Network Analysis della modalità predefinita rete tramite connettività funzionale MRI in epilessia del lobo temporale

Summary

La rete di default Mode (DMN) in epilessia del lobo temporale (TLE) viene analizzata nello stato di riposo del cervello utilizzando la connettività funzionale a base di semi-MRI (fcMRI).

Abstract

Connettività funzionale MRI (fcMRI) è un metodo fMRI che esamina la connettività di diverse aree cerebrali basate sulla correlazione delle fluttuazioni del segnale BOLD nel tempo. Epilessia del lobo temporale (TLE) è il tipo più comune di epilessia adulta e coinvolge molteplici reti del cervello. La modalità di rete predefinita (DMN) è coinvolto in cosciente, riposo cognizione stato ed è pensato per essere coinvolti in TLE dove convulsioni provocano perdita di coscienza. Il DMN in epilessia è stato esaminato utilizzando sementi a base di fcMRI. I mozzi anteriore e posteriore del DMN stati usati come semi in questa analisi. I risultati mostrano una disconnessione tra anteriore e mozzi posteriori del DMN in TLE durante lo stato basale. Inoltre, una maggiore connettività DMN ad altre regioni del cervello a sinistra TLE con ridotta connettività in diritto TLE è rivelato. L'analisi dimostra come fcMRI a base di semi-possono essere utilizzati per sondare le reti cerebrali in disturbi cerebrali come TLE.

Introduction

Functional MRI Connettività (fcMRI) è un approccio analitico relativamente recente ai dati fMRI che quantifica il rapporto tra le diverse regioni del cervello basato sulla somiglianza del loro livello di ossigenazione del sangue dipendente (BOLD) serie storica segnale - questo è chiamato connettività "funzionale", ed è distinguibile da connettività anatomica che descrive l'esistenza di collegamenti fisici tra regioni (ad esempio fibre di materia bianca). In una particolare applicazione di questo approccio, la serie temporale sono raccolti quando il partecipante non è impegnato in un compito o è nel cosiddetto "stato di riposo".

Sebbene descritto per primo nel 1995 ^1, c'è stato interesse immenso in fcMRI conseguente circa 1.000 pubblicazioni relative alla tecnica nel 2012. FcMRI ha vantaggi intrinseci rispetto basate su operazioni fMRI in (1) che non vi è alcun compito specifico da eseguire, ( 2) La cooperazione soggetto ènon necessario, (3) gruppi di dati possono essere utilizzati per eseguire query diverse reti diverse, meglio (4) rapporto segnale rumore è presente probabilmente dovuto a differenze nelle energetica cerebrali coinvolte, e (5) l'elusione dei confonde relativi alle attività ^2. Come prova del suo concetto, modifiche fcMRI hanno dimostrato di corrispondere alle variazioni EEG ³ e potenziali di campo locali ⁴ nel cervello.

Tecniche di analisi fcMRI includono tecniche di ROI / a base di semi-, analisi delle componenti indipendenti (ICA), analisi di teoria dei grafi, nesso di causalità di Granger, i metodi locali (ampiezza delle oscillazioni a bassa frequenza, l'analisi di omogeneità regionale), e altri ^cinque. Nessuna singola tecnica ha ancora dimostrato la netta superiorità rispetto ad un altro, anche se i metodi più diffusi sono metodi ICA ⁶ di semi-based e. Seed-based fcMRI correla fluttuazioni temporali segnale BOLD da una parte preselezionata della rete putativo in esame definito il "seme1; o "regione di interesse (ROI)" a tutte le altre parti del cervello. Le aree del cervello che mostra BOLD correlatore segnale alla zona sementi sono pensati per delimitare parti della rete coinvolti. Al contrario, ICA utilizza un'analisi basata sui dati model-free per estrarre aree cerebrali spazio-temporalmente correlate (componenti indipendenti, CI), analizzando le caratteristiche del segnale emodinamiche del tutto il cervello ^5.

Nel manoscritto attuale, una descrizione dei metodi utilizzati in uno studio pubblicato in precedenza di riposo Stato basato seme-analisi della connettività del DMN in TLE è presentato ^7. TLE è la forma più comune di epilessia adulta. In aggiunta alle crisi epilettiche, TLE provoca disfunzioni delle reti multiple cerebrali, tra cui memoria, il comportamento, il pensiero e la funzione sensoriale ^8. Il DMN è costituito da regioni cerebrali che sottendono cosciente, cognizione di riposo-stato. Il DMN è stato segnalato per essere coinvolti in crisi associate consc ridottaiousness ^9,10. Inoltre, l'ippocampo è la struttura chiave coinvolti nella TLE ed è stato pensato per essere componente del DMN. Tuttavia, la connettività del PCC alla formazione dell'ippocampo è più debole di altri organi di DMN, quali mediale prefrontale e parietale inferiore. Ciò suggerisce che l'ippocampo è o una sottorete del DMN o una rete ^11,12 interagenti. Questi comune tra TLE e DMN sollevano la possibilità che DMN connettività funzionale è alterata in TLE. Questa analisi mette a confronto il DMN di soggetti con TLE ai controlli sani al fine di conoscere il coinvolgimento di DMN in TLE. La connettività di semi posto nei principali hub del DMN - le regioni del mozzo anteriore e posteriore sono stati analizzati ^12. I semi sono stati inseriti nel mozzo posteriore costituito dalla retrosplenium / precuneus (DSR / PCUN) così come il mozzo anteriore costituito da corteccia prefrontale ventromediale (vmPFC) in pazienti con TLE e incontrolli sani di individuare le anteriori e posteriori sottoreti del DMN.

Protocol

1. Soggetti

1. La popolazione di studio di 36 soggetti comprende tre gruppi: a destra TLE (n = 11), a sinistra TLE (n = 12), e controlli sani (n = 13). Ottenere il consenso informato scritto da tutti i soggetti. Lo studio segue le linee guida della University of California, Los Angeles (UCLA) Institutional Review Board.
2. I gruppi di soggetti con epilessia dovrebbero essere i pazienti che sono candidati per la resezione del lobo temporale anteriore, come determinato dal monitoraggio video-EEG, MRI del cervello, imaging PET, e test neuropsicologici. I pazienti devono continuare i loro soliti farmaci durante la scansione fMRI e non devono essere digitalizzata immediatamente dopo un sequestro. Assicurarsi che tutti i soggetti hanno normali risonanze magnetiche del cervello e sono esenti da malattie neurologiche (diverso da epilessia nei gruppi di pazienti) o si utilizza farmaci neurologici.

2. Imaging

1. Utilizzare un sistema a 3 Tesla MRI per l'imaging. Ottenere sezioni assiali per immagini funzionali utilizzando un planare imag ecoING (EPI) sequenza e per le immagini anatomiche mediante gradiente viziato richiamate (SPGR) sequenza.
2. Eseguire l'imaging funzionale utilizzando i seguenti parametri: TR = 2,000 msec, TE = 30 msec, FOV = 210 mm, matrice = 64 x 64, spessore di strato 4 millimetri, 34 fette. Utilizzare i seguenti parametri per imaging ad alta risoluzione strutturale: TR = 20 msec, TE = 3 msec, FOV = 256 millimetri, matrice = 256 x 256, spessore fetta 1 mm 160 fette.
3. Ogni sessione di imaging dovrebbe durare 20 min. Chiedere ai partecipanti di rilassarsi con gli occhi chiusi. Non è richiesta alcuna particolare input uditivo.

3. Pre-elaborazione dei dati BOLD

1. Pre-elaborazione dei dati fMRI utilizzando FSL (fMRIB Software Library) versione del software 4.1.6 (Oxford, UK, www.fmrib.ox.ac.uk / FSL) ^13,14. Fasi di pre-elaborazione devono includere i seguenti: Usa FSL MCFLIRT per rimuovere i movimenti della testa artefatto ^15. Utilizzare BET FSL per rimuovere il tessuto nonbrain ¹⁶ con BET l'opzione-F per i file BOLD. Questo aiuta a conduzione ffasi di analisi LTERIORI sulla sola tessuto cerebrale.
2. In FEAT, eseguire un'analisi minimamente trasformati con la registrazione. Selezionare "analisi di primo livello" e cambiare "analisi completa" a "pre-stats" dai primi due bottoni.
   1. Nella scheda pre-stats, deselezionare "estrazione del cervello BET" e selezionare "Nessuno" per "correzione Motion" (in quanto queste sono state già fatte in precedenza). Registrare le immagini funzionali (BOLD) per la anatomico (SPGR) immagini e quindi ad un livello di immagine (MNI). Ciò si traduce nella generazione di matrici di trasformazione, che successivamente saranno utilizzati durante l'analisi di deformare i semi selezionati nello spazio normale nello spazio cervello del soggetto.
3. Utilizzare la matrice di trasformazione generata (denominato "standard2example_func.mat") e trasformare CSF e ROI della sostanza bianca in singoli spazi BOLD.
   1. Estrarre la serie storica dal QCS e ROI della sostanza bianca con il comando fslmeants,utilizzando il ROI nello spazio singolo soggetto come maschera. Normalizzare la serie storica estratto utilizzando il software "R". Tali serie sono usati come regressori nel GLM successivamente per rimuovere i corrispondenti segnali di artefatti dall'analisi.
4. Il passo successivo è la rimozione di artefatti di movimento legate soggetti. Per la regressione dei parametri di movimento, impostare la seguente entro FSL FEAT prima di eseguirlo.
   1. All'interno della scheda dati, utilizzare il movimento corretto per file e cervello estratto come ingressi, impostare il valore TR corrispondere al dataset. Set filtro passa-alto utilizzando un filtro sec 100. L'elevato filtraggio passa rimuoverà segnali di interesse, che sono di frequenza molto bassa. Un filtro passa-basso per rimuovere i segnali ad alta frequenza sarà applicata in seguito al passaggio 4.1.
   2. All'interno della scheda di pre-stats, scegliere "Nessuno" in "Correzione Motion" come è stato già fatto. Deselezionare "estrazione del cervello BET", come è stato già fatto. Eseguire smoothing spazialeutilizzando una metà del massimo a tutta larghezza 5 mm (FWHM).
   3. Nella scheda statistiche, regredire i parametri 6 di movimento e loro derivati ​​temporali. Selezionare "Nessuno" per convoluzione e controllare "Applica filtro temporale." Usa l'uscita del FSL MCFLIRT per ottenere i file di testo dei parametri del movimento, che può essere poi immessi nel modello di analisi FEAT a regredire questi in un modello lineare generale (GLM)
   4. Aggiungete anche il QCS e segnali della sostanza bianca che sono stati estratti e normalizzato nelle fasi precedenti al GLM. Selezionare "Nessuno" per convoluzione, aggiungere derivata temporale, e deselezionare "Applica filtro temporale".

4. Metodi statistici

1. I residui di pre-elaborazione sopra descritta dovrebbero essere utilizzati per la correlazione a base di semi. Tali residui devono essere passati prima attraverso un filtro passa-basso di 0,1 Hz, poi umiliate sottraendo la media, dividendo per la deviazione standard, e poi scalato aggiungendo100. Semi devono essere definite con un diametro di 6 mm di spazio MNI standard utilizzando software MRICron.
2. Il posteriore e semi anteriori devono corrispondere alle seguenti coordinate: (1) Regione Rsp / PCUN (x = 2, y = -60, z = 36) e (2) corteccia prefrontale ventromediale (vmPFC; x = 3, y = 60, z = -1). Queste posizioni seme sono state definite negli controlli sani e sono trasformato allo spazio soggetto nel passaggio successivo ^17-19.
   1. I semi devono essere successivamente trasformati in singolo spazio funzionale del cervello di ciascun soggetto dallo spazio standard di MNI. Per questo, utilizzare la matrice di trasformazione generata in precedenza (denominata "standard2example_func.mat") per trasformare il seme da (MNI) spazio standard per il singolo spazio funzionale (BOLD).
   2. Utilizzare il comando fslmeants per estrarre la serie temporale dal già sminuito e scalato residua, utilizzando il seme nel singolo spazio soggetto come una maschera. Normalizzare la serie storica estratto utilizzando il software "R".
3. Correlazioni parziali tra i voxel di sementi e tutti gli altri voxel cerebrali dovrebbero essere calcolate separatamente per ciascun soggetto per ciascuna corsa. Per questo, all'interno della GUI FEAT FSL, selezionare "analisi di primo livello", e poi "Statistiche + post-stats". All'interno della scheda Dati, il residuo precedentemente umiliato e scalato deve essere usato come input in FEAT.
4. Impostare il passa alto taglio del filtro a 10.000, il residuo è già elevata passata a 100 sec. Nella scheda Statistiche, deselezionare "Usa FILM prewhitening", e utilizzare le serie storiche seme precedentemente estratto e normalizzato nel GLM. Nella scheda Post-statistiche, impostare la soglia di Z-stat desiderata per un valore di 2,0.
5. Prima di eseguire l'analisi di gruppo che unisce corre all'interno di sudditi, di un Fisher Z trasformare deve essere eseguita sul file COPE (Contrasto delle stime dei parametri) generato dalla analisi di correlazione eseguito in precedenza (punto 4.3). Copiare dati di registrazione from la directory "reg" dell'analisi FEAT fatto nella fase 3.1 nel periodo correlazione del punto 4.3.
6. Eseguire un'analisi di livello superiore, combinando corse all'interno di ogni soggetto. Per questo, all'interno della GUI FEAT FSL, selezionare "analisi a livello superiore", e poi "Statistiche + post-stats". All'interno della scheda "Dati", scegliere "ingressi sono directory FEAT di livello inferiore" e inserite corse del soggetto dal punto 4.4. All'interno della scheda "Statistiche", scegli "effetti misti: Semplice OLS". Impostare modello effetto medio; inserire il valore di 1 per ciascun corsa del soggetto.
7. Per combinare dati su piste tra i soggetti, uno minimi quadrati ordinari (OLS) semplice analisi degli effetti misti dovrebbe essere usato. Per questo, all'interno della GUI FEAT FSL, scegliere "analisi a livello superiore" e "Statistiche + post-stats". All'interno della scheda Dati, scegliere "ingressi sono directory FEAT di livello inferiore" e inserite combinati corre soggetti dal punto 4.5.
8. Nella scheda Statistiche, scegliete "effetti misti: Simple OLS" 'Impostare un modello come 3 gruppi; inserire il valore 1 per il gruppo di ogni soggetto appartiene, 0 altrimenti. L'analisi di gruppo dovrebbe essere fatto su ogni voxel con un one-way ANOVA con tre livelli corrispondenti ai tre gruppi (TLE destra, sinistra TLE, e controlli sani).
9. Per soglia le immagini statistici Z utilizzano cluster di formare la soglia di Z> 2.0 e corretti grappolo soglia rilevante del p = 0,05 ^20. Per ottenere corretti valori z sulla mappa correlazione, un rovescio di Fisher Z trasformare deve essere eseguita sui risultati.
10. I seguenti contrasti specifici devono essere confrontati (1) giuste TLE> controlli; (2) a sinistra TLE> controlli; (3) a destra TLE> sinistra TLE; (4) TLE sinistra> destra TLE; (5) Controllo> destra TLE; (6) Controllo> sinistra TLE; (7) TLE (combinato destra e sinistra)> controllo; e (7) Controllo> TLE (unito destra e sinistra).

Representative Results

La figura 1 mostra il DMN rivelato con connettività da un seme posteriore (Rsp / PCUN, colori rosso-giallo) e un seme anteriore (vmPFC, colori blu-verde) e confronta le reti trovate nei diversi gruppi di soggetti (Figure 1A-C) e tra l'altro, cioè controlli sani rispetto a tutti i pazienti con TLE (Figure 1D e 1E), quindi controlli sani comparati separatamente a sinistra TLE (figure 1F ed 1G) e destra TLE (Figure 1H e 1I). Confronto diretto tra sinistra e destra TLE è anche mostrato (Figure 1J e 1K).

TLE

TLE include soggetti con a destra oa sinistra TLE. Rispetto ai controlli, questo gruppo combinato ha ridotto la connettività dal posteriore alla regione DMN anteriore (Figura 1D, Colori rossi) un così come ridotta connettività dalla regione DMN anteriore ai componenti posteriori (Figura 1D, blu colori). I soggetti con TLE anche mostrato una maggiore connettività fronto-parietale con l'anteriore e posteriore DMN (Figura 1E, colori blu / rosso).

TLE Sinistra

I soggetti con epilessia del lobo temporale sinistro avevano ridotto la connettività del DMN posteriori con le regioni DMN anteriore e l'ippocampo, parahippocampus, tronco encefalico, e mediale corteccia occipitale (Figura 1F, colori rossi). Utilizzando un seme anteriore, connettività ridotta con i componenti posteriori (ippocampo, giro paraippocampale, giro fusiforme, giro linguale, giro del cingolo), è stato anche visto (Figura 1F, colori blu). I soggetti con sinistra TLE sono stati trovati ad avere una rete peri-opercolare espanso collegato ai anteriori e posteriori semi (Figura 1G, colori rosso e blu) compared ai controlli sani.

TLE destra

Come nel caso di soggetti con TLE sinistra, quelli con diritto TLE aveva ridotto connettività del posteriore DMN seme con i componenti anterior DMN (Figura 1H, colori rosso). Il seme anteriore aveva ridotto la connettività a regioni posteriori (Hippocampus bilaterale, putamen, caudato) ed anteriore DMN stessa. (Figura 1H, colori blu). Le aree con l'aumento della connettività degli anteriori e posteriori semi in diritto TLE inclusi sinistra corticale laterale temporale, precuneus, cingolo e la corteccia motoria supplementare. (Figura 1I).

Giusto vs TLE Sinistra

Confronto diretto di destra TLE con fianco TLE rivelato maggiore connettività del seme posteriore DMN al giro sopramarginale sinistra in fianco TLE (Figura 1J, colori rosso) e anteriore seme DMN a frontalearee (Figura 1J, colori blu) rispetto alla destra TLE. Aree di maggiore connettività delle sementi posteriori in diritto TLE incluso l'ippocampo di sinistra, fusiforme e le regioni del talamo bilaterale e tronco encefalico. Aree di maggiore connettività delle sementi anteriore nella destra TLE incluso precuneus, regioni talamiche bilaterali, e le regioni del tronco cerebrale. (Figura 1K).

Figura 1. Confronto tra DMN in TLE rispetto ai controlli sani. La connettività DMN usando un seme posteriore (posteriore DMN, Rsp / PCUN, colori rosso-giallo) e un seme anteriore (vmPFC, colore blu-verde) è mostrata nei diversi gruppi di soggetti (AC), TLE rispetto ai controlli sani (DE), a sinistra TLE rispetto ai controlli sani (FG), Diritto di TLE rispetto ai controlli sani (HI), e proprio TLE rispetto a sinistra TLE (JK). C-Control; L-Left TLE; R-Right TLE. Cliccare qui per vedere una versione più grande di questa figura.

Discussion

L'epilessia è pensato per essere una malattia di rete, e le anomalie delle reti coinvolte sono presenti durante la crisi e nello stato interictale ^21. Basata su attività fMRI è stato utilizzato per analizzare le anomalie del linguaggio e reti di memoria in TLE ^8. FcMRI ha vantaggi inerenti studiare il DMN ¹² in quanto è una rete attiva principalmente nello stato di riposo. Il DMN è una rete di regioni del cervello che è stato trovato per essere attivo in individui svegli che vengono lasciati indisturbati e sono impegnati in pensieri spontanei. Queste regioni hanno dimostrato di comprendere la vmPFC, Rsp / PCUN, corteccia cingolata posteriore, le regioni parietali inferiori, regioni temporali laterali, e la ippocampi ^12,17. Il DMN è pensato per essere un substrato per lo stato cosciente. E 'stato riportato essere alterato in condizioni che influenzano la coscienza, la memoria, e della cognizione sociale come crisi di assenza, il morbo di Alzheimer e l'autismo / schizofrenia, respectivamente ^22-26.

Il lobo temporale è strettamente collegato al DMN. Coinvolgimento secondario del DMN può mediare gli effetti di TLE sulla cognizione e consapevolezza ^12,27. Tale coinvolgimento secondario del DMN può anche essere causativo per gli effetti clinici di altre patologie che coinvolgono il lobo / sistema limbico temporale come la schizofrenia ²⁵ e il morbo di Alzheimer ^22,26. Precedenti studi hanno dimostrato il coinvolgimento DMN in TLE e altre forme di epilessia durante la crisi, durante scariche epilettiformi interictali, e nello stato interictale ^9,28-33. Questi studi indicano un ruolo potenzialmente importante del DMN nel elettrografica interictale e le caratteristiche comportamentali di ictali TLE. Nell'esperimento corrente, è stato usato fcMRI base seme-analizzare la DMN in TLE nello stato basale per valutare l'effetto di TLE sul DMN. Il modello hub e spoke della DMN postula che i suoi sottosistemi principali sono la parte posteriore(Rsp / PCUN) e anteriore (vmPFC) componenti. Qui, le caratteristiche di connettività di queste due regioni principali sono esaminati singolarmente per valutare come TLE colpisce il loro interconnettività e le sottoreti associate.

L'analisi basata seme-corrente rivela una disconnessione tra i mozzi anteriore e posteriore del DMN. Tale riduzione connettività funzionale è probabilmente correlato ad una riduzione della connettività materia bianca anatomica tra le strutture coinvolte come è stato dimostrato in uno studio che mostra contemporanea riduzione connettività materia funzionale e bianco tra il DMN posteriore e dell'ippocampo in pazienti con TLE ^34. Inoltre, si dimostra generalmente aumentata connettività sinistra TLE dei mozzi anteriori e posteriori del DMN ad altre regioni del cervello e in generale è diminuita la connettività a destra TLE. Ciò è coerente con studi precedenti che mostrano una connettività ridotta a destra TLE e aumenti compensatividella connettività a sinistra TLE ^30,35. In generale, proprio TLE tende a coinvolgere strutture bilaterali, mentre a sinistra TLE prevede la ridistribuzione di attivazione funzionale ^36,37. Ciò è particolarmente importante nel seme anteriore, dove a sinistra TLE ha una maggiore connettività alle aree peri-opercolare, rispetto al diritto di TLE (figure 1G, 1I, e 1J). Questo, combinato con la connettività inferiore del seme posteriore a sinistra TLE rispetto ai controlli (figure 1F e 1K), suggerisce che l'aumento della connettività anteriore a sinistra TLE potrebbe derivare da una disconnessione del seme posteriore o le connessioni tra il posteriore e anteriore semi. L'ippocampo è collegato al DMN anteriore tramite il posteriore DMN ^34.

La tecnica utilizzata in questo studio può essere modificato cambiando la posizione sementi e generando reti del cervello corrispondenti ad altre aree del cervello. Alsoftware di analisi ternativa può essere usato per fare un'analisi simile (per esempio, SPM, AFNI). Analisi di correlazione basati seme sono limitate dal fatto che essi richiedono una ipotesi per quanto riguarda la struttura della rete putativo indagato per una prima determinazione della posizione del seme. Se l'ipotesi di fondo è viziata, i risultati non sarebbero di importazione.

Riposarsi-stato fcMRI ² può fornire una misura della connettività funzionale basato su modulazioni spontanee (cioè t chiedere indipendente) in segnali BOLD. Due metodi comunemente utilizzati per questo scopo sono seme (regione di interesse) in base correlazioni e ICA ^6. Seme base delle correlazioni richiede un'ipotesi riguardante la struttura della rete putativo indagato per una prima determinazione della posizione del seme. Dopo aver scelto la posizione seme ed estraendo il segnale BOLD dei voxel che costituiscono il seme, un'analisi voxel per voxel di tutto il cervelloviene eseguita per identificare altre regioni del cervello con simili modelli di segnale BOLD, e questo chiarisce una rete correlato. Un altro metodo di analisi seme è correlando il segnale tra due o più aree di interesse. Utilizzando tale metodo, la connettività è risultato essere ridotta tra le ippocampo lesionali e la DMN posteriore in TLE ^38. D'altra parte, ICA è basata sui dati senza un'ipotesi preesistente e delinea spazio-temporalmente reti distinte all'interno del cervello stato di riposo. Uno studio di DMN in TLE è stato effettuato anche secondo ICA e determinata, ridotta connettività del DMN anteriore in pazienti con destra e sinistra TLE rispetto ai controlli. Tuttavia, la nostra analisi ROI (seme) basata mostrato la presenza di una rete DMN anteriore in TLE, che in realtà era più estesa in sinistra TLE rispetto ai soggetti di controllo. Questa discrepanza potrebbe essere correlata alla disconnessione proposto anteriore dalla posteriore DMN, dove un netw anteriore separatoork è meno visibile quando si valuta una rete identificata principalmente dalle connessioni posteriori DMN. In accordo con uno studio preliminare, potremmo replicare il coinvolgimento temporale mesiale in TLE ^39.

L'attuale analisi mostra come fcMRI a base di semi-possono essere utilizzati per sondare le reti cerebrali in disturbi cerebrali come TLE. L'identificazione di tali differenze di gruppo aiuta a capire le anomalie funzionali in stati patologici aprono la possibilità di future applicazioni che implementano le analisi che possono essere interpretati al solo livello soggetto ^2.

Una limitazione di questa analisi è l'incapacità di determinare lo stato di veglia / addormentato del soggetto. Il sonno è stata associata con la connettività DMN ridotta della corteccia frontale con sonno profondo ⁴⁰ o con l'anestesia generale ^41. Ulteriori indagini è garantito per esplorare se questi risultati possono essere riprodotti mediante il controllo per lo stato di sonno.

Materials

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