利用功能连接MRI对颞叶癫痫患者默认模式网络进行网络分析

以下实验的总体目标是获得统计图谱，通过比较健康对照组与癫痫患者在静息态功能磁共振成像（FMRI）扫描中的差异来实现。具体方法是获取颞叶癫痫患者以及健康对照受试者的FMRI数据。

第二步是对功能磁共振成像（FMRI）数据进行预处理，以准备后续的统计分析。接下来，对预处理后的 FMRI 数据进行分析，以获得两组之间具有统计学意义的比较结果。最终得到的结果显示，癫痫患者与健康对照受试者在脑网络上存在差异。

根据这两组之间脑网络图谱的统计学差异，即使是以局灶性发作为表现的癫痫，也越来越明显地被认为是广泛性网络功能紊乱的涌现特性。该技术的构想源于在癫痫发作期间认识到 DEF Favo 网络的重要性，并进一步思考在颞叶癫痫的发作间期，默认 LO 网络是否也存在异常。本方案的研究人群应包括三个组，对吗？

颞叶癫痫患者、左侧颞叶癫痫患者以及健康对照者。建议总共约35名受试者。癫痫受试者组应为经诊断确诊为颞叶癫痫的患者，例如根据视频脑电图（EEG）监测、正电子发射断层扫描（PET）成像和神经心理学测试确定适合行前颞叶切除术的患者。所有受试者均需具有正常脑部MRI，并且在患者组中除癫痫外无其他神经系统疾病。

在进行成像和磁共振成像（MRI）筛查前，须获得伦理审查委员会（IRB）批准及所有受试者的书面知情同意。受试者在功能磁共振成像（fMRI）扫描期间应继续常规用药，且不应在癫痫发作后立即进行扫描。本方案所述的所有成像均应使用3特斯拉（3 Tesla）磁共振成像系统。

使用平面回波成像序列获取功能图像的轴向切片，使用扰相梯度回波序列获取解剖图像。要求受试者闭眼放松并保持静止，并采用如下所示的参数进行功能成像。对于SPGR T1加权高分辨率结构成像，也使用以下参数。

每次成像扫描应持续约20分钟。首先使用FSL软件First对fMRI数据进行预处理，然后使用FSL MFL去除头动伪影。

然后使用 FSL 脑提取工具（BET）并选择 dash F 选项对 BOLD 文件进行非脑组织的去除，以便仅对脑组织进行后续分析。接下来，在 FEAT 中运行一次最小化处理的分析，并进行配准。

选择一级分析，并通过顶部两个按钮将完整分析更改为预统计分析。然后在预统计分析选项卡下，取消勾选 bet 脑提取，并将运动校正选择为“无”，因为这些步骤已完成。接着将功能图像配准至解剖图像，再配准至标准 MNI 图像。

这将生成变换矩阵，后续分析中将使用这些矩阵将标准空间中选定的种子点映射到受试者的脑空间。接下来，使用名为 standard_to_example_func.mat 的生成变换矩阵，将脑脊液（CSF）和白质感兴趣区（ROI）转换至个体的 BOLD 空间。然后使用 FSL 的 mean TS 命令，从脑脊液和白质感兴趣区中提取时间序列。

使用个体被试空间中的感兴趣区域（ROI）作为掩模，利用 R 软件对提取的时间序列进行标准化。这些时间序列随后将作为协变量用于一般线性模型中，以从分析中去除相应的伪影信号。下一步是去除与被试运动相关的伪影。对运动参数进行回归分析。

在运行 FSL FEAT 之前，在其设置中首先于数据选项卡内，使用经过运动校正和脑组织提取的文件作为输入，并将 TR 值设置为与您的数据集相对应。使用 102 秒的高通滤波器以去除无意义的极低频信号。用于去除高频信号的低通滤波器将在后续的预统计选项卡中应用。

在运动校正步骤中选择“无”，并取消勾选，但保留脑提取。由于这些步骤已完成，使用五毫米全宽半高进行空间平滑。然后在统计选项卡中，回归六个运动参数及其时间导数。

选择不进行卷积，并勾选应用时间滤波。使用 F selmic flirt 的输出结果获取运动参数的文本文件，然后将其输入至 feet 分析中，在一般线性模型中对这些参数进行回归。同时，将此前步骤中提取并标准化的脑脊液（CSF）和白质信号添加到该一般线性模型（GLM）中。

卷积选择“无”。添加时间导数并取消勾选应用时间滤波。上述预处理得到的残差应用于基于种子点的相关性分析。

这些残差应首先通过一个截止频率为 0.1 赫兹的低通滤波器，然后通过减去均值、除以标准差进行去均值化处理，再通过加上 100 进行缩放。种子点应定义为直径六毫米的区域，位于标准 MNI 空间。使用 MRIcron 软件，后部和前部种子点应对应于此处所示的坐标。

请注意，这些种子区域是在健康对照组中定义的。这些种子区域随后应通过先前生成的变换矩阵，从标准MNI空间转换至每位受试者个体的功能脑空间，以实现从标准MNI空间到个体功能空间的种子区域转换。

接下来，使用 FSL 的 mean Ts 命令从先前去均值化并缩放后的残差中提取时间序列。以个体被试空间中的种子区域作为掩模。使用软件 R 对提取的时间序列进行标准化，针对每次运行，需对每位被试分别计算种子体素与其全脑体素之间的偏相关。

为此，在 FSL FEAT 界面中，首先在数据选项卡内选择一级分析，然后选择统计加后续统计。应使用先前去均值化并缩放后的残差作为输入。在统计选项卡中，由于残差已在 100 秒处完成高通滤波，因此将高通滤波器截止值设为 10,000。

取消选择“使用白化预处理”（use film pre whitening），并使用先前提取并标准化的种子时间序列。在“后统计”（post stats）选项卡的广义线性模型（GLM）中，运行组分析前，将所需的 Z 统计量阈值设定为 2.0。在被试内合并运行数据时，应对参数估计值的对比结果进行 Fisher Z 转换。

从相关性分析生成的文件中，将足部分析 reg 目录中的配准数据复制到相关性分析运行中。通过合并每个受试者内的运行来进行更高级别的分析。首先选择更高级别分析，然后选择统计及后续统计。

然后在数据选项卡中，选择较低层级的脚部目录作为输入，并在统计选项卡中输入受试者的运行数据。选择混合效应模型。使用普通最小二乘法（OLS）建立模型，将平均效应设为模型参数，并为每个受试者的每次运行输入数值1。

为了整合不同受试者之间的数据溢出，应使用普通最小二乘法的简单混合效应分析。为此，请在数据选项卡中选择高级分析以及统计与事后统计。在统计选项卡中，选择输入为低级 feat 目录，并输入受试者的合并运行数据，然后选择混合效应。在简单 OLS 中设置包含三个组的模型，为每个组输入数值 1。

每个受试者属于零。否则，应使用具有三个水平的单因素方差分析对每个体素进行组分析，这三个水平对应于用于阈值化的三个组。Z 统计量图像采用 Z 值大于 2.0 的聚类形成阈值，以及经校正的聚类显著性阈值 P 等于 0.05，以在相关图上获得正确的 Z 值。

应对结果进行反向费舍尔Z变换。最后，使用此处屏幕上显示的以下特定对比。该图显示了通过后部种子点连接性揭示的默认模式网络，其中后扣带回和楔前叶以红黄色表示，前部种子点包括腹内侧前额叶皮层，以蓝绿色表示。

第一行显示的是对照组受试者的网络，第二行是左侧颞叶癫痫患者的网络，最下面一行是右侧颞叶癫痫患者的网络。以下图像比较了这三个组之间的这些网络。此处我们看到的是以前部和后部为种子点揭示的默认模式网络，比较的是合并左右侧颞叶癫痫患者与健康对照组的结果。

该图显示了以相同的种子点揭示的左侧颞叶癫痫患者与健康对照组相比的默认模式网络。而此图显示了右侧颞叶癫痫患者与健康对照组相比所揭示的网络，最后，此处我们看到以前部和后部两个种子点揭示的左侧颞叶癫痫与右侧颞叶癫痫相比的默认模式网络。包含全脑的功能连接研究对于理解癫痫的基本机制至关重要。

在本实验中，我们采用基于种子点的技术来评估与默认模式网络的连接性。研究颞叶癫痫时，观察其他技术在结果上的比较将非常有意义。