Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal

Published: August 5, 2014 doi: 10.3791/51442
Automatic Translation
1,2, 3, 4, 4, 4
1Department of Neurology, Baylor College of Medicine, 2Neurology Care Line, Michael E. DeBakey VA Medical Center, 3Semel Institute for Neuroscience and Human Behavior, University of California, Los Angeles, 4Department of Neurology, University of California, Los Angeles

Summary

Le Réseau de Mode par défaut (DMN) en épilepsie du lobe temporal (ELT) est analysé à l'état de repos du cerveau en utilisant la connectivité fonctionnelle à base de graines IRM (fcMRI).

Abstract

Connectivité IRM fonctionnelle (fcMRI) est une méthode IRMf qui examine la connectivité des différentes zones du cerveau basé sur la corrélation des fluctuations du signal BOLD dans le temps. Épilepsie du lobe temporal (ELT) est la forme la plus courante d'épilepsie adulte et implique des réseaux cérébraux multiples. Le réseau du mode par défaut (DMN) est impliqué dans conscient, repos cognition de l'Etat et est pensé pour être affectés dans TLE où les crises provoquent troubles de la conscience. La DMN dans l'épilepsie a été examinée à l'aide de semences à base fcMRI. Les antérieurs et postérieurs pôles de la DMN ont été utilisés comme semences dans cette analyse. Les résultats montrent une déconnexion entre la partie antérieure et moyeux postérieurs de la DMN dans TLE pendant l'état basal. En outre, l'augmentation de la connectivité de DMN à d'autres régions du cerveau à gauche TLE avec diminution de la connectivité en droit TLE est révélé. L'analyse montre comment fcMRI à base de graines peuvent être utilisées pour sonder les réseaux cérébraux dans les troubles du cerveau comme la TLE.

Introduction

Fonctionnelle Connectivité IRM (fcMRI) est une approche relativement récente analytique de données IRMf qui quantifie la relation entre les différentes régions du cerveau en fonction de la similitude de leur niveau d'oxygénation du sang (BOLD) signal de série de temps - c'est ce qu'on appelle la connectivité «fonctionnelle», et est distingue de la connectivité anatomique qui décrit l'existence de connexions physiques entre les régions (par exemple, les fibres de la substance blanche). Dans une application particulière de cette approche, les séries chronologiques sont collectées lorsque le participant n'est pas engagé dans une tâche ou est dans le soi-disant "état de repos".

Bien que décrite pour la première en 1995 1, il a été un immense intérêt dans fcMRI résultant dans environ 1000 publications liées à la technique en 2012. FcMRI présente des avantages intrinsèques sur IRMf basée sur les tâches dans (1) qu'il n'y a pas une tâche spécifique à accomplir, ( 2) l'objet de la coopération estpas nécessaire, (3) ensembles de données peuvent être utilisées pour interroger plusieurs réseaux différents, (4) un meilleur rapport signal sur bruit est présent probablement dû à des différences dans l'énergétique cérébrales impliquées, et (5) le contournement des facteurs de confusion liés à la tâche 2. En tant que preuve de son concept, fcMRI changements se sont avérés correspondre à des changements dans 3 EEG et des potentiels de champ local 4 dans le cerveau.

Techniques d'analyse fcMRI comprennent / techniques de ROI à base de graines, analyse en composantes indépendantes (ICA), l'analyse de la théorie des graphes, Granger analyse de causalité, les méthodes locales (amplitude des variations de basse fréquence, analyse régionale de l'homogénéité), et d'autres 5. Aucune technique n'a encore démontré une nette supériorité sur l'autre, bien que les méthodes les plus populaires sont à base de graines et méthodes ICA 6. À base de graines fcMRI corrélation fluctuations temporelles de signal BOLD d'une partie présélectionnée du réseau putatif à l'étude appelle la «semence1; ou "région d'intérêt (ROI)" à toutes les autres parties du cerveau. Zones du cerveau montrant BOLD signal de corrélation à la zone de semences sont pensés pour délimiter les parties du réseau concernées. En revanche, l'ICA utilise une analyse fondée sur les données sans modèle pour extraire les zones du cerveau spatio-temporellement corrélées (composants indépendants, CI) en analysant les caractéristiques des signaux hémodynamiques de l'ensemble du cerveau 5.

Dans le manuscrit actuel, une description des méthodes utilisées dans une étude publiée précédemment de repos état ​​à base de graines analyse de la connectivité de la DMN dans TLE est présenté 7. TLE est la forme la plus courante d'épilepsie adulte. En plus de crises, TLE provoque un dysfonctionnement de plusieurs réseaux du cerveau, y compris la mémoire, le comportement, la pensée, et la fonction sensorielle 8. La DMN est constitué par régions cérébrales subserving conscient, l'état de repos de la cognition. La DMN a été signalé à être impliqués dans les convulsions associées avec consc réduiteiousness 9,10. En outre, l'hippocampe est la structure clé impliquée dans TLE et a été pensé pour être le composant de la DMN. Cependant, la connectivité du PCC de la formation hippocampique est plus faible que d'autres composants de DMN, telles que le cortex préfrontal médian et pariétales inférieures. Ceci suggère que l'hippocampe est soit un sous-réseau de l'une ou DMN 11,12 de réseau interactif. Ces points communs entre TLE et DMN soulèvent la possibilité que DMN connectivité fonctionnelle est altérée dans TLE. Cette analyse compare le DMN des sujets avec TLE à des témoins sains afin de mieux comprendre l'implication de DMN dans TLE. La connectivité des graines placées dans les principaux centres de la DMN - les régions de moyeu antérieures et postérieures ont été analysés 12. Les graines ont été placées dans le moyeu postérieur constitué par le retrosplenium / precuneus (Rsp / PCUn) ainsi que le moyeu antérieur constitué par le cortex préfrontal ventro-médian (vmPFC) chez les patients ayant des TLE et ensaine contrôle pour identifier les postérieures et antérieures sous-réseaux de la DMN.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Sujets

  1. La population de l'étude de 36 sujets comprend 3 groupes: droit TLE (n = 11), à gauche TLE (n = 12), et les contrôles sains (n ​​= 13). Obtenir le consentement éclairé de tous les sujets. L'étude suit les lignes directrices de l'Université de Californie, Los Angeles (UCLA) Institutional Review Board.
  2. Les groupes de matières d'épilepsie devraient être patients qui sont candidats à la résection du lobe temporal antérieur tel que déterminé par vidéo-EEG surveillance, l'IRM cérébrale, l'imagerie TEP, et des tests neuropsychologiques. Les patients doivent poursuivre leurs médicaments habituels pendant le balayage IRMf et ne doivent pas être numérisée immédiatement après une crise. Assurez-vous que tous les sujets ont IRM cérébrales normales et sont exempts de maladie neurologique (autres que l'épilepsie chez les groupes de patients) ou utilisent des médicaments neurologiques.

2. Imaging

  1. Utilisez un système à 3 Tesla IRM pour l'imagerie. Obtenir des tranches axiales pour des images fonctionnelles en utilisant un plan imagerie échotion (PEV) et la séquence des images anatomiques en utilisant un gradient gâté rappelé (SPGR) séquence.
  2. Effectuez l'imagerie fonctionnelle en utilisant les paramètres suivants: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, matrice = 64 x 64, épaisseur de la tranche 4 mm, 34 tranches. Utilisez les paramètres suivants pour l'imagerie structurelle haute résolution: TR = 20 ms, TE = 3 ms, FOV = 256 mm, matrice = 256 x 256, l'épaisseur de la tranche de 1 mm, 160 tranches.
  3. Chaque session d'imagerie devrait durer 20 minutes. Demandez aux participants de se détendre avec les yeux fermés. Aucune entrée auditive particulière n'est requise.

3. Prétraitement des données BOLD

  1. Prétraiter les données d'IRMf utilisant FLS (fMRIB Software Library) version 4.1.6 (Oxford, Royaume-Uni, www.fmrib.ox.ac.uk / FLS) 13,14. Étapes de prétraitement devraient inclure les éléments suivants: utilisation FSL MCFLIRT pour supprimer le mouvement de la tête artefact 15. Utilisez BET FLS pour enlever le tissu nonbrain 16 avec l'option BET-F pour les fichiers BOLD. Cela permet un terme fdes étapes d'analyse d'utres sur le tissu cérébral seul.
  2. En FEAT, exécutez une analyse peu transformés à l'enregistrement. Sélectionnez "analyse de premier niveau" et changer "analyse complète" à "Pre-stats" des deux boutons du haut.
    1. Sous l'onglet Pré-stats, décochez la case "extraction BET de cerveau" et sélectionnez "Aucun" pour "correction Motion" (que ceux-ci avaient déjà été faites ci-dessus). Enregistrez les images (en gras) fonctionnels pour la anatomique (SPGR) images, puis à un niveau d'image (INM). Cela se traduit par la génération de matrices de transformation, qui sont utilisés par la suite au cours de l'analyse pour déformer les graines sélectionnées dans l'espace standard dans l'espace du cerveau du sujet.
  3. Utilisez la matrice de transformation généré (nommé "standard2example_func.mat") et transformer CSF et blanc ROI de la matière dans l'espace BOLD individu.
    1. Extrait de la série chronologique de la CSF et blanc ROI de la matière à l'aide de la commande fslmeants,en utilisant la ROI dans l'espace de l'objet individuel en tant que masque. Normaliser la série chronologique extraite à l'aide du logiciel "R". Ces séries sont utilisées comme variables explicatives dans le GLM plus tard pour éliminer les signaux d'artefact correspondant de l'analyse.
  4. La prochaine étape est la suppression de mouvement des artefacts liés en question. Pour la régression des paramètres de mouvement, définir les paramètres suivants dans FLS FEAT avant de l'exécuter.
    1. Dans l'onglet de données, utilisez la motion corrigée et le fichier de cerveau extrait comme entrées, définissez la valeur de TR pour correspondre à votre ensemble de données. Réglez filtrage passe-haut en utilisant un filtre de 100 sec. Le filtre passe-haut supprime les signaux sans intérêt, qui sont de très basse fréquence. Un filtre passe-bas pour éliminer des signaux haute fréquence est appliqué plus tard à l'étape 4.1.
    2. Dans l'onglet Pré-stats, choisissez "Aucun" dans "la correction de mouvement», comme il a déjà été fait. Décochez la case "extraction BET de cerveau», comme il a déjà été fait. Effectuer un lissage spatiall'aide d'un 5 mm mi-hauteur sur toute la largeur (FWHM).
    3. Dans l'onglet Statistiques, régresser les 6 paramètres de mouvement et de leurs dérivées temporelles. Sélectionnez "Aucun" pour convolution et cochez la case "Appliquer filtrage temporel." Utiliser la sortie de FLS MCFLIRT pour obtenir des fichiers de texte des paramètres de mouvement, qui peut être ensuite entrées dans le modèle d'analyse de FEAT régresser ceux-ci dans un modèle linéaire général (GLM)
    4. Ajoutez également le CSF et les signaux de la substance blanche qui ont été extraites et normalisées dans les étapes précédentes de la GLM. Sélectionnez "Aucun" pour convolution, ajouter dérivée temporelle, et décochez la case "Appliquer filtrage temporel".

4. Méthodes statistiques

  1. Les résidus de prétraitement décrit ci-dessus doivent être utilisés pour la corrélation à base de graines. Ces résidus doivent être transmis à travers un premier filtre passe-bas de 0,1 Hz, alors rabaissée en soustrayant la moyenne, en divisant par l'écart type, puis mis à l'échelle par l'addition100. Graines doivent être définis avec un diamètre de 6 mm dans l'espace INM norme en utilisant le logiciel MRICron.
  2. Le postérieur et les graines antérieures doivent correspondre aux coordonnées suivantes: (1) Région Rsp / PCUn (x = 2, y = -60, z = 36) et (2) cortex préfrontal ventromédian (vmPFC; x = 3, y = 60, z = -1). Ces lieux de semences ont été définies dans les contrôles sains et sont transformés à l'espace de l'objet à l'étape suivante 17-19.
    1. Les graines doivent ensuite être transformées en espace individuel fonctionnelle du cerveau de chaque sujet de l'espace INM standard. Pour cela, utiliser la matrice de transformation généré ci-dessus (nommé "standard2example_func.mat") pour transformer les graines de la norme (INM) à l'espace fonctionnelle (BOLD) espace individuel.
    2. Utilisez le fslmeants commande pour extraire la série chronologique de la déjà humilié et mis à l'échelle résiduelle, en utilisant la graine dans l'espace individuel de l'objet comme un masque. Normaliser la série temporelle extraite en utilisant le software "R".
  3. Les corrélations partielles entre les voxels de semences et tous les autres voxels du cerveau doivent être calculées séparément pour chaque sujet pour chaque course. Pour cela, dans le FEAT GUI FLS, sélectionnez "analyse de premier niveau", puis "Des chiffres et des Post-stats". Dans l'onglet Données, la valeur résiduelle auparavant rabaissé et mise à l'échelle doit être utilisée comme entrée dans FEAT.
  4. Réglez la coupure du filtre passe haut à 10 000, comme le résidu est déjà élevé passée à 100 secondes. Dans l'onglet Statistiques, désélectionner "Utiliser pré-blanchir FILM", et utiliser la semence série de temps auparavant et extrait normalisé dans le GLM. Dans l'onglet Post-stats, fixer le seuil Z-stat souhaitée à une valeur de 2,0.
  5. Avant d'exécuter l'analyse de groupe combinant courses dans les sujets, Z de Fisher transformer doit être effectuée sur le fichier COPE (contraste des estimations des paramètres) généré à partir de l'analyse de corrélation précédemment exécuté (étape 4.3). données d'enregistrement de copie from le répertoire "reg" de l'analyse de FEAT fait dans l'étape 3.1 dans le terme de corrélation de l'étape 4.3.
  6. Exécutez une analyse de niveau supérieur en combinant courses au sein de chaque sujet. Pour cela, dans le FEAT GUI FLS, sélectionnez "analyse de niveau supérieur", puis "Des chiffres et des Post-stats". Dans l'onglet "Données", choisissez "entrées des répertoires FEAT niveau inférieur" et entrer les pistes de l'objet de l'étape 4.4. Dans l'onglet "Statistiques", choisissez "effets mixtes: MCO simples". Mettre en place le modèle effet moyen; entrer la valeur de 1 pour chaque de la course de l'objet.
  7. Pour combiner des données sur pistes entre les sujets, un des moindres carrés ordinaires (MCO) simple analyse des effets mixtes doit être utilisé. Pour cela, dans le FEAT GUI FLS, choisissez "analyse de niveau supérieur", et "Des chiffres et des Post-stats". Dans l'onglet Données, choisissez "entrées des répertoires FEAT niveau inférieur" et entrer les pistes combinées des sujets de l'étape 4.5.
  8. Dans l'onglet Statistiques, choisissez «effets mixtes: MCO simples» «Mettre en place un modèle de 3 groupes; entrer la valeur de 1 pour le groupe chaque objet appartient, 0 sinon. analyse de groupe doit être effectuée sur chaque voxel en utilisant une ANOVA à trois niveaux qui correspondent aux trois groupes (à droite TLE, gauche TLE, et les contrôles sains).
  9. Pour seuil des images statistiques Z utilisent groupe formant seuil de Z> 2.0 et corrigées seuil grappe importante de p = 0,05 20. Pour obtenir les valeurs z correctes sur le plan de corrélation, Z d'un revers Fisher transformer doit être effectuée sur les résultats.
  10. Les contrastes spécifiques suivantes doivent être comparés (1) droit TLE> contrôles; (2) à gauche TLE> contrôles; (3) le droit TLE> gauche TLE; (4) gauche TLE> droit TLE; (5) Contrôle> droit TLE; (6) commande> à gauche TLE; (7) TLE (droit combiné et gauche)> contrôle; et (7) commande> TLE (droit combiné et gauche).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

La figure 1 montre la DMN a révélé avec une connectivité d'une graine postérieure (RSP / PCUn, couleurs rouge-jaune) et une graine antérieure (vmPFC, couleurs bleu-vert) et compare les réseaux trouvés dans les différents groupes de matières (figures 1A-C) et entre eux, à savoir les contrôles sains par rapport à tous les patients atteints TLE (figures 1D et 1E), puis les témoins sains comparés séparément à TLE gauche (figures 1F et 1G) et à droite TLE (figures 1H et 1I). La comparaison directe entre gauche et droite TLE est également représenté (figures 1J et 1K).

TLE

TLE inclut des sujets ayant gauche ou à droite TLE. Comparativement aux témoins, ce groupe combiné a réduit la connectivité à partir de la face postérieure de la région du DMN antérieure (Figure 1D, Les couleurs rouge) ainsi que d'une réduction de connectivité à partir de la région antérieure de DMN aux composants postérieurs (figure 1D, les couleurs bleues). Sujets avec TLE ont également montré une connectivité accrue fronto-pariétal avec la partie antérieure et postérieure DMN (figure 1E, couleurs bleu / rouge).

Gauche TLE

Les sujets ayant gauche TLE avaient réduit la connectivité du DMN postérieure avec les régions de DMN antérieures et l'hippocampe, parahippocampus, le tronc cérébral, et médiale cortex occipital (figure 1F, couleurs rouge). Utilisation d'une semence antérieure, connectivité réduite avec des composants postérieures (hippocampe, gyrus para-hippocampique, gyrus fusiforme, le gyrus lingual, le gyrus cingulaire) a également été observée (figure 1F, couleurs bleu). Sujets gauche de la TLE ont été trouvés à avoir un réseau péri-operculaire élargi relié aux postérieure et antérieure graines (figure 1G, couleurs rouges et bleues) échantillonARED à des témoins sains.

Droit TLE

Comme dans le cas de sujets ayant gauche TLE, ceux qui ont droit TLE avait réduit la connectivité de la graine de DMN postérieure avec les composants antérieure de DMN (figure 1H, couleurs rouges). La semence antérieure avait réduit la connectivité dans les régions postérieures (hippocampe bilatérale, putamen, noyau caudé) et antérieure DMN lui-même. (Figure 1H, couleurs bleu). Les zones avec une connectivité accrue des postérieure et antérieure graines en droit TLE inclus cortex temporal latéral gauche, precuneus, cingulum, et complémentaire cortex moteur. (Figure 1I).

Droite vs Gauche TLE

La comparaison directe de droit TLE avec TLE gauche a révélé une connectivité accrue de la graine de DMN postérieure au gyrus supra-marginal gauche à gauche TLE (figure 1J, couleurs rouges) ainsi que la partie antérieure de graines de DMN frontalezones (figure 1J, couleurs bleu) comparées à droite TLE. Domaines de la connectivité accrue des semences postérieure du chef TLE compris l'hippocampe gauche, fusiforme et régions du thalamus et le tronc cérébral bilatéral. Domaines de la connectivité accrue de la semence antérieure en droit TLE inclus precuneus, régions thalamiques bilatérales, et les régions du tronc cérébral. (Figure 1K).

Figure 1
Figure 1. Comparaison de DMN dans TLE par rapport à des témoins sains. L'connectivité DMN en utilisant une graine postérieure (DMN postérieure, Rsp / PCUn, couleurs rouge-jaune) et une graine antérieure (vmPFC, couleurs bleu-vert) est représenté dans les différents groupes de sujets (AC), TLE par rapport à des témoins sains (DE), à gauche TLE par rapport aux témoins sains (FG), Droit TLE par rapport à des témoins sains (HI), et à droite par rapport à TLE TLE gauche (JK). C-Control; L-gauche TLE; R-droit TLE. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

L'épilepsie est considérée comme une maladie de réseau, et des anomalies des réseaux impliqués sont présents pendant les crises et à l'état intercritique 21. IRMf à base de tâche a été utilisé pour analyser les anomalies de la langue et des réseaux de mémoire en 8 TLE. FcMRI présente des avantages inhérents à l'étude de la DMN 12 qui est un réseau principalement actif dans l'état de repos. La DMN est un réseau de régions du cerveau qui a été trouvé à être actif chez les individus éveillés qui restent intactes et sont engagés dans des pensées spontanées. Il a été démontré ces régions pour y inclure la vmPFC, Rsp / PCUn, cortex cingulaire postérieur, les régions pariétales inférieures, les régions temporales latérales, et l'hippocampe 12,17. La DMN est pensé pour être un substrat pour l'état conscient. Il a été rapporté d'être modifié dans les conditions affectant la conscience, la mémoire et la cognition sociale tels que des crises d'absence, de la maladie d'Alzheimer, l'autisme et / schizophrénie, respectivement 22-26.

Le lobe temporal est étroitement reliée à la DMN. Participation secondaire de la DMN peut médier les effets de la TLE sur la cognition et la conscience 12,27. Un tel engagement du DMN secondaire peut également être pathogène pour les effets cliniques d'autres conditions qui affectent le lobe temporal système / limbique telles que la schizophrénie et la maladie 25 d'Alzheimer 22,26. Des études antérieures ont montré l'implication de DMN dans TLE et autres formes d'épilepsie pendant les crises, lors des décharges épileptiformes intercritiques, et dans l'état intercritique 9,28-33. Ces études indiquent un rôle potentiellement important de la DMN dans le électrographique intercritiques et les caractéristiques comportementales ictales de TLE. Dans l'expérience actuelle, a été utilisé fcMRI à base de graines d'analyser la DMN dans TLE à l'état basal pour évaluer l'effet de TLE sur la DMN. Le modèle de la DMN hub and spoke postule que ses principaux sous-systèmes sont le postérieur(Rsp / PCUn) et antérieure (vmPFC) composants. Ici, les caractéristiques de connectivité de ces deux régions principales sont examinés individuellement pour évaluer comment TLE affecte leur interconnectivité et leurs sous-réseaux associés.

L'analyse fondée sur les semences actuelle révèle une déconnexion entre les antérieurs et postérieurs pôles de la DMN. Cette réduction de la connectivité fonctionnelle est probablement liée à une réduction du blanc connectivité question anatomique entre les structures concernées comme cela a été démontré dans une étude montrant une réduction simultanée de la connectivité de la matière fonctionnelle et blanc entre la DMN postérieure et l'hippocampe chez les patients atteints TLE 34. En outre, il démontre généralement augmenté connectivité gauche TLE des antérieurs et postérieurs pôles de la DMN à d'autres régions du cerveau et diminue généralement la connectivité en droit TLE. Ceci est cohérent avec les études antérieures montrant une connectivité réduite en droit TLE et des augmentations compensatoiresde la connectivité dans la gauche TLE 30,35. En règle générale, le droit TLE tend à impliquer les structures bilatérales, tandis que la gauche TLE implique la redistribution de l'activation fonctionnelle 36,37. Ceci est particulièrement important dans la semence antérieure où gauche TLE a une plus grande connectivité aux zones péri-operculaire, comparativement à droite TLE (figures 1G, 1I, et 1J). Ceci, combiné avec la connectivité inférieure de la graine postérieure à gauche TLE par rapport aux témoins (figures 1F et 1K), suggère que la connectivité antérieure accrue dans gauche TLE pourrait résulter d'une déconnexion de la graine postérieure ou les connexions entre la partie postérieure et antérieure graines. L'hippocampe est reliée à la DMN antérieur via le DMN postérieure 34.

La technique utilisée dans cette étude peut être modifiée en changeant l'emplacement de la graine et la génération des réseaux de cerveau correspondant à d'autres zones du cerveau. Allogiciel d'analyse d'alternative peut être utilisée pour faire une analyse similaire (par exemple, SPM, AFNI). Analyses de corrélation à base de graines sont limitées en ce qu'elles exigent une hypothèse sur la structure du réseau présumé mis en examen pour une détermination préalable de l'emplacement de la graine. Si l'hypothèse sous-jacente est défectueux, les résultats ne seraient pas d'importation.

-État de repos fcMRI 2 peut fournir une mesure de la connectivité fonctionnelle basée sur les modulations spontanées (c.-t demander indépendant) en signaux BOLD. Deux méthodes couramment utilisées à cette fin sont les corrélations de semences (région d'intérêt) sur la base et l'ICA 6. Semences à base analyse de corrélation nécessite une hypothèse sur la structure du réseau présumé mis en examen pour une détermination préalable de l'emplacement de la graine. Après avoir choisi l'emplacement de graines et extraire le signal BOLD des voxels constituant la semence, une analyse voxel par voxel de l'ensemble du cerveauest réalisée afin d'identifier d'autres régions du cerveau avec des motifs similaires de signal BOLD, et ce élucide un réseau corrélé. Une autre méthode d'analyse de graines est en corrélant le signal entre les deux, ou plusieurs, des régions d'intérêt. L'utilisation d'un tel procédé, la connexion a été trouvée réduite entre l'hippocampe et le DMN lésionnelles postérieure dans 38 TLE. D'autre part, l'ICA est guidée par les données sans hypothèse pré-existant et définit réseaux spatio-temporellement distinctes dans le cerveau au repos de l'État. Une étude de DMN dans TLE a également été réalisée à l'aide de l'ICA et déterminée, réduite connectivité de la DMN antérieure chez les patients atteints droite et à gauche TLE par rapport aux témoins. Cependant, l'analyse basée sur notre ROI (semences) a révélé la présence d'un réseau de DMN antérieure à TLE, qui était en fait plus vaste dans TLE gauche par rapport à des sujets témoins. Cette différence pourrait être liée à la déconnexion de la proposition antérieure de DMN postérieure, où une rés antérieure séparéork est moins visible lors de l'évaluation d'un réseau identifié principalement par les connexions de DMN postérieure. En accord avec une étude antérieure, nous pourrions reproduire l'implication temporelle mésiales dans TLE 39.

L'analyse actuelle montre à quel fcMRI à base de graines peuvent être utilisées pour sonder les réseaux cérébraux dans les troubles du cerveau comme la TLE. L'identification de ces différences entre les groupes permet de comprendre les anomalies fonctionnelles dans des états pathologiques ouvrant la possibilité de futures applications qui mettent en œuvre des analyses qui peuvent être interprétées à l'objet seul niveau 2.

Une limitation de cette analyse est l'incapacité de déterminer l'état éveillé / endormi du sujet. Le sommeil a été associée à une réduction de la connectivité DMN du cortex frontal avec un profond sommeil 40 ou à l'anesthésie générale 41. Une enquête plus approfondie est justifiée pour déterminer si ces résultats peuvent être reproduits par le contrôle de l'état de sommeil.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Dr Engel est financé par des subventions du NIH NS02808 P01, R01 NS33310 et U01 NS42372, a brevets WO 2009/123734A1, et WO 2009/123735A1, reçoit des redevances d'MedLink, Wolters Kluwer, Blackwell, Elsevier et, et a reçu des honoraires de Medtronic , Wolters Kluwer, et Best Doctors. M. Stern a servi comme consultant rémunéré pour UCB et Lundbeck. Dr Stern est un éditeur de MedLink neurologie, et a reçu des redevances de Wolters Kluwer et de McGraw-Hill. Les autres auteurs n'ont aucune divulgation des conflits d'intérêts à déclarer.

Acknowledgments

Le financement de cette recherche a été fourni par l'Epilepsy Foundation of America, Baylor College of Medicine informatique et intégrative Biomedical Research Center (CIBR) Seed Grant Prix (ZH), NIH-NINDS K23 Grant NS044936 (JMS); . et La Fondation de la famille Leff (JMS) acquisition des données a été assisté par: Elizabeth Pierce (UCLA).

Materials

Name Company Catalog Number Comments
MRI machine
Linux workstation with image analysis software installed

DOWNLOAD MATERIALS LIST

References

  1. Biswal, B. B., Yetkin, F. Z., Haughton, V. M., Hyde, J. S. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn. Reson. Med. 34, 537-541 (1995).
  2. Fox, M. D., Greicius, M. Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 1-13 (2010).
  3. Laufs, H., et al. Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest. Proc. Natl. Acad. Sci. U.S.A. 100, 11053-11058 (1073).
  4. Shmuel, A., Leopold, D. A. Neuronal correlates of spontaneous fluctuations in fMRI signals in monkey visual cortex: Implications for functional connectivity at rest. Hum. Brain Mapp. 29, 751-761 (2008).
  5. Margulies, D. S., et al. Resting developments: a review of fMRI post-processing methodologies for spontaneous brain activity. Magn. Mater. Phys. Biol. 23, 289-307 (2010).
  6. Biswal, B. B., et al. Toward discovery science of human brain function. Proc. Natl. Acad. Sci. U.S.A. 107, 4734-4739 (2010).
  7. Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel, J., Stern, J. M. Effect of lateralized temporal lobe epilepsy on the default mode network. Epilepsy Behav. 25, 350-357 (2012).
  8. Pillai, J. J., Williams, H. T., Faro, S. Functional imaging in temporal lobe epilepsy. Semin. Ultrasound. CT MR. 28, 437-450 (2007).
  9. Blumenfeld, H., et al. Positive and negative network correlations in temporal lobe epilepsy. Cereb. Cortex. 14, 892-902 (2004).
  10. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nucl. Med. Imaging. 36, 823-830 (2009).
  11. Fransson, P., Marrelec, G. The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis. Neuroimage. 42, 1178-1184 (2008).
  12. Buckner, R. L., Andrews-Hanna, J. R., Schacter, D. L. The brain's default network. Ann. N. Y. Acad. Sci. 1124, 1-38 (2008).
  13. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimage. 14, 1370-1386 (2001).
  14. Forman, S. D., et al. Improved assessment of significant activation in functional magnetic resonance imaging (fMRI): use of a cluster size threshold. Magn. Reson. Med. 33, 636-647 (1995).
  15. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage. 17, 825-841 (2002).
  16. Smith, S. M. Fast robust automated brain extraction. Hum. Brain Mapp. 17, 143-155 (2002).
  17. Raichle, M. E., et al. A default mode of brain function. Proc. Natl. Acad. Sci. U.S.A. 98, 676-682 (2001).
  18. Uddin, L. Q., Kelly, A. M., Biswal, B. B., Castellanos, F. X., Milham, M. P. Functional connectivity of default mode network components: correlation. Hum. Brain Mapp. 30, 625-637 (2009).
  19. Singh, K. D., Fawcett, I. P. Transient and linearly graded deactivation of the human default-mode network by a visual detection task. Neuroimage. 41, 100-112 (2008).
  20. Worsley, K. J., Evans, A., Marrett, S., Neelin, P. A three-dimensional statistical analysis for CBF activation studies in human brain. J. Cereb. Blood Flow Metab. 12, 900-918 (1992).
  21. Spencer, S. S. Neural networks in human epilepsy: evidence of and implications for treatment. Epilepsia. 43, 219-227 (2002).
  22. Greicius, M. D., Srivastava, G., Reiss, A. L., Menon, V. Default-mode network activity distinguishes Alzheimer's disease from healthy aging: evidence from functional MRI. Proc. Natl. Acad. Sci. U.S.A. 101, 4637-4642 (2004).
  23. Kennedy, D. P., Redcay, E., Courchesne, E. Failing to deactivate: resting functional abnormalities in autism. Proc. Natl. Acad. Sci. U.S.A. 103, 8275-8280 (2006).
  24. Garrity, A. G., et al. Aberrant "default mode" functional connectivity in schizophrenia. Am. J. Psychiatry. 164, 450-457 (2007).
  25. Mannell, M. V., et al. Resting state and task-induced deactivation: A methodological comparison in patients with schizophrenia and healthy controls. Hum. Brain Mapp. 31, 424-437 (2010).
  26. Jones, D., et al. Age-related changes in the default mode network are more advanced in Alzheimer disease. Neurology. 77, 1524-1531 (2011).
  27. Kobayashi, Y., Amaral, D. G. Macaque monkey retrosplenial cortex II. Cortical afferents. J. Comp. Neurol. 466, 48-79 (2003).
  28. Dupont, P., et al. Dynamic perfusion patterns in temporal lobe epilepsy. Eur. J. Nuclear Med. Mol. Imaging. 36, 823-830 (2009).
  29. Laufs, H., et al. Temporal lobe interictal epileptic discharges affect cerebral activity in “default mode” brain regions. Hum. Brain Mapp. 28, 1023-1032 (2007).
  30. Morgan, V. L., Gore, J. C., Abou-Khalil, B. Functional epileptic network in left mesial temporal lobe epilepsy detected using resting fMRI. Epilepsy Res. 88, 168-178 (2010).
  31. Gotman, J., et al. Generalized epileptic discharges show thalamocortical activation and suspension of the default state of the brain. Proc. Natl. Acad. Sci. U.S.A. 102, 15236-15240 (2005).
  32. Hamandi, K., et al. EEG-fMRI of idiopathic and secondarily generalized epilepsies. Neuroimage. 31, 1700-1710 (2006).
  33. Pittau, F., Grova, C., Moeller, F., Dubeau, F., Gotman, J. Patterns of altered functional connectivity in mesial temporal lobe epilepsy. Epilepsia. 53, 1013-1023 (2012).
  34. Liao, W., et al. Default mode network abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI. Hum. Brain Mapp. 32, 883-895 (2011).
  35. Pereira, F. R., et al. Asymmetrical hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state fMRI. BMC Neurosci. 11, 1-13 (2010).
  36. Dupont, S., et al. Bilateral hemispheric alteration of memory processes in right medial temporal lobe epilepsy. J. Neurol. Neurosurg. Psychiatr. 73, 478-485 (2002).
  37. Vlooswijk, M. C., et al. Functional MRI in chronic epilepsy: associations with cognitive impairment. Lancet Neurol. 9, 1018-1027 (2010).
  38. McCormick, C., Quraan, M., Cohn, M., Valiante, T. A., McAndrews, M. P. Default mode network connectivity indicates episodic memory capacity in mesial temporal lobe epilepsy. Epilepsia. 54, (2013).
  39. Zhang, Z., et al. Altered spontaneous neuronal activity of the default-mode network in mesial temporal lobe epilepsy. Brain Res. 1323, 152-160 (2010).
  40. Horovitz, S. G., et al. Decoupling of the brain's default mode network during deep sleep. Proc. Natl. Acad. Sci. U.S.A. 106, 11376-11381 (2009).
  41. Deshpande, G., Kerssens, C., Sebel, P. S., Hu, X. Altered local coherence in the default mode network due to sevoflurane anesthesia. Brain Res. 1318, 110-121 (2010).

Tags

Médecine Numéro 90 défaut réseau Mode (DMN) épilepsie du lobe temporal (ELT) IRMf l'IRM la connectivité fonctionnelle IRM (fcMRI) le niveau d'oxygénation du sang (BOLD)
Analyse du réseau de la mode par défaut du réseau utilisant la connectivité fonctionnelle IRM en épilepsie du lobe temporal
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Haneef, Z., Lenartowicz, A., Yeh, H. … More

Haneef, Z., Lenartowicz, A., Yeh, H. J., Engel Jr., J., Stern, J. M. Network Analysis of the Default Mode Network Using Functional Connectivity MRI in Temporal Lobe Epilepsy. J. Vis. Exp. (90), e51442, doi:10.3791/51442 (2014).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter