Análise de Redes da rede de modo padrão Usando Funcional Conectividade RM em Epilepsia do Lobo Temporal

Resumo

A Rede Padrão Mode (DMN) em Epilepsia do Lobo Temporal (ELT) é analisada no estado de descanso do cérebro usando a conectividade funcional à base de semente de MRI (fcMRI).

Resumo

Conectividade funcional MRI (fcMRI) é um método de ressonância magnética funcional, que analisa a conectividade de áreas diferentes do cérebro com base na correlação das flutuações de sinal BOLD ao longo do tempo. Epilepsia do Lobo Temporal (ELT) é o tipo mais comum de epilepsia adulto e envolve múltiplas redes cerebrais. A rede de modo default (DMN) está envolvido na consciência, cognição estado de repouso e é pensado para ser afetada em TLE onde as apreensões causar perda da consciência. O DMN na epilepsia foi examinada usando semente baseado fcMRI. Os anteriores e posteriores cubos de DMN foram utilizados como sementes nesta análise. Os resultados mostram uma desconexão entre o anterior e centros posteriores do DMN em TLE durante o estado basal. Além disso, o aumento da conectividade DMN para outras regiões do cérebro em TLE esquerda juntamente com a diminuição da conectividade na TLE direito é revelado. A análise demonstra como fcMRI à base de sementes podem ser utilizados para sondar as redes cerebrais em distúrbios cerebrais, tais como TLE.

Introdução

Conectividade funcional MRI (fcMRI) é uma abordagem analítica relativamente recente de dados de fMRI que quantifica a relação entre as diferentes regiões do cérebro com base na similaridade do seu nível de oxigenação do sangue dependente (BOLD) sinal de série de tempo - isso é chamado de conectividade "funcional", e é distinguível de conectividade anatômica que descreve a existência de conexões físicas entre as regiões (por exemplo, fibras de substância branca). Em uma aplicação especial desta abordagem, as séries temporais são coletados quando o participante não está envolvido em uma tarefa ou está no chamado "estado de repouso".

Embora descrita pela primeira vez em 1995, ^1, houve imenso interesse em fcMRI resultando em aproximadamente 1.000 publicações relacionadas com a técnica em 2012. FcMRI tem benefícios intrínsecos mais RMf baseado em tarefas em (1), que não é uma tarefa específica a ser realizada, ( 2) a cooperação assunto énão é necessário, (3) conjuntos de dados podem ser usados ​​para consultar várias redes diferentes, (4) uma melhor relação sinal-ruído está presente provavelmente devido a diferenças na energética cerebrais envolvidos, e (5) a evasão de confunde relacionadas com a tarefa ^2. Como prova da sua concepção, as alterações fcMRI foram mostrados para corresponder com as mudanças no EEG ³ e ⁴ locais potenciais de campo no cérebro.

Técnicas de análise fcMRI incluem / técnicas de ROI com base em sementes, análise de componentes independentes (ICA), análise de teoria dos grafos, análise de causalidade de Granger, os métodos locais (amplitude de oscilações de baixa freqüência, análise de homogeneidade regional), e outros ^5. Nenhuma técnica única ainda demonstrou clara superioridade sobre a outra, embora os métodos mais populares são métodos ICA ⁶ à base de sementes e. À base de semente de fcMRI correlaciona flutuações temporais no sinal BOLD de uma parte pré-selecionado da rede putativo em estudo chamado de "semente1; ou "região de interesse (ROI)" para todas as outras partes do cérebro. Áreas do cérebro mostrando correlacionando sinal BOLD para a área de semente são pensados ​​para demarcar partes da rede envolvidos. Em contraste, a ICA utiliza uma análise orientada por dados sem modelo para extrair áreas cerebrais espaço-temporalmente correlacionados (componentes independentes, ICs), analisando as características do sinal hemodinâmicos de todo o cérebro ^5.

No manuscrito atual, uma descrição dos métodos usados ​​em um estudo publicado anteriormente de-base de sementes análise conectividade descanso estado da DMN em TLE é apresentado ^7. TLE é a forma mais comum de epilepsia adulto. Além de convulsões, TLE causa disfunção de várias redes cerebrais, incluindo memória, comportamento, pensamento e função sensorial ^8. O DMN é constituído por regiões cerebrais subjacentes à consciência, cognição descanso pelo Estado. O DMN tem sido relatada a ser envolvido em convulsões associadas à consc reduzidaiousness ^9,10. Além disso, o hipocampo é a estrutura chave envolvida na TLE e foi pensado para ser componente de DMN. No entanto, a conectividade do PCC para a formação do hipocampo é mais fraca do que com outros componentes de DMN, tais como pré-frontal medial e córtex parietal inferior. Isto sugere que o hipocampo é uma sub-rede ou de DMN ou uma rede interagindo ^11,12. Estas semelhanças entre TLE e DMN levantam a possibilidade de que DMN conectividade funcional é alterado de TLE. Esta análise compara o DMN de indivíduos com ELT com controles saudáveis ​​para obter insights sobre o envolvimento de DMN na TLE. A conectividade de sementes colocadas nos principais centros do DMN - as regiões do cubo anterior e posterior foram analisados ^​​12. As sementes foram colocadas no cubo posterior que consiste no retrosplenium / precuneus (Rsp / PCUN), bem como o cubo anterior consiste no córtex pré-frontal ventromedial (vmPFC) em pacientes com TLE e emsaudável controles para identificar as sub-redes posterior e anterior do DMN.

Protocolo

1. Assuntos

1. A população de estudo de 36 indivíduos inclui 3 grupos: direito TLE (n = 11), deixou TLE (n = 12) e controles saudáveis ​​(n = 13). Obter o consentimento informado por escrito de todas as disciplinas. O estudo segue as diretrizes da Universidade da Califórnia, Los Angeles (UCLA) Institutional Review Board.
2. Os grupos de indivíduos com epilepsia deve ser pacientes que são candidatos à ressecção anterior do lobo temporal, conforme determinado pelo monitoramento de vídeo-EEG, ressonância magnética do cérebro, imagens de PET e testes neuropsicológicos. Os doentes devem continuar os seus medicamentos habituais durante o exame de fMRI e não deve ser verificado imediatamente após uma convulsão. Certifique-se de que todos os indivíduos têm ressonâncias magnéticas normais do cérebro e estão livres de doença neurológica (excepto epilepsia nos grupos de pacientes) ou estiver usando medicamentos neurológicos.

2. Imagem

1. Use um sistema de 3 Tesla MRI para a imagem latente. Obter cortes axiais de imagens funcionais usando um imag planar echoing (EPI) e seqüência de imagens anatômicas usando um gradiente mimada lembrou (SPGR) seqüência.
2. Realize imagem funcional utilizando os seguintes parâmetros: TR = 2.000 ms, TE = 30 ms, FOV = 210 mm, matriz = 64 x 64, espessura de corte 4 mm, 34 fatias. Utilize os seguintes parâmetros para a imagem estrutural de alta resolução: TR = 20 ms, TE = 3 ms, FOV = 256 milímetros, matriz = 256 x 256, espessura de corte 1 mm 160 fatias.
3. Cada sessão de imagens deve durar 20 min. Peça aos participantes para relaxar com os olhos fechados. Sem entrada auditiva especial é necessário.

3. Pré-processamento de dados BOLD

1. Preprocess os dados de fMRI utilizando FSL (fMRIB Software Library) versão do software 4.1.6 (Oxford, Reino Unido, www.fmrib.ox.ac.uk / FSL) ^13,14. Etapas de pré-processamento deve incluir o seguinte: Use FSL MCFLIRT para remover o movimento da cabeça artefato ^15. Use BET FSL para remover o tecido nonbrain ¹⁶ com BET opção-F para arquivos em negrito. Isso ajuda a uma corrida fetapas de análise UTRAS sozinho o tecido cerebral.
2. Em FEAT, execute uma análise minimamente processados ​​com registro. Selecione "análise de primeiro nível" e mude "análise completa" para "Pré-stats" dos dois primeiros botões.
   1. Na guia Pré-stats, desmarque a opção "extração BET cérebro" e selecione "None" para "correção Motion" (uma vez que já foram feitas acima). Registrar as imagens funcionais (negrito) para a imagem (MNI) imagens anatômicas (SPGR), e depois a um padrão. Isto resulta na geração de matrizes de transformação, que são usadas mais tarde, durante a análise de deformar as sementes seleccionadas no espaço padrão para o espaço cérebro do sujeito.
3. Use a matriz de transformação gerado (denominado "standard2example_func.mat") e transformá-CSF e ROIs de substância branca no espaço BOLD individual.
   1. Extrato da série histórica do CSF ​​e ROIs substância branca usando o comando fslmeants,usando o ROI no espaço sujeito individual como uma máscara. Normalizar as séries temporais extraído utilizando o software "R". Estas séries de tempo são utilizadas como regressores no GLM posterior para remover os sinais de artefatuais correspondentes a partir da análise.
4. O próximo passo é a remoção de artefatos de movimento relacionado assunto. Para a regressão dos parâmetros de movimento, defina o seguinte dentro de FSL FEAT antes de executá-lo.
   1. Na guia dados, use com correção de movimento e arquivo extraído do cérebro como entradas, defina o valor TR para corresponder ao seu conjunto de dados. Defina-filtro de alta passagem usando um filtro de 100 seg. A filtragem passa alta irá remover sinais de interesse, que são de muito baixa frequência. Um filtro passa-baixo para eliminar os sinais de alta frequência vai ser aplicada posteriormente na etapa 4.1.
   2. No separador Pré-stats, escolha "Nenhum" em "correção Motion", uma vez que já foi feito. Desmarque a opção "extração BET cérebro", uma vez que já foi feito. Realize suavização espacialusando um 5 milímetros de largura total metade do máximo (FWHM).
   3. Na guia Estatísticas, regredir os seis parâmetros de movimento e seus derivados temporais. Selecione "Nenhum" para convolução e marque a opção "Aplicar a filtragem temporal." Usar a saída de FSL MCFLIRT para obter arquivos de texto dos parâmetros de movimento, que pode ser seguida de entrada para o modelo de análise FEAT a regredir estes em um modelo linear geral (GLM)
   4. Adicione também o CSF ​​e sinais de substância branca que foram extraídos e normalizado nas etapas anteriores para o GLM. Selecione "Nenhum" para convolução, adicione derivada temporal, e desmarque a opção "Aplicar filtro temporal".

4. Métodos Estatísticos

1. Os resíduos de pré-processamento descrito acima deve ser utilizado para a correlação baseada em semente. Estes resíduos devem ser passado primeiro através de um filtro passa baixo de 0,1 Hz, e depois demeaned subtraindo a média, dividindo-se pelo desvio padrão, e, em seguida, dimensionados adicionando100. Sementes deve ser definido com um diâmetro de 6 mm, no espaço MNI padrão usando o software MRICron.
2. A posterior e as sementes devem anterior correspondem às seguintes coordenadas: (1) a região Rsp / PCUN (x = 2, y = -60, z = 36) e (2) o córtex pré-frontal ventromedial (vmPFC; x = 3, y = 60, z = -1). Esses locais de sementes foram definidos nos controles saudáveis ​​e são transformados para o espaço de sujeitos na etapa seguinte ^17-19.
   1. As sementes devem ser posteriormente transformado em espaço funcional do cérebro individual de cada sujeito a partir do espaço padrão MNI. Para isso, use a matriz de transformação gerado acima (com o nome "standard2example_func.mat") para transformar a semente (MNI) espaço padrão para o espaço individual funcional (BOLD).
   2. Utilize o comando fslmeants para extrair a série temporal do anteriormente rebaixado e dimensionado residual, usando a semente no espaço sujeito individual como uma máscara. Normalizar as séries temporais extraído usando o software "R".
3. Correlações parciais entre os voxels de sementes e todos os outros voxels cerebrais deve ser calculada separadamente para cada tema para cada execução. Para isso, dentro da GUI FEAT FSL, selecione "análise de primeiro nível", e depois em "Estatísticas + Pós-stats". Dentro da guia Dados, o residual previamente humilhada e escalado deve ser usado como entrada para FEAT.
4. Defina o filtro de alta corte passe para 10.000, como o residual já está alta passou a 100 seg. Na guia Estatísticas, desmarque "Usar FILME prewhitening", e use a série temporal de sementes previamente extraído e normalizada no GLM. Dentro da aba Post-stats, definir o limite Z-stat desejado para um valor de 2,0.
5. Antes de executar análise de grupo que combina corridas dentro de assuntos, um Z de Fisher transformar deve ser realizada no COPE (Contraste de estimativas de parâmetros) arquivo gerado a partir da análise de correlação executado anteriormente (passo 4.3). Copiar dados de registro from o diretório "reg" da análise FEAT feito no passo 3.1 a correlação corrida da etapa 4.3.
6. Executar uma análise de alto nível, combinando executado dentro de cada assunto. Para isso, dentro da GUI FEAT FSL, selecione "análise de nível superior", e depois em "Estatísticas + Pós-stats". Na guia "Dados", escolha "Entradas são diretórios FEAT de nível inferior" e digite corridas do sujeito a partir do passo 4.4. Dentro da aba "Estatísticas", escolha "efeitos mistos: OLS simples". Estabelecer modelo de efeito como média; entrar com um valor de 1 para cada uma corrida do sujeito.
7. Para combinar dados sobre corridas entre os sujeitos, uma Mínimos Quadrados Ordinários (MQO) simples análise de efeitos mistos deve ser usado. Para isso, dentro da GUI FEAT FSL, escolha "análise de nível superior", e "Estatísticas + Pós-stats". Dentro da guia Dados, escolha "Entradas são diretórios FEAT de nível inferior" e digite combinados corridas dos sujeitos a partir do passo 4.5.
8. Na guia Estatísticas, escolha "efeitos mistos: OLS simples" 'Configurar um modelo como 3 grupos; entrar com um valor de 1 para o grupo cada sujeito pertence, 0 caso contrário. Grupo análise deve ser feita em cada voxel usando uma ANOVA com três níveis que correspondiam às três grupos (direito TLE, deixou TLE e controles saudáveis).
9. Para limiar as imagens estatística Z usar clusters formando limiar de Z> 2.0 e corrigido limiar conjunto significativo de p = 0,05 ^20. Para obter os valores de z correcção no mapa de correlação, um Z de Fisher inversa transformada deve ser realizado nos resultados.
10. Os seguintes contrastes específicos devem ser comparados (1) direito TLE> controles; (2) deixou TLE> controles; (3) TLE direito> esquerda TLE; (4) deixou TLE> direito TLE; (5) controle> TLE direita; (6) Controle> esquerda TLE; (7) TLE (direita combinado e esquerda)> controle; e (7) de controle> TLE (direita combinado e esquerda).

Resultados

A Figura 1 mostra o DMN revelou com a conectividade de uma semente posterior (DER / PCUN, cores vermelho-amarelo) e uma semente anterior (vmPFC cores azul-verde) e compara as redes encontradas nos diferentes grupos de sujeitos (Figuras 1A-C) e entre si, ou seja, os controles saudáveis ​​em comparação a todos os pacientes com ELT (Figuras 1D e 1E) e, em seguida controles saudáveis ​​comparados separadamente para TLE esquerda (Figuras ...

Discussão

A epilepsia é considerada uma doença de rede, e anormalidades das redes envolvidas estão presentes durante as crises e no estado interictal ^21. FMRI baseada em tarefas tem sido usado para analisar anomalias da língua e as redes de memória em TLE ^8. FcMRI tem vantagens inerentes a estudar a DMN ^12, pois é uma rede que opera principalmente no estado de repouso. O DMN é uma rede de regiões do cérebro que tem sido encontrado para ser ativo em indivíduos acordados que são deixados ...

Materiais

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