ניתוח רשת של ברירת מחדל מצב הרשת באמצעות קישוריות ה-MRI התפקודי באונה הטמפורלית אפילפסיה

המטרה הכוללת של הניסוי הבא היא להשיג מפות סטטיסטיות. השוואת ההבדל בסריקות FMRI במצב מנוחה בין ביקורת בריאה לחולים עם אפילפסיה. זה מושג על ידי השגת נתוני FMRI בנבדקים עם אפילפסיה של האונה הטמפורלית, כמו גם נבדקי ביקורת בריאים.

כשלב שני, ה-FMRI מעובד מראש, מה שמכין את הנתונים לניתוח סטטיסטי. לאחר מכן, נתוני ה-FMRI המעובדים מראש מנותחים על מנת לקבל השוואות תקפות סטטיסטית בין שתי הקבוצות. מתקבלות תוצאות המראות הבדלים ברשתות המוח בין חולי אפילפסיה בהשוואה לרשתות המוח של נבדקי ביקורת בריאים.

בהתבסס על הבדלים סטטיסטיים במפות רשת המוח בין שתי הקבוצות הללו, מתברר יותר ויותר שאפילו אפילפסיות המתבטאות בהתקפים מוקדיים הן תכונות מתעוררות של הפרעות רשת מפושטות. הרעיון לטכניקה זו הגיע לאחר הכרה בחשיבותה של רשת DEF Favo במהלך התקפים ותהייה האם רשת ברירת המחדל של LO אינה תקינה בין התקפים באפילפסיה של האונה הרקתית. אוכלוסיית המחקר של פרוטוקול זה צריכה לכלול שלוש קבוצות, נכון?

חולי אפילפסיה של האונה הטמפורלית, חולי אפילפסיה של האונה הטמפורלית השמאלית, כמו גם קבוצת ביקורת בריאה. בסך הכל מומלץ כ-35 נושאים. קבוצות הנבדקים באפילפסיה צריכות להיות מטופלים המאובחנים כסובלים מאפילפסיה של האונה הטמפורלית, כגון מועמדים לכריתה של האונה הרקתית הקדמית כפי שנקבע על ידי וידאו, ניטור EEG, הדמיית PET ובדיקות נוירופסיכולוגיות מבטיחות שלכל הנבדקים יש MRI מוחי תקין והם נקיים ממחלה נוירולוגית מלבד אפילפסיה בקבוצות המטופלים.

קבל אישור IRB והסכמה מדעת בכתב מכל הנבדקים לפני הדמיה ובדיקת MRI. בטיחות. על המטופלים להמשיך את התרופות הרגילות שלהם במהלך סריקת ה-FMRI ואין לסרוק אותן מיד לאחר התקף. יש להשתמש במערכת MRI של שלוש טסלה עבור כל ההדמיה המתוארת בפרוטוקול זה.

השג פרוסות ציריות לתמונות פונקציונליות באמצעות רצף הדמיה מישורי הד ולתמונות אנטומיות, השתמש ברצף זיכרון שיפוע מקולקל. בקשו מהמשתתפים להירגע ולהישאר בשקט בעיניים עצומות, ובצעו הדמיה פונקציונלית באמצעות הפרמטרים כפי שניתן לראות כאן. השתמש גם בפרמטרים הבאים עבור הדמיה מבנית משוקללת ברזולוציה גבוהה של S PGR T.

כל מפגש הדמיה אמור להימשך כ-20 דקות. התחל בעיבוד מקדים של נתוני FMRI באמצעות תוכנת FSL תחילה. השתמש ב-FSL MFL כדי להסיר חפץ תנועת ראש.

לאחר מכן השתמש בכלי חילוץ המוח FSL או BET כדי להסיר רקמה שאינה מוחית עם האפשרות מקף F לקבצים מודגשים. זה מאפשר שלבי ניתוח נוספים על רקמת המוח בלבד. הבא ברגליים, הפעל ניתוח מעובד מינימלי עם רישום.

בחר ניתוח ברמה הראשונה ושנה את הניתוח המלא לסטטיסטיקות מוקדמות משני הכפתורים העליונים. לאחר מכן, תחת הכרטיסייה pres stats, בטל את הסימון של חילוץ מוח ההימור, ובחר אף אחד לתיקון תנועה מכיוון שאלה כבר בוצעו. לאחר מכן רשום את התמונות הפונקציונליות לתמונות האנטומיות, ולאחר מכן לתמונת MNI סטנדרטית.

התוצאה היא יצירת מטריצות טרנספורמציה, המשמשות מאוחר יותר במהלך הניתוח כדי לעוות את הזרע שנבחר במרחב הסטנדרטי לתוך מרחב המוח של הנבדק. לאחר מכן, השתמש במטריצת הטרנספורמציה שנוצרה בשם סטנדרט כדי לדוגמא מחצלת נקודות פאנק ולהפוך את החזר ה-ROI של CSF וחומר לבן למרחב המודגש הבודד. לאחר מכן באמצעות פקודת FSL mean TS, חלץ את סדרות הזמן מה-CSF וה-ROI של החומר הלבן.

שימוש ב-ROI במרחב נושא בודד כמסכה מנרמל את סדרות הזמן שחולצו באמצעות התוכנה R.סדרות זמן אלה ישמשו מאוחר יותר כרגרסורים במודל הליניארי הכללי כדי להסיר את האותות הארטיפוקטיביים המתאימים מהניתוח. השלב הבא הוא הסרת חפצים הקשורים לתנועת הנושא. לרגרסיה של פרמטרי התנועה.

הגדר את הדברים הבאים ברגלי FSL לפני הפעלתו תחילה בכרטיסיית הנתונים, השתמש בקובץ מתוקן התנועה וחולץ המוח כקלט והגדר את ערך ה-TR כך שיתאים למערך הנתונים שלך. הגדר סינון מעביר גבוה באמצעות מסנן 102, שיסיר אותות בתדר נמוך מאוד שאינם מעניינים. מסנן lowpass להסרת אותות בתדר גבוה יוחל מאוחר יותר בכרטיסיית הסטטיסטיקות של pres.

בחר אף אחד תחת תיקון תנועה ובטל את הבדיקה, אלא חילוץ מוח. לאחר ביצוע שלבים אלה, בצע החלקה מרחבית באמצעות חצי רוחב מלא של חמישה מילימטרים. לאחר מכן, בתוך לשונית הסטטיסטיקה, רגרסיה של ששת פרמטרי התנועה ונגזרותיהם הזמניות.

בחר ללא עבור קונבולוציה וסמן החל סינון זמני. השתמש בפלט של פלירטוט F selmic כדי לקבל קבצי טקסט של פרמטרי תנועה, אותם ניתן להזין לאחר מכן לניתוח כפות הרגליים כדי להחזיר אותם למודל ליניארי כללי. כמו כן, הוסף ל-GLM את אותות ה-CSF והחומר הלבן שחולצו ונורמלו בשלבים הקודמים.

בחר אף אחד עבור קונבולוציה. הוסף נגזרת זמנית ובטל את הסימון להחיל סינון זמני. יש להשתמש בשאריות מעיבוד מקדים שתוארו לעיל למתאם מבוסס זרעים.

שאריות אלה צריכות להיות מועברות תחילה דרך מסנן PESS נמוך של 0.1 הרץ, ואז להשפיל אותן על ידי חיסור הממוצע, לחלק בסטיית התקן ולאחר מכן לשנות את קנה המידה על ידי הוספת 100 זרעים בקוטר של שישה מילימטרים. במרחב ה-MNI הסטנדרטי. באמצעות תוכנת כתר MRI, הזרעים האחוריים והקדמיים צריכים להתאים לקואורדינטות כפי שניתן לראות כאן.

שימו לב שמיקומי הזרעים הללו הוגדרו בבקרות בריאות. לאחר מכן יש להפוך את הזרעים למרחב המוח התפקודי האישי של כל נבדק ממרחב ה-MNI הסטנדרטי. לשם כך, השתמש במטריצת הטרנספורמציה שנוצרה בעבר כדי להפוך את הזרע ממרחב m ו-i סטנדרטי למרחב הפונקציונלי הבודד.

לאחר מכן, השתמש בפקודה FSL mean Ts כדי לחלץ את סדרת הזמן מהשארית שהושפלה וקנה המידה הקודם. שימוש בזרע במרחב הנושא הבודד כמסכה. נרמל את סדרות הזמן שחולצו באמצעות התוכנה R יש לחשב בנפרד מתאמים חלקיים בין ווקסלי הזרע וכל הווקסלים במוח שלהם עבור כל נבדק עבור כל ריצה.

לשם כך, בתוך ממשק הרגליים של FSL, בחר ניתוח ברמה הראשונה ולאחר מכן סטטיסטיקות בתוספת סטטיסטיקות פוסט בכרטיסיית הנתונים. יש להשתמש בשאריות שהושפלו בעבר והוגדלו כקלט. הגדר את חיתוך מסנן המעבר הגבוה ל-10, 000 מכיוון שהשאריות כבר גבוהות, מועברות ב-100 שניות בכרטיסיית הסטטיסטיקה.

בטל את הבחירה, השתמש בהלבנה מוקדמת של סרט והשתמש בסדרת זמן הזרעים שחולצה ונורמלה בעבר. ב-GLM בכרטיסייה סטטיסטיקות פוסטים, הגדר את סף הסטטיסטיקה Z הרצוי לערך של 2.0 לפני הפעלת ניתוח קבוצתי. בשילוב ריצות בתוך נושאים, יש לבצע טרנספורמציית פישר Z בניגוד להערכות פרמטרים.

קובץ שנוצר מניתוח המתאם, העתק את נתוני הרישום מספריית הרישום של ניתוח כפות הרגליים לריצת המתאם. הפעל ניתוח ברמה גבוהה יותר על ידי שילוב ריצות בתוך כל נושא. ראשית, בחר ניתוח ברמה גבוהה יותר ולאחר מכן סטטיסטיקות בתוספת סטטיסטיקות פוסט.

לאחר מכן, בכרטיסיית הנתונים, בחר קלט בספריות רגליים ברמה נמוכה יותר והזן את הריצות של הנושא בכרטיסיית הסטטיסטיקה. בחר אפקטים מעורבים. OLS פשוט הגדיר מודל כאפקט הממוצע והזן ערך של אחד עבור כל אחד מההרצות של הנבדקים.

כדי לשלב הצפת נתונים בין נבדקים יש להשתמש בניתוח אפקטים מעורבים פשוט רגיל בריבוע הקטן ביותר לשם כך, בחר ניתוח ברמה גבוהה יותר וסטטיסטיקות בתוספת סטטיסטיקות פוסט בכרטיסיית הנתונים. בחר קלטים הם ספריות רגליים ברמה נמוכה יותר והזן את הריצות המשולבות של הנבדק בכרטיסיית הסטטיסטיקה, בחר אפקטים מעורבים. OLS פשוט הגדיר מודל כאשר שלוש קבוצות מזינות ערך של אחד עבור הקבוצה.

כל נושא שייך לאפס. אחרת, יש לבצע ניתוח קבוצתי על כל ווקסל באמצעות חידוש חד כיווני עם שלוש רמות המתאימות לשלוש הקבוצות לסף. התמונות הסטטיסטיות של Z משתמשות בסף יצירת אשכול של Z גדול מ-2.0 וסף מובהק של אשכול מתוקן של P שווה ל-0.05 כדי להשיג ערכי Z נכונים במפת המתאם.

יש לבצע התמרת פישר Z הפוכה על התוצאות. לבסוף, השתמש בניגודים הספציפיים הבאים כפי שניתן לראות על המסך כאן. איור זה מציג את רשת מצב ברירת המחדל שנחשפה עם קישוריות מזרע אחורי, כולל הטחול הרטרו והפרקונאוס בצבעי צהוב אדום ובזרע קדמי, כולל קליפת המוח הקדם-מצחית האמצעית בצבעים ירוקים כחולים.

השורה הראשונה חושפת את הרשת עבור נבדקי הביקורת, השורה השנייה עבור אפילפסיה של האונה הרקתית השמאלית, והשורה התחתונה עבור אפילפסיה של האונה הרקתית הימנית. התרשים הבא משווה את הרשתות הללו בין שלוש הקבוצות הללו. כאן אנו רואים את רשתות מצב ברירת המחדל שנחשפו עם זרע קדמי ואחורי עבור אפילפסיה משולבת של האונה הרקתית הימנית והשמאלית בהשוואה לבקרות בריאות.

איור זה מציג את רשתות מצב ברירת המחדל שהתגלו עם אותן נקודות זרע לאפילפסיה של האונה הרקתית השמאלית רק בהשוואה לבקרות בריאות. בעוד שאיור זה מראה את הרשתות שהתגלו עבור אפילפסיה של האונה הטמפורלית הימנית רק בהשוואה לביקורת בריאה, ולבסוף כאן אנו רואים את רשתות מצב ברירת המחדל שהתגלו עם זרע קדמי ואחורי עבור אפילפסיה של האונה הטמפורלית השמאלית בהשוואה לאפילפסיה של האונה הטמפורלית הימנית. מחקרים על קישוריות תפקודית הכוללת את המוח כולו חיוניים להבנת המנגנונים הבסיסיים של אפילפסיה.

השתמשנו בטכניקה מבוססת זרעים בניסוי זה כדי להעריך את הקישוריות לרשת מצב ברירת המחדל. יהיה מעניין לראות כיצד טכניקות אחרות משתוות בתוצאותיהן כאשר חוקרים אפילפסיה של האונה הרקתית.