC et les régions de cerveau entier, nous avons cherché à élucider les changements fonctionnels dans le cerveau liés à la progression de l’AD et ainsi créer une nouvelle base objective pour évaluer la gravité de la maladie.

Connectivité fonctionnelle se réfère à une interaction interrégionale qui peut être représentée par les Fluctuations synchrones de basse fréquence (LFFs) dans le signal de l’IRMf niveau d’oxygène du sang dépendant (BOLD) cérébrale. Par conséquent, afin d’observer la connectivité fonctionnelle entre le PCC et d’autres régions du cerveau, nous avons analysé la connectivité fonctionnelle entre le PCC et le réseau de cerveau entier par IRMf avec GCA, le PCC comme la région d’intérêt (ROI). Cette technique dérive directement de la relation fondamentale de chaque nœud à l’aide de données obtenues de neuro-imagerie,¹¹. Récemment, la GCA a été appliqué à l’électroencéphalogramme (EEG) et les études d’IRMf pour révéler les effets de causalité entre les régions de cerveau¹². Toutes ces études indiquent que la technique de GCA pourrait être optimale pour la détection de la relation causale de chaque nœud dans le cerveau.

Protocole

This study was approved by the Ethics Committee of Zhejiang Provincial People's Hospital. Every enrolled subject signed a written informed consent.

1. Sample Classification and Screening

1. Diagnose and divide 116 patients into AD and MCI groups.
   NOTE: Use the 2011 National Institute of Neurological and Communicative Disorders and Stroke and the Alzheimer's Disease and Related Disorders Association (NINCDS-ADRDA) diagnostic criteria and the Mini-Mental State Examination (MMSE) criteria for identification and classification of MCI, which is described in detail in Yu et al.¹⁰
2. Select participants in the healthy control group.
   NOTE: The age, gender, and education level of the control group were matched with patients in the MCI and AD groups.
3. Assess all subjects by MMSE¹⁰.
4. Exclude the subjects who did not fulfill the inclusion criteria. For all subjects, the exclusion criteria are mentioned in Yu et al.¹⁰
5. Use MRI to scan subjects; exclude subjects with unusable data due to head movements.
   NOTE: Ultimately, we screened 26 patients with MCI, 32 patients with AD, and 58 controls.

2. Acquisition of Neuroimaging

1. Remove metal and magnetic objects before entering the 3.0 T MRI Laboratory.
2. Install an MRI receiving coil at the magnetic resonance scanning bed. The receiving coil is an 8 channel circularly polarized brain phased-array coil.
3. Instruct the participant to lie on the bed, and to remain supine with the head advanced and the long axis of the body along the long axis of the bed. Place the participant's head on the bracket of the coil, and make sure that the orbitomeatal line is perpendicular to bed.
4. Tell the participant to place the upper limbs to the sides of the body, keep eyes closed, not think of anything in particular, and move as little as possible during the scan. Place foam pads on the head in the bilateral temporal area to prevent head movement and provide headphones to reduce scanner noise for the participant.
   NOTE: Dimensions of the foam pad are: long diameter = 13 cm, short diameter = 10 cm, the thickest thickness = 7 cm, the thinnest thickness = 3 cm, average thickness = 5 cm.
5. Adjust the position of the head through the positioning light so that the sagittal positioning cursor is in the midline of the face, and the axis positioning cursor is parallel to the lateral canthus. Then move the bed to keep the axis positioning cursor on the eyebrows or 2 cm below it.
6. Move the head to the center of the magnet. Perform an fMRI brain scan, including gradient Echo-Planar Imaging (EPI-BOLD) and 3D-T1-MPRAGE imaging.
   NOTE: Use the following parameters:
   EPI-BOLD: TR/TE = 2,000/30 ms, layer thickness/layer pitch = 3.2/0.8 mm, 31 slices, matrix = 64 x 64, FOV = 220 x 220 mm, voxel size = 3 x 3 x 4 mm, flip angle = 90 °, scanning time of 484 s, and a total of 240 scanning images.
   3D-T1-MPRAGE imaging: TR/TE = 8.5/3.2 ms, flip angle = 15 °, field of view = 250 x 250 mm, matrix = 256 x 256, slice number = 176, slice thickness/gap = 1/0 mm, scanning time of 353 s, and a total of 192 scanning images.
7. Keep the patient safe when they are leaving the bed at the end of the scan.

3. Data Preprocessing

NOTE: Analyze the raw data for resting-state brain functions by using the Resting-State fMRI (rs-fMRI) Data Analysis Toolkit plus (RESTplus).

1. Open RESTplus through MATLAB and left click on Pipeline.
2. Import the relevant files into RESTplus. Select the work directory and then the starting EPI and T1 directories.
3. Convert DICOM files to NIFTI. Check off the DICOM to NIFTI box in preprocessing and check off the EPI DICOM to NIFTU and the T1 DICOM to NIFTI parameters.
4. Remove the first 10 time points by checking off the Remove first n time points and setting the n parameter as 10.
5. Set the slice timing according to rs-fMRI parameters. Check off the Slice timing box. Set the slice number according to the rs-fMRI parameters of the study. Enter the slice order.
   NOTE: The acquisition of data of each layer in the brain scan is not at the same time point, and thus, it needs to be calibrated to the same time point.
6. Correct the time and head motion. Check off Realign.
   NOTE: The exclusion criterion for excessive head motion was >2.0 mm translation or >2.0 ° rotation in any direction. In the RESTplus this is a default parameter (left click on the option of 'Realign').
7. Perform spatial normalization by using T1 image unified segmentation and all heads standardized to the same space. Check off Normalize and leave the default parameters at the bottom. Select the Normalize by using T1 image unified segmentation and European parameters.
   NOTE: Resample the rs-fMRI images with voxels of 3 × 3 × 3 mm, and other parameters in the RESTplus are default, just left click on the option of 'Normalize by using T1 image unified segmentation'.
8. Perform spatial smoothing using an isotropic Gaussian kernel with a full-width at half maximum (FWHM) of 6 mm. Check off Smooth.
9. Remove the linear trend by checking off Detrend.
10. Regress out signals from nuisance regressors (WM, CSF, Global) to increase signal-to-noise ratio. Check off Nuisance covariates regression and the following parameters: 6 head motion parameters, global mean signal, white matter signal, and cerebrospinal fluid signal.
    NOTE: During this step, set the 'Polynomial trend' as 1 as default, and choose the '6 head motion parameters', the 'Nuisance regressors (WM, CSF, Global)' and the 'add mean back' as default.
11. Use band-pass filtering to retain signals between 0.01 - 0.08 Hz. Remove high-frequency physiological noise, and low-frequency drift. Check off Filter.

4. Directed Connectivity Analysis

NOTE: Perform GCA combined with the BOLD signals for each voxel in the whole brain after extracting the average BOLD signal intensity in the seed area.

1. Perform the voxel-wise GCA by using the REST-GCA in the REST toolbox. In the post-processing box, check off GCA.
2. Set the 'order' as 1 as default. Select the parameters in the input.
3. Define ROI and identify seed points of interest in the PCC. Select Define ROI and choose the Spherical ROI. Select Next. Set the center coordinates and radius of the seed ROI based on the known data and select OK.
   NOTE: An ROI for the DMN was placed at the PCC (centering at x = 0, y = -53, z = 26 with radius = 6 mm), as in a previous study¹³.
4. Select Run and OK to run the program.
5. Find folders named ZGCA and GCA after processing of relevant file data. Sort out the files of ZGCA and classify them into four subfolders, xx, xy, yx, yy accordingly.
   NOTE: Later, mainly use the xy and yx subfolders. The three sets of file data ('AD' 'MCI' 'NC') are all processed and sorted according to steps 3.1 - 4.5 above.
6. Open RESTplus through MATLAB and left click on Statistical Analysis. Left click on REST Two-Sample T-Test.
7. Name the output result as T1xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the NC Results folder.
8. In the option of Mask File, left click to open the BrainMask_05_61*73*61 subfile in the 'mask' folder.
9. Select Compute to run the program.
10. Name the output result as T2xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
11. Name the output result as T3xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the MCI Results folder and the xy subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
12. Name the output result as T1yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
13. Name the output result as T2yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
14. Name the output result as T3yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the MCI Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
15. Finally, obtain the six result files by following steps 4.6 - 4.14 and left click on viewer of RESTplus to view the result. Import the template named ch2 in Underlay.
16. Find the six result files in the output directory and fill in the Overlay one by one. Obtain the final result graph, and the six result files that correspond to the six graphs.
17. Use Statistical Product and Service Solutions (SPSS) to process the data obtained from the previous step.
    1. Present Continuous variables as means and Standard Deviations (SD).
    2. Present categorical variables as numbers and percentages, then use the chi-square test.
       NOTE: All p-values of <0.05 were considered statistically significant.

Résultats

Demographic information

Table 1 presents the characteristics of the subjects. All the subjects had an education level of junior school or above. Age, gender, and education level were similar between the three groups (P >0.05), while the MMSE scores were significantly different (p <0.01).

Directed brain functional connectivity

Discussion

Ce rapport présente un processus permettant de comparer la réalisé connectivité fonctionnelle de la PCC depuis tout le cerveau et le cerveau entier à la PCC entre AD, MCI et des groupes témoins. Par ailleurs, une étape clé dans ce processus est la classification et la sélection de l’échantillon avant l’expérience. Ainsi, la classification et critères de sélection sont cruciales car la précision des résultats peut être affectée si elles sont erronées. Comme indiqué dans le protocole, nous avons util...

matériels

Name	Company	Catalog Number	Comments
116 patients	Zhejiang Provincial People’s hospital	-	This study was approved by the ethics committee of Zhejiang Provincial People’s hospital. Every enrolled subject signed a written informed consent form.
Siemens Trio 3.0 T MRI scanner	Siemens, Erlangen, Germany	20571	Equipped with AudioComfort that reduces acoustic noise up to 90%; Provides high performance at a low noise level; Ultra light-weight coil; Unique MRI sequence design; Supports up to 400 pounds without restrictions.
RESTplus	Hangzhou Normal University, Hangzhou, Zhejiang, China	20160122	RESTplus evolved from REST (Resting-State fMRI Data Analysis Toolkit), a convenient toolkit to calculate Functional Connectivity (FC), Regional Homogeneity(ReHo), Amplitude of Low-Frequency Fluctuation (ALFF), Fractional ALFF (fALFF), Gragner causality, degree centrality, voxel-mirrored homotopic connectivity (VMHC) and perform statistical analysis.
DPARSF	Hangzhou Normal University, Hangzhou, Zhejiang, China	130615	Data Processing Assistant for Resting-State fMRI (DPARSF) is a convenient plug-in software within DPABI, which is based on SPM. You just need to arrange your DICOM files, and click a few buttons to set parameters, DPARSF will then give all the preprocessed data, functional connectivity, ReHo, ALFF/fALFF, degree centrality, voxel-mirrored homotopic connectivity (VMHC) results.
SPSS	SPSS Inc., Chicago, IL, USA	-	SPSS offers detailed analysis options to look deeper into your data and spot trends that you might not have noticed.