Análisis de red de la red de modo predeterminado Usando Funcional Conectividad RM en epilepsia del lóbulo temporal

El objetivo general del siguiente experimento es obtener mapas estadísticos. Comparación de la diferencia de las exploraciones FMRI en estado de reposo entre controles sanos y pacientes con epilepsia. Esto se logra mediante la obtención de datos de RMF en sujetos con epilepsia del lóbulo temporal, así como en sujetos de control sanos.

Como segundo paso, se preprocesa el FMRI, que prepara los datos para ser analizados estadísticamente. A continuación, se analizan los datos de RMF preprocesados para obtener comparaciones estadísticamente válidas entre los dos grupos. Se obtienen resultados que muestran diferencias en las redes cerebrales entre los pacientes con epilepsia en comparación con las redes cerebrales de sujetos controles sanos.

Sobre la base de las diferencias estadísticas en los mapas de la red cerebral entre estos dos grupos, se ha hecho cada vez más evidente que incluso las epilepsias que se manifiestan por convulsiones focales son propiedades emergentes de las alteraciones difusas de la red. La idea de esta técnica surgió después de reconocer la importancia de la red DEF Favo durante las convulsiones y preguntarse si la red LO predeterminada es anormal entre las convulsiones en la epilepsia del lóbulo temporal. La población de estudio para este protocolo debería incluir tres grupos, ¿verdad?

Pacientes con epilepsia del lóbulo temporal, pacientes con epilepsia del lóbulo temporal izquierdo, así como controles sanos. Se recomiendan un total de unos 35 sujetos. Los grupos de sujetos de epilepsia deben ser pacientes a los que se les diagnostica epilepsia del lóbulo temporal, como los candidatos para la resección del lóbulo temporal anterior según lo determinado por video, el monitoreo de EEG, las imágenes PET y las pruebas neuropsicológicas aseguran que todos los sujetos tengan resonancias magnéticas cerebrales normales y estén libres de enfermedades neurológicas distintas de la epilepsia en los grupos de pacientes.

Obtener la aprobación del IRB y el consentimiento informado por escrito de todos los sujetos antes de la toma de imágenes y la prueba de detección para la resonancia magnética. Seguridad. Los pacientes deben continuar con sus medicamentos habituales durante la RMF y no deben ser explorados inmediatamente después de una convulsión. Se debe utilizar un sistema de resonancia magnética de tres Tesla para todas las imágenes descritas en este protocolo.

Obtenga cortes axiales para imágenes funcionales utilizando una secuencia de imágenes de eco planar y para imágenes anatómicas, utilice una secuencia de recuperación de gradiente estropeado. Pida a los participantes que se relajen y permanezcan quietos con los ojos cerrados, y que realicen imágenes funcionales utilizando los parámetros que se ven aquí. Utilice también los siguientes parámetros para las imágenes estructurales de alta resolución ponderadas S PGR T one.

Cada sesión de diagnóstico por imágenes debe durar unos 20 minutos. Comience por preprocesar los datos de FMRI utilizando primero el software FSL. Utilice FSL MFL para eliminar el artefacto de movimiento de la cabeza.

A continuación, utilice la herramienta de extracción de cerebro FSL o BET para eliminar el tejido que no sea de cerebroina con la opción guión F para archivos en negrita. Esto permite realizar más pasos de análisis solo en el tejido cerebral. A continuación, ejecute un análisis mínimamente procesado con registro.

Seleccione el análisis de primer nivel y cambie el análisis completo a estadísticas previas desde los dos botones superiores. Luego, en la pestaña de estadísticas previas, desmarque la extracción de cerebro de apuesta y seleccione ninguno para la corrección de movimiento, ya que ya se realizaron. A continuación, registre las imágenes funcionales en las imágenes anatómicas y, a continuación, en una imagen MNI estándar.

Esto da como resultado la generación de matrices de transformación, que se utilizan más tarde durante el análisis para deformar la semilla seleccionada en el espacio estándar en el espacio cerebral del sujeto. A continuación, utilice la matriz de transformación generada denominada estándar para ejemplificar funk dot mat y transformar el ROI de CSF y materia blanca en el espacio en negrita individual. A continuación, utilizando el comando FSL mean TS, extraiga las series temporales de los ROI de CSF y materia blanca.

Utilizando el ROI en el espacio temático individual como máscara, normalice las series temporales extraídas utilizando el software R. Estas series temporales se utilizarán posteriormente como regresores en el modelo lineal general para eliminar las señales artefactuales correspondientes del análisis. El siguiente paso es la eliminación de los artefactos relacionados con el movimiento del sujeto. Para la regresión de los parámetros de movimiento.

Establezca lo siguiente dentro de los pies FSL antes de ejecutarlo primero dentro de la pestaña de datos, use el archivo corregido por movimiento y el archivo extraído del cerebro como entradas y establezca el valor TR para que corresponda a su conjunto de datos. Establezca el filtrado de paso alto utilizando un filtro 102, que eliminará las señales de frecuencia muy baja que no le interesen. Más adelante se aplicará un filtro de paso bajo para eliminar las señales de alta frecuencia dentro de la pestaña de estadísticas previas.

Elija ninguno en corrección de movimiento y desmarque, sino extracción de cerebro. Una vez realizados estos pasos, realice el suavizado espacial utilizando un medio máximo de ancho completo de cinco milímetros. Luego, dentro de la pestaña de estadísticas, regrese los seis parámetros de movimiento y sus derivadas temporales.

Seleccione none para convolución y active aplicar filtrado temporal. Utilice la salida de F selmic flirt para obtener archivos de texto de parámetros de movimiento, que luego se pueden ingresar en el análisis de pies para retroceder estos en un modelo lineal general. Además, agregue las señales de LCR y materia blanca que se extrajeron y normalizaron en los pasos anteriores al GLM.

Seleccione none para la convolución. Agregue derivada temporal y desactive Aplicar filtrado temporal. Los residuos del preprocesamiento descritos anteriormente deben utilizarse para la correlación basada en semillas.

Estos residuos deben pasarse primero a través de un filtro PESS bajo de 0,1 hercios, luego se deben degradar restando la media, dividir por la desviación estándar y luego escalar agregando 100 semillas que deben definirse con un diámetro de seis milímetros. En el espacio MNI estándar. Usando el software de corona de resonancia magnética, las semillas posteriores y anteriores deben corresponder a las coordenadas como se ve aquí.

Tenga en cuenta que estas ubicaciones de semillas se han definido dentro de controles sanos. Posteriormente, las semillas deben transformarse en el espacio cerebral funcional individual de cada sujeto desde el espacio MNI estándar. Para ello, utilice la matriz de transformación generada previamente para transformar la semilla del espacio estándar m e i al espacio funcional individual.

A continuación, utilice el comando FSL mean Ts para extraer la serie temporal del residuo degradado y escalado anteriormente. Usar la semilla en el espacio sujeto individual como una máscara. Normalice las series temporales extraídas utilizando el software R: las correlaciones parciales entre los vóxeles iniciales y todos sus vóxeles cerebrales deben calcularse por separado para cada sujeto para cada ejecución.

Para ello, dentro de la interfaz de pies de FSL, seleccione análisis de primer nivel y luego estadísticas más estadísticas de publicación dentro de la pestaña de datos. El residuo previamente degradado y escalado debe usarse como entrada. Establezca el corte del filtro de paso alto en 10, 000, ya que el residuo ya es alto, pasado a los 100 segundos dentro de la pestaña de estadísticas.

Anule la selección de usar preblanqueamiento de película y use las series temporales de semillas previamente extraídas y normalizadas. En el GLM dentro de la pestaña de estadísticas de publicación, establezca el umbral de estadísticas Z deseado en un valor de 2.0 antes de ejecutar el análisis de grupo. Combinando corridas dentro de los sujetos, se debe realizar una transformación Z de Fisher en el contraste de las estimaciones de los parámetros.

Archivo generado a partir del análisis de correlación, copie los datos de registro del directorio reg del análisis de pies en la ejecución de correlación. Realice un análisis de nivel superior combinando corridas dentro de cada tema. Primero, seleccione análisis de nivel superior y luego estadísticas más estadísticas de publicación.

A continuación, dentro de la pestaña de datos, elija las entradas que están en los directorios de pies de nivel inferior e introduzca las carreras del sujeto dentro de la pestaña de estadísticas. OLS simple configura un modelo como efecto medio e ingresa un valor de uno para cada una de las ejecuciones de los sujetos.

Para combinar el exceso de datos entre los sujetos, se debe usar un análisis de efectos mixtos simple y mínimo cuadrado ordinario para esto, elija análisis y estadísticas de nivel superior más estadísticas de publicaciones dentro de la pestaña de datos. Elija las entradas en los directorios de pies de nivel inferior e ingrese las carreras combinadas del sujeto dentro de la pestaña de estadísticas, elija efectos mixtos. OLS simple configura un modelo a medida que tres grupos ingresan un valor de uno para el grupo.

Cada sujeto pertenece al cero. De lo contrario, el análisis de grupo debe realizarse en cada vóxel utilizando un innova unidireccional con tres niveles que corresponden a los tres grupos hasta el umbral. Las imágenes de estadísticas Z utilizan un umbral de formación de clústeres de Z mayor que 2,0 y un umbral de significación de clúster corregido de P igual a 0,05 para obtener valores Z correctos en el mapa de correlación.

Se debe realizar una transformada Z de pescador inverso en los resultados. Por último, utilice los siguientes contrastes específicos como se ven en la pantalla aquí. Esta figura muestra la red de modo predeterminada revelada con la conectividad de una semilla posterior, incluyendo el retro esplenio y el precúneo en colores rojo amarillo y en la semilla anterior, incluyendo la corteza prefrontal medial de la cloaca en colores azul verde.

La primera fila revela la red para los sujetos de control, la segunda fila para la epilepsia del lóbulo temporal izquierdo y la fila inferior para la epilepsia del lóbulo temporal derecho. Las siguientes figuras comparan estas redes entre estos tres grupos. Aquí vemos las redes de modo predeterminado reveladas con una semilla anterior y una posterior para la epilepsia combinada del lóbulo temporal derecho e izquierdo en comparación con los controles sanos.

Esta figura muestra las redes de modo predeterminado reveladas con los mismos puntos de inicialización para la epilepsia del lóbulo temporal izquierdo, solo en comparación con los controles sanos. Mientras que esta figura muestra las redes reveladas para la epilepsia del lóbulo temporal derecho solo en comparación con los controles sanos, finalmente aquí vemos las redes de modo predeterminado reveladas con una semilla anterior y otra posterior para la epilepsia del lóbulo temporal izquierdo en comparación con la epilepsia del lóbulo temporal derecho. Los estudios de la conectividad funcional que incluyen todo el cerebro son esenciales para comprender los mecanismos fundamentales de la epilepsia.

Utilizamos una técnica basada en semillas en este experimento para evaluar la conectividad a la red de modo predeterminado. Será interesante ver cómo se comparan otras técnicas en sus resultados al estudiar la epilepsia del lóbulo temporal.