JoVE Logo
Autori
Contattaci

Accedi

È necessario avere un abbonamento a JoVE per visualizzare questo. Accedi o inizia la tua prova gratuita.

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

La rete di default Mode (DMN) in epilessia del lobo temporale (TLE) viene analizzata nello stato di riposo del cervello utilizzando la connettività funzionale a base di semi-MRI (fcMRI).

Abstract

Connettività funzionale MRI (fcMRI) è un metodo fMRI che esamina la connettività di diverse aree cerebrali basate sulla correlazione delle fluttuazioni del segnale BOLD nel tempo. Epilessia del lobo temporale (TLE) è il tipo più comune di epilessia adulta e coinvolge molteplici reti del cervello. La modalità di rete predefinita (DMN) è coinvolto in cosciente, riposo cognizione stato ed è pensato per essere coinvolti in TLE dove convulsioni provocano perdita di coscienza. Il DMN in epilessia è stato esaminato utilizzando sementi a base di fcMRI. I mozzi anteriore e posteriore del DMN stati usati come semi in questa analisi. I risultati mostrano una disconnessione tra anteriore e mozzi posteriori del DMN in TLE durante lo stato basale. Inoltre, una maggiore connettività DMN ad altre regioni del cervello a sinistra TLE con ridotta connettività in diritto TLE è rivelato. L'analisi dimostra come fcMRI a base di semi-possono essere utilizzati per sondare le reti cerebrali in disturbi cerebrali come TLE.

Introduzione

Functional MRI Connettività (fcMRI) è un approccio analitico relativamente recente ai dati fMRI che quantifica il rapporto tra le diverse regioni del cervello basato sulla somiglianza del loro livello di ossigenazione del sangue dipendente (BOLD) serie storica segnale - questo è chiamato connettività "funzionale", ed è distinguibile da connettività anatomica che descrive l'esistenza di collegamenti fisici tra regioni (ad esempio fibre di materia bianca). In una particolare applicazione di questo approccio, la serie temporale sono raccolti quando il partecipante non è impegnato in un compito o è nel cosiddetto "stato di riposo".

Sebbene descritto per primo nel 1995 1, c'è stato interesse immenso in fcMRI conseguente circa 1.000 pubblicazioni relative alla tecnica nel 2012. FcMRI ha vantaggi intrinseci rispetto basate su operazioni fMRI in (1) che non vi è alcun compito specifico da eseguire, ( 2) La cooperazione soggetto ènon necessario, (3) gruppi di dati possono essere utilizzati per eseguire query diverse reti diverse, meglio (4) rapporto segnale rumore è presente probabilmente dovuto a differenze nelle energetica cerebrali coinvolte, e (5) l'elusione dei confonde relativi alle attività 2. Come prova del suo concetto, modifiche fcMRI hanno dimostrato di corrispondere alle variazioni EEG 3 e potenziali di campo locali 4 nel cervello.

Tecniche di analisi fcMRI includono tecniche di ROI / a base di semi-, analisi delle componenti indipendenti (ICA), analisi di teoria dei grafi, nesso di causalità di Granger, i metodi locali (ampiezza delle oscillazioni a bassa frequenza, l'analisi di omogeneità regionale), e altri cinque. Nessuna singola tecnica ha ancora dimostrato la netta superiorità rispetto ad un altro, anche se i metodi più diffusi sono metodi ICA 6 di semi-based e. Seed-based fcMRI correla fluttuazioni temporali segnale BOLD da una parte preselezionata della rete putativo in esame definito il "seme1; o "regione di interesse (ROI)" a tutte le altre parti del cervello. Le aree del cervello che mostra BOLD correlatore segnale alla zona sementi sono pensati per delimitare parti della rete coinvolti. Al contrario, ICA utilizza un'analisi basata sui dati model-free per estrarre aree cerebrali spazio-temporalmente correlate (componenti indipendenti, CI), analizzando le caratteristiche del segnale emodinamiche del tutto il cervello 5.

Nel manoscritto attuale, una descrizione dei metodi utilizzati in uno studio pubblicato in precedenza di riposo Stato basato seme-analisi della connettività del DMN in TLE è presentato 7. TLE è la forma più comune di epilessia adulta. In aggiunta alle crisi epilettiche, TLE provoca disfunzioni delle reti multiple cerebrali, tra cui memoria, il comportamento, il pensiero e la funzione sensoriale 8. Il DMN è costituito da regioni cerebrali che sottendono cosciente, cognizione di riposo-stato. Il DMN è stato segnalato per essere coinvolti in crisi associate consc ridottaiousness 9,10. Inoltre, l'ippocampo è la struttura chiave coinvolti nella TLE ed è stato pensato per essere componente del DMN. Tuttavia, la connettività del PCC alla formazione dell'ippocampo è più debole di altri organi di DMN, quali mediale prefrontale e parietale inferiore. Ciò suggerisce che l'ippocampo è o una sottorete del DMN o una rete 11,12 interagenti. Questi comune tra TLE e DMN sollevano la possibilità che DMN connettività funzionale è alterata in TLE. Questa analisi mette a confronto il DMN di soggetti con TLE ai controlli sani al fine di conoscere il coinvolgimento di DMN in TLE. La connettività di semi posto nei principali hub del DMN - le regioni del mozzo anteriore e posteriore sono stati analizzati 12. I semi sono stati inseriti nel mozzo posteriore costituito dalla retrosplenium / precuneus (DSR / PCUN) così come il mozzo anteriore costituito da corteccia prefrontale ventromediale (vmPFC) in pazienti con TLE e incontrolli sani di individuare le anteriori e posteriori sottoreti del DMN.

Protocollo

1. Soggetti

  1. La popolazione di studio di 36 soggetti comprende tre gruppi: a destra TLE (n = 11), a sinistra TLE (n = 12), e controlli sani (n = 13). Ottenere il consenso informato scritto da tutti i soggetti. Lo studio segue le linee guida della University of California, Los Angeles (UCLA) Institutional Review Board.
  2. I gruppi di soggetti con epilessia dovrebbero essere i pazienti che sono candidati per la resezione del lobo temporale anteriore, come determinato dal monitoraggio video-EEG, MRI del cervello, imaging PET, e test neuropsicologici. I pazienti devono continuare i loro soliti farmaci durante la scansione fMRI e non devono essere digitalizzata immediatamente dopo un sequestro. Assicurarsi che tutti i soggetti hanno normali risonanze magnetiche del cervello e sono esenti da malattie neurologiche (diverso da epilessia nei gruppi di pazienti) o si utilizza farmaci neurologici.

2. Imaging

  1. Utilizzare un sistema a 3 Tesla MRI per l'imaging. Ottenere sezioni assiali per immagini funzionali utilizzando un planare imag ecoING (EPI) sequenza e per le immagini anatomiche mediante gradiente viziato richiamate (SPGR) sequenza.
  2. Eseguire l'imaging funzionale utilizzando i seguenti parametri: TR = 2,000 msec, TE = 30 msec, FOV = 210 mm, matrice = 64 x 64, spessore di strato 4 millimetri, 34 fette. Utilizzare i seguenti parametri per imaging ad alta risoluzione strutturale: TR = 20 msec, TE = 3 msec, FOV = 256 millimetri, matrice = 256 x 256, spessore fetta 1 mm 160 fette.
  3. Ogni sessione di imaging dovrebbe durare 20 min. Chiedere ai partecipanti di rilassarsi con gli occhi chiusi. Non è richiesta alcuna particolare input uditivo.

3. Pre-elaborazione dei dati BOLD

  1. Pre-elaborazione dei dati fMRI utilizzando FSL (fMRIB Software Library) versione del software 4.1.6 (Oxford, UK, www.fmrib.ox.ac.uk / FSL) 13,14. Fasi di pre-elaborazione devono includere i seguenti: Usa FSL MCFLIRT per rimuovere i movimenti della testa artefatto 15. Utilizzare BET FSL per rimuovere il tessuto nonbrain 16 con BET l'opzione-F per i file BOLD. Questo aiuta a conduzione ffasi di analisi LTERIORI sulla sola tessuto cerebrale.
  2. In FEAT, eseguire un'analisi minimamente trasformati con la registrazione. Selezionare "analisi di primo livello" e cambiare "analisi completa" a "pre-stats" dai primi due bottoni.
    1. Nella scheda pre-stats, deselezionare "estrazione del cervello BET" e selezionare "Nessuno" per "correzione Motion" (in quanto queste sono state già fatte in precedenza). Registrare le immagini funzionali (BOLD) per la anatomico (SPGR) immagini e quindi ad un livello di immagine (MNI). Ciò si traduce nella generazione di matrici di trasformazione, che successivamente saranno utilizzati durante l'analisi di deformare i semi selezionati nello spazio normale nello spazio cervello del soggetto.
  3. Utilizzare la matrice di trasformazione generata (denominato "standard2example_func.mat") e trasformare CSF e ROI della sostanza bianca in singoli spazi BOLD.
    1. Estrarre la serie storica dal QCS e ROI della sostanza bianca con il comando fslmeants,utilizzando il ROI nello spazio singolo soggetto come maschera. Normalizzare la serie storica estratto utilizzando il software "R". Tali serie sono usati come regressori nel GLM successivamente per rimuovere i corrispondenti segnali di artefatti dall'analisi.
  4. Il passo successivo è la rimozione di artefatti di movimento legate soggetti. Per la regressione dei parametri di movimento, impostare la seguente entro FSL FEAT prima di eseguirlo.
    1. All'interno della scheda dati, utilizzare il movimento corretto per file e cervello estratto come ingressi, impostare il valore TR corrispondere al dataset. Set filtro passa-alto utilizzando un filtro sec 100. L'elevato filtraggio passa rimuoverà segnali di interesse, che sono di frequenza molto bassa. Un filtro passa-basso per rimuovere i segnali ad alta frequenza sarà applicata in seguito al passaggio 4.1.
    2. All'interno della scheda di pre-stats, scegliere "Nessuno" in "Correzione Motion" come è stato già fatto. Deselezionare "estrazione del cervello BET", come è stato già fatto. Eseguire smoothing spazialeutilizzando una metà del massimo a tutta larghezza 5 mm (FWHM).
    3. Nella scheda statistiche, regredire i parametri 6 di movimento e loro derivati ​​temporali. Selezionare "Nessuno" per convoluzione e controllare "Applica filtro temporale." Usa l'uscita del FSL MCFLIRT per ottenere i file di testo dei parametri del movimento, che può essere poi immessi nel modello di analisi FEAT a regredire questi in un modello lineare generale (GLM)
    4. Aggiungete anche il QCS e segnali della sostanza bianca che sono stati estratti e normalizzato nelle fasi precedenti al GLM. Selezionare "Nessuno" per convoluzione, aggiungere derivata temporale, e deselezionare "Applica filtro temporale".

4. Metodi statistici

  1. I residui di pre-elaborazione sopra descritta dovrebbero essere utilizzati per la correlazione a base di semi. Tali residui devono essere passati prima attraverso un filtro passa-basso di 0,1 Hz, poi umiliate sottraendo la media, dividendo per la deviazione standard, e poi scalato aggiungendo100. Semi devono essere definite con un diametro di 6 mm di spazio MNI standard utilizzando software MRICron.
  2. Il posteriore e semi anteriori devono corrispondere alle seguenti coordinate: (1) Regione Rsp / PCUN (x = 2, y = -60, z = 36) e (2) corteccia prefrontale ventromediale (vmPFC; x = 3, y = 60, z = -1). Queste posizioni seme sono state definite negli controlli sani e sono trasformato allo spazio soggetto nel passaggio successivo 17-19.
    1. I semi devono essere successivamente trasformati in singolo spazio funzionale del cervello di ciascun soggetto dallo spazio standard di MNI. Per questo, utilizzare la matrice di trasformazione generata in precedenza (denominata "standard2example_func.mat") per trasformare il seme da (MNI) spazio standard per il singolo spazio funzionale (BOLD).
    2. Utilizzare il comando fslmeants per estrarre la serie temporale dal già sminuito e scalato residua, utilizzando il seme nel singolo spazio soggetto come una maschera. Normalizzare la serie storica estratto utilizzando il software "R".
  3. Correlazioni parziali tra i voxel di sementi e tutti gli altri voxel cerebrali dovrebbero essere calcolate separatamente per ciascun soggetto per ciascuna corsa. Per questo, all'interno della GUI FEAT FSL, selezionare "analisi di primo livello", e poi "Statistiche + post-stats". All'interno della scheda Dati, il residuo precedentemente umiliato e scalato deve essere usato come input in FEAT.
  4. Impostare il passa alto taglio del filtro a 10.000, il residuo è già elevata passata a 100 sec. Nella scheda Statistiche, deselezionare "Usa FILM prewhitening", e utilizzare le serie storiche seme precedentemente estratto e normalizzato nel GLM. Nella scheda Post-statistiche, impostare la soglia di Z-stat desiderata per un valore di 2,0.
  5. Prima di eseguire l'analisi di gruppo che unisce corre all'interno di sudditi, di un Fisher Z trasformare deve essere eseguita sul file COPE (Contrasto delle stime dei parametri) generato dalla analisi di correlazione eseguito in precedenza (punto 4.3). Copiare dati di registrazione from la directory "reg" dell'analisi FEAT fatto nella fase 3.1 nel periodo correlazione del punto 4.3.
  6. Eseguire un'analisi di livello superiore, combinando corse all'interno di ogni soggetto. Per questo, all'interno della GUI FEAT FSL, selezionare "analisi a livello superiore", e poi "Statistiche + post-stats". All'interno della scheda "Dati", scegliere "ingressi sono directory FEAT di livello inferiore" e inserite corse del soggetto dal punto 4.4. All'interno della scheda "Statistiche", scegli "effetti misti: Semplice OLS". Impostare modello effetto medio; inserire il valore di 1 per ciascun corsa del soggetto.
  7. Per combinare dati su piste tra i soggetti, uno minimi quadrati ordinari (OLS) semplice analisi degli effetti misti dovrebbe essere usato. Per questo, all'interno della GUI FEAT FSL, scegliere "analisi a livello superiore" e "Statistiche + post-stats". All'interno della scheda Dati, scegliere "ingressi sono directory FEAT di livello inferiore" e inserite combinati corre soggetti dal punto 4.5.
  8. Nella scheda Statistiche, scegliete "effetti misti: Simple OLS" 'Impostare un modello come 3 gruppi; inserire il valore 1 per il gruppo di ogni soggetto appartiene, 0 altrimenti. L'analisi di gruppo dovrebbe essere fatto su ogni voxel con un one-way ANOVA con tre livelli corrispondenti ai tre gruppi (TLE destra, sinistra TLE, e controlli sani).
  9. Per soglia le immagini statistici Z utilizzano cluster di formare la soglia di Z> 2.0 e corretti grappolo soglia rilevante del p = 0,05 20. Per ottenere corretti valori z sulla mappa correlazione, un rovescio di Fisher Z trasformare deve essere eseguita sui risultati.
  10. I seguenti contrasti specifici devono essere confrontati (1) giuste TLE> controlli; (2) a sinistra TLE> controlli; (3) a destra TLE> sinistra TLE; (4) TLE sinistra> destra TLE; (5) Controllo> destra TLE; (6) Controllo> sinistra TLE; (7) TLE (combinato destra e sinistra)> controllo; e (7) Controllo> TLE (unito destra e sinistra).

Risultati

La figura 1 mostra il DMN rivelato con connettività da un seme posteriore (Rsp / PCUN, colori rosso-giallo) e un seme anteriore (vmPFC, colori blu-verde) e confronta le reti trovate nei diversi gruppi di soggetti (Figure 1A-C) e tra l'altro, cioè controlli sani rispetto a tutti i pazienti con TLE (Figure 1D e 1E), quindi controlli sani comparati separatamente a sinistra TLE (figure 1F ed 1G) e destra TLE (...

Discussione

L'epilessia è pensato per essere una malattia di rete, e le anomalie delle reti coinvolte sono presenti durante la crisi e nello stato interictale 21. Basata su attività fMRI è stato utilizzato per analizzare le anomalie del linguaggio e reti di memoria in TLE 8. FcMRI ha vantaggi inerenti studiare il DMN 12 in quanto è una rete attiva principalmente nello stato di riposo. Il DMN è una rete di regioni del cervello che è stato trovato per essere attivo in individui svegli che ve...

Divulgazioni

Dr. Engel è finanziato dal NIH Grants P01 NS02808, R01 NS33310 e U01 NS42372, ha brevetti WO 2009/123734A1, e WO 2009/123735A1, riceve canoni da MedLink, Wolters Kluwer, Blackwell, e Elsevier, e ha ricevuto onorari da Medtronics , Wolters Kluwer, e Best Doctors. Il dottor Stern ha servito come consulente pagato per UCB e Lundbeck. Il dottor Stern è un editor di MedLink Neurologia, e ha ricevuto canoni da Wolters Kluwer e da McGraw-Hill. Gli altri autori non hanno divulgazione o conflitti di interesse da dichiarare.

Riconoscimenti

Finanziamento per questa ricerca è stato fornito dalla Fondazione Epilessia of America, Baylor College of Medicine computazionale e integrative Biomedical Research Center (CIBR) Semi di Grant Awards (ZH), NIH NINDS-K23 di Grant NS044936 (JMS); . e The Family Foundation Leff (JMS) L'acquisizione dei dati è stata assistita da: Elizabeth Pierce (UCLA).

Materiali

NameCompanyCatalog NumberComments
MRI machine
Linux workstation with image analysis software installed

Riferimenti

  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).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

MedicinaDefault Network Mode DMNepilessia del lobo temporale TLEfMRIrisonanza magneticaconnettivit funzionale MRI fcMRIlivello di ossigenazione del sangue dipendente BOLD

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Contattaci

SUGGERISCI JOVE ALLA BIBLIOTECA

Newsletter di JoVE

Ricerca

Didattica

Autori

Personale delle biblioteche

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati