Dinlenme Durumu fMRG'de Görsel Korteksin Bölgesel Homojenliğinin ve Fonksiyonel Bağlantısının Haritalanması

Özet

Retinitis pigmentosa hastasında spontan nöral aktivite değişikliklerini kombine bölgesel homojenlik ve fonksiyonel bağlantı yöntemi kullanarak araştırmak için fonksiyonel manyetik rezonans görüntüleme verilerini analiz etmek için bir protokol sunuyoruz.

Özet

Retinitis pigmentosa'da (RP) senkron nöronal aktivite değişikliklerini değerlendirmek için bir tür noninvaziv fonksiyonel manyetik rezonans görüntüleme (fMRI) yöntemi olan kombine bölgesel homojenlik (ReHo) ve fonksiyonel bağlantı (FC) yöntemi kullanılmıştır. Bu çalışmanın amacı, RP hastalarında nöronal aktivitedeki değişikliklerin bölge içi ve bölgeler arası senkronizasyonlarının analizi için kullandığımız yöntemi tanımlamaktır. Kombine ReHo ve FC yönteminin avantajları, hem noninvaziv olması hem de in vivo olarak serebral senkron nöronal aktivite değişikliklerindeki değişiklikleri araştırmak için yeterince duyarlı olmasıdır. Burada, yaş, cinsiyet ve eğitim açısından yakından eşleşen 16 RP hastası ve 14 sağlıklı kontrol dinlenme durumu fMRI taramalarına tabi tutuldu. Gruplar arasında ReHo ve FC'yi karşılaştırmak için iki örneklem t-testi yapıldı. Sonuçlarımız, RP hastalarında retino-talamokortikal yol ve dorsal görsel akımın görsel ağ bağlantısının kesildiğini ve yeniden düzenlendiğini gösterdi. Burada, bu yöntemin ayrıntılarını, kullanımını ve temel parametrelerinin etkisini adım adım açıklıyoruz.

Giriş

Fonksiyonel manyetik rezonans görüntüleme (fMRI), beyin fonksiyonu ve yapısındaki değişiklikleri in vivo olarak araştırmak için kullanılabilen noninvaziv bir yöntemdir. Bölgesel homojenlik (ReHo) ve fonksiyonel bağlantı (FC) genellikle beyin aktivitesinin bölge içi ve bölgeler arası senkronizasyonlarını değerlendirmek için kullanılır. Bir dinlenme durumu fMRI metodolojisi olan ReHo, belirli bir vokselin zaman serisi ile en yakın komşuları arasındaki benzerliği hesaplamak için kullanılır, bu da beyin aktivitelerinin yerel senkronizasyonunu yansıtır¹. FC, uzamsal olarak uzak bölgesel zaman serileri² arasındaki benzerliği araştırmak için kullanılır.

fMRI teknolojisi, göz hastalığı yönetimi bağlamında görme işlevinin objektif bir değerlendirmesini sunabilir. Burada, bu deneyimi paylaşmak ve uzmanlığımızın yayılmasını desteklemek için ReHo ve FC yöntemlerini birleştiren metodolojik bir protokol sunuyoruz. Bu çalışmada, retinitis pigmentosa (RP) hastalarında ve sağlıklı kontrollerde (HC) ReHo ve FC protokolünü kullanarak işlemin detaylarını detaylandırdık. RP, gece görüşünde bozulma ve ilerleyici görme kaybı ile karakterize ciddi bir kalıtsal göz hastalığıdır ^3,4. Genetik mutasyon RP için ana risk faktörüdür. Çubuk ve koni fotoreseptör hücrelerinin ölümü RP hastalarında periferik görme kaybına ve nihayetinde körlüğe yol açar. Önceki nörogörüntüleme çalışmaları, RP hastalarının görsel korteksinde ve görme yolunda yapısal ve fonksiyonel anormallikler göstermiştir ^5,6,7. Ayrıca, beyaz cevher lif demetlerinin bütünlüğünü araştırmak için difüzyon tensör görüntüleme kullanıldı. RP hastaları, HC'lere göre optik sinirlerde anlamlı olarak daha yüksek görünür difüzyon katsayısı, ana özdeğer ve ortogonal özdeğerin yanı sıra anlamlı derecede daha düşük fraksiyonel anizotropi gösterdi⁸.

Burada amacımız nöronal aktivitenin bölge içi ve bölgeler arası senkronizasyonlarının araştırılmasıydı. RP hastalarında ortalama ReHo değerleri ve ortalama FC değerlerinin klinik değişkenlerle ilişkili olup olmadığını araştırdık. Yöntemimiz, araştırmacıların RP hastalarında periferik görme kaybının nöral mekanizması hakkında önemli bilgiler elde etmelerini sağlayabilir.

Protokol

Araştırma protokolü, Wuhan Üniversitesi Renmin Hastanesi'nin tıbbi etik komitesi tarafından onaylandı. Tüm katılımcılar yazılı bir onay formu doldurdu.

1. Katılımcı sınıflandırması ve taraması

1. Yaş, cinsiyet ve eğitim açısından yakından eşleşen RP konularını ve HC'leri kaydedin.
2. Tüm katılımcıların aşağıdaki kriterleri karşıladığından emin olun: 1) bir MRI tarayıcısı ile taranabilir (örneğin, kalp pili veya implante edilmiş metal cihazlar yok); 2) klostrofobi yok; 3) Kalp hastalığı, hipertansiyon veya beyin hastalığı yok.

2. fMRI verilerinin elde edilmesi

NOT: Bu protokolde sekiz kanallı kafa bobinli bir 3 T MRI tarayıcı kullanılmaktadır.

1. Son bir güvenlik kontrolünden sonra MRI tarayıcı odasına girmeden önce her katılımcıdan metal nesneleri çıkarmasını isteyin.
2. Katılımcıya yatağa uzanmasını ve orbitomeatal çizginin yatağa dik olduğundan emin olmasını söyleyin. Ardından, başın hareket etmesini önlemek için başın iki taraflı temporal bölgesine köpük pedler yerleştirin ve tarayıcının gürültüsünü azaltmak için kulak tıkaçları sağlayın.
3. Katılımcıya dinlenme halinde yatmasını, uykuya dalmadan gözlerini kapalı tutmasını ve tarama sırasında özellikle hiçbir şey düşünmemesini söyleyin.
4. Konumlandırma ışığı aracılığıyla katılımcının baş konumunu ayarlayın. Eksen konumlandırma imlecinin yanal kantusa paralel olduğundan ve sagital konumlandırma imlecinin yüzün orta çizgisiyle çakıştığından emin olun. Ardından, eksen konumlandırma imlecinin katılımcının kaşlarının 2 cm üstünde veya altında kalmasını sağlamak için yatağı hareket ettirin.
5. Tarama oturumunun başladığını katılımcıya bildirin. Tarama konsolunu kullanarak, katılımcıların kafasının tarayıcıdaki konumunu belirlemek için yapısal yerelleştirici taramasını başlatın ve sonraki yapısal ve işlevsel taramalar için planlamaya izin verin.
6. Aşağıdaki diziler ve parametrelerle fMRI gerçekleştirin.
   1. Aşağıdaki parametrelerle üç boyutlu beyin hacmi görüntüleme (3D-BRAVO) MRG gerçekleştirin: tekrarlama süresi (TR)/yankı süresi (TE) = 8,5 ms/3,3 ms; kalınlık = 1.0 mm; kesişme boşluğu yok; edinme matrisi = 256 x 256; görüş alanı = 240 x 240 mm²; ve çevirme açısı = 12°.
   2. Aşağıdaki parametrelerle gradyan eko-düzlemsel görüntüleme, kan oksijenasyon seviyesine bağlı (EPI-BOLD) görüntüleme kullanarak fonksiyonel görüntüler elde edin: TR/TE = 2.000 ms/25 ms; kalınlık = 3.0 mm; boşluk = 1,2 mm; edinme matrisi = 256 x 256; görüş alanı = 240 x 240 mm²; voksel boyutu = 3,6 x 3,6 x 3,6 mm³; ve 35 eksenel dilim.
7. Tarama süresince katılımcının durumuna dikkat edin, mümkün olduğunca az hareket etmelerini söyleyin ve katılımcının herhangi bir rahatsızlığı varsa taramayı durdurun.
8. Katılımcıyı tarayıcıdan çıkarın ve deneyin sonunda katılımcıdan dikkatlice oturmasını isteyin.

3. Veri ön işleme ve yazılım hazırlama

NOT: Bu protokolde analiz edilen işlevsel görüntüler, SPM8 ve MATLAB 2013a'ya dayalı olarak Beyin Görüntüleme için Veri İşleme ve Analiz (DPABI, http://rfmri.org/dpabi)⁹ araç kutusu tarafından önceden işlenmiştir. Aşağıdaki ön işleme adımlarını her fMRI oturumu için ayrı ayrı gerçekleştirin.

1. DPABI'ye tıklayarak MATLAB terminalinde DPABI yazılımını açın, ardından DPARSF 4.3 Advanced Edition'ı seçin ve "FunRaw" klasörünü içe aktarın (Şekil 1).
   NOT: FunRaw klasörü, her katılımcı için DICOM dosyasını içerir.
2. fMRI tarama dosyalarını tutarlı bir numaralandırma şemasıyla (ör. "sub0001", "sub0002", vb.) DPABI'ye aktarmak için FunRaw'a tıklayın. Çalışma dizinini ve ilk EPI ve T1 dizinlerini seçin ve bölüm 4'te Çalıştır'a tıklamadan önce 3.3–3.9 adımlarında istenen tüm parametreleri seçmeye devam edin.
3. Parametreleri yazın: Zamanlama noktaları = 240 ve TR = 2 (Şekil 2). İşlevsel görüntüleri DICOM'dan NIFTI formatına dönüştürmek için EPI DICOM'dan NIFTI'ye öğesini seçin ve her işlev görüntüsünün ilk 10 cildini kaldırın.
4. Dilim zamanlama efektleri ve kafa hareketi için kalan 230 hacimli işlevsel kan oksijenasyon düzeyine bağlı görüntüleri düzeltmek için DPABI yazılımında Dilim Zamanlaması ve Yeniden Hizalama kutularını işaretleyin.
   NOT: Kafa hareketi için, tarama sırasında kafa hareketi >2 mm veya >2° dönüşü olan katılımcıların verileri hariç tutulmalıdır. Dilim sırası için, vektördeki sayı dizisi, bu katmanların elde edilme zamanı sırasıdır. Seçilen dilim numarası 40, dilim sırası [1:2:39,2:2,40] ve referans dilimi 39'dur.
5. DPABI yazılımıyla DARTEL ile Normalleştir'i seçin.
   NOT: Bu seçeneği seçtiğinizde, yazılım, ortalama fMRI verilerine kayıtlı bireysel T1 ağırlıklı yapısal görüntüleri kullanarak otomatik olarak uzamsal normalleştirme gerçekleştirecektir. Elde edilen hizalanmış T1 ağırlıklı görüntüler, fMRI verilerinin normalleştirilmesi sırasında gelişmiş uzamsal hassasiyet için DARTEL araç kutusu kullanılarak bölümlere ayrılır. Normalleştirilmiş veriler (Montreal Nöroloji Enstitüsü [MNI] 152 alanında) 3 x 3 x^{3 mm3} çözünürlükte yeniden dilimlenir.
6. DPABI yazılımında Detrend'i seçerek doğrusal trendi kaldırın.
7. Rahatsız Edici Ortak Değişkenler Regresyonu kutusunu işaretleyin ve şu parametreleri seçin: kafa hareketi modeli, beyaz madde sinyali, küresel ortalama sinyal ve beyin omurilik sıvısı sinyali.
8. DPABI yazılımında kafa hareketinden kaynaklanan kötü zaman noktalarını kaldırmak için Ovma kutusunu işaretleyin.
9. Yüksek frekanslı fizyolojik gürültüyü ve düşük frekanslı kaymayı ortadan kaldırmak için DPABI yazılımındaki Filtre [0.01-0.08] kutusunu işaretleyerek 0.01–0.08 Hz arasındaki sinyalleri koruyun.
   NOT: Veri hazırlığından sonra ReHo ve FC analizi yapılabilir.

4. ReHo ve FC analizi

1. ReHo hesaplaması için DAPABI yazılımını MATLAB aracılığıyla açın ve kümede 27 voksel seçin. ReHo'ya sol tıklayın ve [6*6*6]'yı pürüzsüz hale getirin, ardından Çalıştır'ı seçin.
   NOT: Bir Kendall'ın uyumluluk katsayısı, 27 vokselin ve en yakın komşularının zaman serilerinin Kendall'ın uyum katsayısı hesaplanarak belirli bir voksele atanır. Bireysel varyasyonların gruplar arasındaki istatistiksel karşılaştırmalar üzerindeki etkisini azaltmak için, her bir vokselin ReHo haritaları, Fisher'ın r-to-z dönüşümü kullanılarak z-dönüştürülür. Kalan z ReHo haritaları, maksimum yarısı kadar 6*6*6 tam genişlikte bir Gauss çekirdeği kullanılarak uzamsal olarak yumuşatılır.
2. FC hesaplaması için, DAPABI yazılımını MATLAB aracılığıyla açın ve her iki grup arasındaki değiştirilmiş ReHo beyin bölgelerini ilgi alanları (ROI'ler) olarak tanımlayın. İşlevsel Bağlantı'ya tıklayın ve yatırım getirisini tanımlayın (yarıçap = 10 mm ile x = 0, y = -69 ve z = -3'te merkezleme), ardından Çalıştır'ı seçin.
   NOT: Her katılımcı için zaman seyrinin korelasyon analizi, küresel tohum bölgesi ile tüm beyin vokselleri arasında gerçekleştirilir. Tüm FC haritaları, bireysel varyasyonların gruplar arasındaki istatistiksel karşılaştırma üzerindeki etkisini azaltmak için Fisher'ın r'den z'ye dönüşümü ile z-dönüştürülür. ROI'lerin koordinatlar etrafındaki yarıçapı 10 mm olmalıdır (X = 0, Y = -69, Z = -3).

5. İstatistiksel analiz

1. İlgili dosya verilerini işledikten sonra ReHo ve FC adlı klasörleri bulun. zReHo.nii ve zFC.nii dosyalarını dört alt klasöre ayırarak sıralayın: "RP-group-ReHo", "HC-group-ReHo", "RP-group-FC" ve "HC-group-FC".
2. Tek örnek t-testi gerçekleştirmek için DPABI'yi MATLAB aracılığıyla açın.
   1. İstatistiksel Analiz'e sol tıklayın, ardından tek Örnek t-testi'ne tıklayın. Çıktı sonucunu "one-sample-t-test-RP" olarak adlandırın ve çıktı dizinini ayarlayın.
   2. Grup Resimleri Ekle'ye sol tıklayın ve "RP-group-ReHo" alt klasörünü açın.
   3. Mask File (Dosyayı Maskele) seçeneğinde, "mask" klasöründeki "BrainMask-05-61*73*61" alt dosyasını açmak için sol tıklayın.
   4. Programı çalıştırmak için İşlem'i seçin. Aynı prosedürü "one-sample-t-test-HC" grubu için de gerçekleştirin.
      NOT: Tek örnekli t-testi, DPABI yazılımında her grubun ortalama ReHo haritalarını analiz etmek ve görüntülemek için kullanılır.
3. İki örnekli bir t-testi gerçekleştirmek için DPABI'yi MATLAB aracılığıyla açın.
   1. İstatistiksel Analiz'e sol tıklayın, ardından iki örnekli t-test'i seçin. Çıktı sonucunu "two-sample-t-test-ReHo" olarak adlandırın ve çıktı dizinini ayarlayın.
   2. Grup Görüntüleri Ekle'ye sol tıklayın ve "RP-group-ReHo" ve "HC-group-ReHo" alt klasörlerini açın.
   3. Mask File (Dosyayı Maskele) seçeneğinde, "mask" klasöründeki "BrainMask-05-61*73*61" alt dosyasını açmak için sol tıklayın.
   4. Programı çalıştırmak için İşlem'i seçin. Aynı prosedürü "two-sample-t-test-FC" için de gerçekleştirin. İstatistiksel Analiz ve Gauss rasgele alan (GRF) düzeltmesi [iki kuyruklu, voksel düzeyi (0,01) ve voksel düzeyi (0,05)] öğesini tıklatın ve sonra Çalıştır'ı tıklatın.
      NOT: zReHo haritaları ve zFC haritaları grupları arasındaki farklar, iki örnek t-testi ile karşılaştırılmıştır. GRF, DPABI yazılımı ile birden fazla karşılaştırmayı ve yaş ve cinsiyete göre gerileyen ortak değişkenleri düzeltmek için kullanılır.
4. Sonuçları göstermek için BrainNet Viewer yazılımını (https://www.nitrc.org/projects/bnv/) kullanın.
   1. BrainNet'i MATLAB aracılığıyla açın ve Dosya yükle'ye tıklayın. Yüzey dosyaları için Gözat'a tıklayın ve BrainMesh-ICBM152-smoothed.nv'yi seçin, ardından Tamam'a tıklayın; birim dosyaları için spm-T.nii'yi seçin (buna ReHo ve FC sonuçları dahildir), ardından Tamam'a tıklayın.
5. Önceki adımdan elde edilen verileri işlemek için istatistiksel yazılım kullanın.
   NOT: Ki-kare testi cinsiyet karşılaştırmaları için kullanılırken, bağımsız örneklem t-testleri diğer klinik değişkenler için kullanılır. Sürekli değişkenler ortalamalar ve standart sapmalar ile temsil edilir.
6. İstatistiksel yazılımlar kullanarak farklı beyin bölgelerinin zReHo değerleri ve zFC değerleri arasındaki ilişkileri belirlemek için Pearson korelasyon katsayısı analizi ve görsel ölçüm verilerini yapın.
   1. DPABI yazılımı ile her katılımcıdaki zReHo değerlerinin ve zFC değerlerinin ROI sinyallerini alın. ROI sinyalleri çıkarıcıya tıklayın ve ROI mask.nii dosyasıyla dizin ekleyin.
      NOT: <0.05'lik P değerleri istatistiksel olarak anlamlı kabul edilmelidir.

Sonuçlar

Çalışmamızda, yaş, cinsiyet ve eğitim açısından yakından eşleşen 16 RP bireyi ve 14 sağlıklı kontrol dinlenme durumu fMRI taramalarına tabi tutuldu. RP'li bireylerde intrasenkron ve intersenkron nöronal aktiviteyi araştırmak için ReHo ve FC yöntemleri kullanıldı. Sağ göz (P < 0.001) ve sol göz (P < 0.001) arasında EİDGK'da anlamlı farklılıklar gözlendi, ancak gruplar arasında cinsiyet, yaş veya kilo farkı anlamlı değildi.

R...

Tartışmalar

Bu rapor, RP ve HC grupları için ReHo ve FC değerlerini hesaplamak için bir protokolü açıklar ve iki grup arasında önemli ölçüde farklı ReHo ve FC değerleri göstermiştir. Özellikle, bu süreçteki önemli bir adım, deneyden önce numunelerin sınıflandırılması ve taranmasıdır. Bu protokolü kendi analizimiz için uyguladığımızda tüm RP tanıları iki deneyimli göz doktoru tarafından konuldu. Glokom, katarakt ve optik atrofi gibi diğer göz hastalıkları o...

Malzemeler

Name	Company	Catalog Number	Comments
BrainNet Viewer software	National Key Laboratory of Cognition Neuroscience and Learning, BNU	BrainNet Viwer 2013	BrainNet Viewer is a brain network visualization tool to visualize structural and functional connectivity patterns
DPABI software	Institute of Psychology, CAS, Beijing, China	DPABI 4.3	DPABI is a toolbox for data processing and analysis of brain imaging.
MATLAB	MathWorks, Natick, MA, USA	2013a	MATLAB is a high-level technical computing language and interactive environment for algorithm development, data visualization, data analysis, and numeric computation.
MRI scanner	GE Healthcare, Milwaukee	MRI 3.0
SPM software	Wellcome Centre for Human Neuroimaging, UCL	SPM8	SPM8 is a major update to the SPM software, containing substantial theoretical, algorithmic, structural and interface enhancements over previous versions.
SPSS	IBM, Chicago, IL, USA	SPSS version 20.0	SPSS software platform offers advanced statistical analysis, text analysis, open-source extensibility, integration with big data and seamless deployment into applications.