fMRI dynamická funkční konektivita u pacientů s Parkinsonovou chorobou

GAJDOŠ, Martin, Kristína MITTEROVÁ, Martin LAMOŠ and Irena REKTOROVÁ. fMRI dynamická funkční konektivita u pacientů s Parkinsonovou chorobou (fMRI dynamic functional connectivity in patients with Parkinson's disease). In 67. společný sjezd České a Slovenské společnosti pro klinickou neurofyziologii. 2021.

Basic information

• Original name: fMRI dynamická funkční konektivita u pacientů s Parkinsonovou chorobou
• Name (in English): fMRI dynamic functional connectivity in patients with Parkinson's disease
• Authors: GAJDOŠ, Martin (203 Czech Republic, guarantor, belonging to the institution), Kristína MITTEROVÁ (703 Slovakia, belonging to the institution), Martin LAMOŠ (203 Czech Republic, belonging to the institution) and Irena REKTOROVÁ (203 Czech Republic, belonging to the institution).
• Edition: 67. společný sjezd České a Slovenské společnosti pro klinickou neurofyziologii, 2021.

Other information

• Original language: Czech
• Type of outcome: Conference abstract
• Field of Study: 30103 Neurosciences
• Country of publisher: Czech Republic
• Confidentiality degree: is not subject to a state or trade secret
• WWW: URL
• Organization unit: Central European Institute of Technology
• Keywords in English: Dynamic functional connectivity; fMRI; Parkinson disease
• Tags: CF MAFIL, rivok
• Tags: International impact, Reviewed

Abstract

Úvod Dynamická funkční konektivita (DFC) u fMRI zahrnuje soubor metod, které charakterizují časovou dynamiku fluktuací BOLD signálu. DFC umožňuje rozšířit analýzu statické konektivity o nové parametry, které mohou rozšířit naše poznatky o funkci mozku. V tomto příspěvku se věnujeme využití DFC u fMRI dat pacientů s Parkinsonovou chorobou (PD). Metodika Na 3T MRI skeneru Siemens Prisma byly u 31 pacientů s PD. Data byla předzpracována v programovém prostředí MATLAB s toolboxem SPM a bylo použito prostorové zarovnání, korekce akvizičních časů, prostorová normalizace a prostorové rozmazání. Následovala analýza nezávislých komponent (ICA) k identifikaci mozkových sítí. Na časové průběhy ICA komponent bylo aplikováno plovoucí okno a v rámci oken byla počítány Pearsonovy korelační koeficienty. Pomocí k-means clustering bylo identifikováno 5 stavů a následně byla hodnocena jejich dynamika. Stav představuje vzájemné vztahy mezi mozkovými sítěmi, které se vyskytují opakovaně jak v čase tak i mezi subjekty zkoumaného souboru. Pro hodnocení DFC byly použity parametry počet tranzicí, počet výskytů daného stavu a pravděpodobnosti přechodů mezi stavy. Na závěr byly spočítány dvouvýběrové t-testy mezi skupinami HC a PD a DFC parametry byly korelovány s behaviorálními parametry participantů. Naše výsledky jsou pilotní analýzou DFC u zmíněného datového souboru.

Abstract (in English)

Introduction Dynamic functional connectivity (DFC) in fMRI includes a set of methods that characterize the working dynamics of BOLD signal fluctuations. DFC makes it possible to expand the parameters of static connectivity analysis with new ones that can expand our knowledge of brain function. In this paper, we focus on the use of DFC in fMRI with Parkinson's disease (PD). Methodology 31 patients with PD were examined on a 3T Siemens Prisma MRI scanner. The data were preprocessed in the MATLAB program environment with the SPM toolbox, and spatial alignment, acquisition time correction, spatial normalization, and spatial blurring were used. This was followed by independent component analysis (ICA) to identify brain networks. A floating window was applied to the time courses of the ICA component, and Pearson correlation coefficients were calculated within the windows. Using k-means clustering, five states were identified and their dynamics were subsequently evaluated. The state represents mutual relations between brain networks that occur both over time and between the subjects of the studied set. The parameters of the number of transitions, the number of occurrences of a given state, and the probability of transitions between states were added for DFC evaluation. Finally, two-sample t-tests were calculated between the HC and PD groups, and DFC parameters were correlated with participants' behavioral parameters. Our results are a pilot DFC analysis on the mentioned data set.

Links

• NU21J-04-00077, research and development project: Name: Využití dynamických parametrů funkční konektivity mozku jako diagnostického biomarkeru neurodegenerativních nemocí

Investor: Ministry of Health of the CR, Biomarkers of neurodegenerative diseases based on dynamic functional connectivity, Subprogram 2 - junior

• 90129, large research infrastructures: Name: Czech-BioImaging II