Anwendung von Granger Kausalität Analyse des gerichteten funktionalen Zusammenhangs in der Alzheimer-Krankheit und Mild Cognitive Impairment

Zusammenfassung

Basierend auf ruhenden Zustand funktionelle Magnetresonanztomographie mit Granger Kausalität Analyse, untersuchten wir die Änderungen in die gezielte funktionelle Verknüpfung zwischen den hinteren cingulären Kortex und ganze Gehirn bei Patienten mit Alzheimer-Krankheit (AD), Patienten mit Mild Cognitive Impairment (MCI) und gesunden Kontrollpersonen.

Zusammenfassung

Beeinträchtigt funktionelle Verknüpfung in der Standard-Modus-Netzwerk (DMN) kann das Fortschreiten der Alzheimer-Krankheit (AD) beteiligt werden. Die hinteren cingulären Kortex (PCC) ist ein potenzieller bildgebenden Marker für Überwachung das Fortschreiten der AD. Frühere Studien nicht auf die funktionelle Verknüpfung zwischen der PCC und Knoten in Regionen außerhalb der DMN konzentrieren, aber unsere Studie ist ein Versuch, diese übersehen Funktionszusammenhänge zu erkunden. Für die Datenerhebung, verwendeten wir funktionelle Magnetresonanztomographie (fMRT) und Granger Kausalität Analyse (GCA). fMRI bietet eine nicht-invasive Methode zur Untersuchung der dynamischen Wechselwirkungen zwischen verschiedenen Gehirnregionen. GCA ist ein statistischer Hypothesentest zur Feststellung, ob einmalige Serie bei der Vorhersage von anderen nützlich ist. In einfachen Worten, es wird danach beurteilt, vergleicht man die "alle Informationen auf den letzten Moment, die Verteilung der Wahrscheinlichkeit von X zu diesem Zeitpunkt" und die "bezeichnet alle Informationen auf den letzten Moment außer Y, die Verteilung der Wahrscheinlichkeit von X zu diesem Zeitpunkt", um festzustellen, ob eine kausale Beziehung zwischen Y und X. Diese Definition basiert auf die vollständige Informationsquelle und stationäre chronologischer Reihenfolge. Der wichtigste Schritt dieser Analyse ist mit X und Y die Regressionsgleichung und zeichnen eine kausale Beziehung durch einen hypothetischen Test. Da GCA kausale Effekte messen kann, haben wir es untersuchen die Anisotropie der funktionelle Konnektivität und erkunden die Hub-Funktion des PCC. Hier wir abgeschirmt 116 Teilnehmer für MRI Scan, und wir nach Vorverarbeitung der Daten aus Neuroimaging, GCA verwendet, um den ursächlichen Zusammenhang der einzelnen Knoten ableiten. Schließlich schlossen wir, dass die gerichtete Verbindung zwischen den Mild Cognitive Impairment (MCI) und AD Gruppen, sowohl aus der PCC auf das ganze Gehirn das gesamte Gehirn in die PCC erheblich unterscheidet.

Einleitung

AD ist eine degenerative Erkrankung des zentralen Nervensystems, die Histopathologie, Elektrophysiologie und Neuroimaging¹diagnostiziert werden können. Die Speicher-bezogene DMN ist ein lebenswichtiges System der interagierenden Hirnregionen zugeordnete AD, und seine abnormale Funktion ist charakteristisch für AD^2,3. Die PCC ist eine wichtige Region des traditionellen Standardnetzwerk im Ruhezustand und spielt entscheidende Rolle im episodischen Gedächtnis, räumliche Aufmerksamkeit, Selbstevaluation und andere kognitive Funktionen^4,5,6,7. Darüber hinaus möglicherweise eine bildgebende Marker für die Überwachung der AD fortschreiten. Verwendung von GCA fanden Liao Et Al. , dass die PCC eine Region von mehreren Cytoarchitektonik mit mehreren Verbindungen ist und eine wichtige Rolle im funktionalen Gehirn Struktur^{8 spielt}. Zhong Et Al. berichtet, dass die PCC ein Convergence Centers, die Interaktionen von den meisten anderen Regionen innerhalb der DMN³erhalten. Darüber, Miao Et Al. gezeigt, dass in den Regionen DMN Hub der PCC die größten kausale Wirkung-Beziehung mit anderen Knoten⁹hat. Zusammen, studiert alles, was diese deutet darauf hin, dass die gerichtete Verbindung des PCC wertvoll in der AD-Forschung ist und der PCC weiterentwickelt werden muss als eine wichtige Region der DMN vertiefte.

Die bisherigen Studien waren die Konnektivität zwischen der PCC und anderen Regionen innerhalb der DMN beschränkt; jedoch wurden die Änderungen in gezielte funktionelle Verknüpfung zwischen den PCC und Gehirn Regionen außerhalb der DMN sowie deren Einfluss auf AD erforschten¹⁰noch nicht. Unsere Studie untersucht diese unerforschte funktionelle Konnektivität in normalen gesunden Kontrollen, Patienten mit MCI und Patienten mit AD. Durch die Beobachtung der gerichteten Verbindungen zwischen der PCC und ganze Hirnregionen, wollten wir die funktionelle Veränderungen im Gehirn im Zusammenhang mit AD Fortschreiten zu erhellen, und schaffen damit eine neuartige objektive Grundlage für die Beurteilung der Schwere der Erkrankung.

Funktionelle Verknüpfung bezieht sich auf eine interregionale Interaktion, die durch synchrone Schwankungen in Niederfrequenz (LFFs) dargestellt werden kann im zerebralen Blut Sauerstoff Ebene abhängige (BOLD) fMRT Signal. Daher, um die funktionelle Verknüpfung zwischen den PCC und anderen Gehirnregionen zu beobachten, analysierten wir die funktionelle Verknüpfung zwischen den PCC und das ganze Gehirn-Netzwerk von fMRI GCA, mit der PCC als die Region von Interesse (ROI). Diese Technik stammt direkt das grundsätzliche Verhältnis der einzelnen Knoten anhand von Neuroimaging¹¹erhalten. Vor kurzem wurde GCA Elektroenzephalogramm (EEG) und fMRI-Studien offenbaren die kausale Effekte unter Gehirn Regionen¹²angewendet. Alle diese Studien gezeigt, dass die GCA-Technik optimal für den ursächlichen Zusammenhang der einzelnen Knoten in das Gehirn zu erkennen sein könnte.

Protokoll

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.

Ergebnisse

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

Diskussion

Dieser Bericht stellt ein Verfahren zum Vergleich der gerichteten funktionelle Verknüpfung von PCC an das ganze Gehirn und aus dem gesamten Gehirn in die PCC zwischen AD, MCI und der Kontrollgruppe. Darüber hinaus ist ein wichtiger Schritt in diesem Prozess der Klassifizierung und Screening der Probe vor dem Experiment. Somit sind die Klassifizierung und screening-Kriterien entscheidend, da die Genauigkeit der Ergebnisse beeinflusst werden kann, wenn sie falsch sind. Wie im Protokoll aufgeführt, verwendeten wir 2011-N...

Materialien

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.