Anda di halaman 1dari 19

Jaringan Otak saat Resting-State pada Kasus

Epilepsi Lobus Temporal Mesial


Dengan menggunakan hasil magnetic resonance imaging (fMRI) kami mempelajari
perbedaan dalam jaringan otak yang mengalami keadaan resting-state antara pasien dengan
epilepsi lobus temporalis mesial (MTLE) dan orang sehat. Untuk menghindari hipotesis
priori, kami menggunakan analisis data-driven untuk menilai perbedaan antara kelompok
independen dari kelainan struktur yang terlibat. Kami juga menggunakan analisis komponen
independen tertentu secara spesifik dan bersamaan (SSICA) dimana merupakan metode
eksplorasi berdasarkan analisis komponen independen, yang membandingkan kelompokkelompok jaringan otak. analisis ini Menghasilkan dan mengklasifikasikan komponen
(jaringan) pada kelompok yang sama dan juga pada satu kelompok spesifik tersendiri. Data
fMRI pasien dengan resting-state dikumpulkan dari 10 orang sehat dan 10 pasien MTLE.
SSICA diaplikasikan beberapa kali dengan perubahan inisialisasi dan beberapa kali dengan
komponen khusus. Hal ini mengakibatkan banyak komponen khusus pada pasien dan kontrol.
Pengelompokan spasial mengidentifikasi jaringan yang mengalami resting-state di antara
semua komponen-komponen tertentu dalam masing-masing kelompok. Untuk setiap jaringan
tertentu yang reliabel, analisis power spektrum dilakukan untuk mengembalikan seperti
semula dan untuk memperkirakan hubungan antara setiap kelompok dan juga perbedaan
antara kelompok tersebut. Dua Jaringan yang reliabel, sesuai dengan kelompok yang
signifikan secara statistik terdeteksi dengan pengelompokan yang diberi label MTLE spesifik
dan yang lainnya kelompok kontrol spesifik. Kelompok Jaringan MTLE termasuk
hipokampus dan amigdala bilateral. Jaringan MTLE lainnya termasuk gyrus postsentralis dan
lobus temporal. Kelompok Jaringan kontrol termasuk precuneus bilateral, cingulate anterior,
thalamus, dan gyrus parahippocampal. Hasil penelitian menunjukkan bahwa dua jaringan
MTLE menunjukkan peningkatan konektivitas jaringan pada pasien, sedangkan pada
kelompok kontrol menunjukkan konektivitas jaringan menurun pada pasien. Hasil penemuan
kami melengkapi hasil dari analisis konektivitas dengan seed-based (1). Pola perubahan
konektivitas antara struktur lobus temporal mesial dan daerah lain dapat membantu kita
memahami gangguan kognitif yang sering dilaporkan pada pasien dengan MTLE.
Keyword : Epilepsi Lobus Temporal, Analisis Komponen Independen, Resting-state fMRI,
Jaringan Otak, Konektivitas Fungsional.

PENDAHULUAN
Epilepsi lobus temporal mesial (MTLE) adalah bentuk umum epilepsi fokal pada
manusia, dengan adanya kelainan pada hippocampal sclerosis yang menjadi penyebab pada
umumnya (2). Meskipun kejang yang terjadi pada pasien MTLE sangat melibatkan lobus
temporal, sekarang jelas bahwa adanya keterlibatan gangguan fungsi struktur anatomi yang
luas (3). Selain itu, tampak bahwa kelainan struktural dan metabolik pada populasi ini timbul
tidak terbatas pada adanya periode kejang namun mungkin juga dipengaruhi pada saat
periode dimana tidak ditemukannya kejang. yaitu, periode resting-state.
Sebuah metode penelitian untuk menyelidiki bagaimana perbedaan jaringan otak yang
berinteraksi

satu

sama

lain

untuk

mengukur

fungsi

intrinsik

dari

otak pada saat resting-state dengan menggunakan pencitraan resonansi magnetik


(fMRI). Karena pada penelitian ini subjek penelitian tidak perlu melakukan suatu tugas
tertentu, hal ini menarik untuk dijadikan sebuah uji klinis. Pada kasus MTLE,
beberapa penelitian telah melaporkan perubahan konektivitas fungsional dari lobus temporal
atau

mesial

dengan

daerah

otak

lainnya

(1,4-6),

dan

melaporkan gangguan jaringan otak saat resting-state termasuk adanya persepsi tersebut,
perhatian, dan mode standar (DMN) (1,7-10). Penelitian ini menggabungkan fMRI
konektivitas
tensor
pada

fungsional

imaging
pasien

(7,11)

MTLE

pasien

dengan

menunjukkan
dipengaruhi

bahwa

oleh

resting-state
perubahan

penurunan

dan

diffusion

konektivitas

volume

gray

fungsional
matter

dan

white matter di lobus temporal.


Analisis komponen independen (ICA) adalah metode yang populer dilakukan
untuk menganalisis data fMRI pasien resting-state karena memberikan gambaran perubahan
dari

jaringan

menjadi

komponen

dihubungkan
ICA

adalah

kesimpulan
beberapa
Pendekatan

otak,
spasial

dengan
sifatnya
tentang

pendekatan
ini

dengan

statistik

yang

independen,

time-course(12).
yang

kelompok
lain
berbeda

tidak

menyeluruh

subjek.
untuk
dalam

menguraikan

hanya
dengan

mengatasinya
hal

masing-masing

Keterbatasan

Meskipun

data

telah

komponen

utama

untuk
adanya

menggambarkan
masalah

diusulkan

pengelompokan

dari

data

ini,

(13,14).
pada

analisis ICA, jenis output yang tersedia, dan cara pendekatan statistik. Namun, tetap saja ada
kesulitan mengenai sebagian besar pendekatan dari kelompok ICA, seperti yang telah

disebutkan oleh Vah dkk (15), yang menyebabkan keraguan dalam pengelompokan dan
pendeteksian komponen sesuai dengan tingkatan kelompok tersebut.
Kami baru-baru ini mengusulkan metode berbasis ICA baru untuk mengatasi
keterbatasan pendekatan ICA saat ini dalam situasi perbandingan banyak kelompok / banyak
kondisi (15). Metode, yang disebut " shared and specific independent component analysis"
atau "SSICA," melakukan perbandingan sistematis antara jaringan kelompok. Ekstrak dan
mengklasifikasikan komponen (jaringan) ke dalam dua kategori: mereka yang umum untuk
kelompok dan orang-orang yang khusus untuk salah satu kelompok. Hal ini dilakukan dengan
menambahkan kendala ke FastICA (16) algoritma untuk secara bersamaan menangani data
beberapa kelompok dalam satu estimasi ICA.
Di sini kita belajar, menggunakan fMRI, perbedaan kelompok tertentu dalam jaringan
resting-state antara pasien dengan MTLE unilateral dan subjek kontrol yang sehat. Untuk
tujuan ini, kita menggunakan SSICA, karena tidak memerlukan priori hipotesis, dan karena
itu, dapat menilai perbedaan antara kelompok independen dari struktur yang terlibat. Selain
itu, kami tertarik untuk mencari jaringan resting-state yang paling reliabel di antara semua
komponen yang diekstraks secara spesifik, dan juga dalam memperkirakan konektivitas
fungsional dalam setiap kelompok dan mengeksplorasi perubahan di seluruh kelompok.
BAHAN DAN METODE
Subjek
Sepuluh pasien dengan MTLE unilateral (umur 29 11 tahun, 3 laki-laki, 7 MTLE
kanan) dipilih dari dataset kami EEG-fMRI pasien dipindai pada 3-T. Pasien-pasien ini
adalah bagian yang datanya fMRI memenuhi kriteria untuk pemilihan pasien, seperti yang
dijelaskan di bawah ini. Semua pasien minum obat pada saat penelitian dan mereka tidak
menghentikannya untuk tujuan pemindaian. Studi ini disetujui oleh etika penelitian dewan
Montreal Neurological Institute dan Rumah Sakit dan Partisipan dalam penelitian setelah
memberikan persetujuan tertulis. Kriteria inklusi pasien 'adalah: (a) memiliki mesial temporal
epilepsi yang sesuai dengan informasi klinis (riwayat kejang demam, jenis kejang, EEG dan
temuan MRI), (b) tidak ada lesi struktural atau pascaoperasi besar untuk memastikan yang
koregistrasi akurat dengan rata-rata ruang standar, (c) memiliki setidaknya dua fMRI berjalan
tanpa interictal epileptical discharges (IEDs) dibuktikan dengan rekaman EEG simultan, (d)
terjaga dibuktikan dengan rekaman EEG berjalan selama ini, dan (e) gerak dari <1 mm yang
ditentukan oleh penataan kembali dari pra proses (lihat "fMRI Preprocessing," langkah
3

preprocessing 5). Tabel 1 memberikan karakteristik demografi dan klinis pasien. Sepuluh
kontrol yang sehat (umur 32 9 tahun, 5 laki-laki) yang dipindai menggunakan protokol
fMRI yang sama, memenuhi kriteria inklusi (d) dan (e). Tidak ada perbedaan yang signifikan
antara distribusi usia kedua kelompok (uji tanda, p> 0,05). Subjek diminta untuk menjaga
mata mereka, ditutup selama pemindaian dan diperintahkan untuk menahan diri dari pikiran
terstruktur dan jatuh tertidur.

MTLE, mesial temporal lobe epilepsy; R, right; L, left; T, temporal; M, male; F, female; HA,
hippocampal atrophy per MRI; HS, hippocampal hyperintensity per MRI; DNET, dysembryoplastic
neuroepithelial tumor; VPA, valproate; CLB, clobazam; LEV, levetiracetam; CBZ, carbamazepine;
LTG, lamotrigine; GBP, gabapentin; TPM, topiramate, OXC, oxcarbazepine, PB, phenobarbital; LOC,
loss of consciousness; GTCS, generalized tonic clonic seizures

Akuisisi EEG
EEG akuisisi dilakukan dengan menggunakan 25 MR elektroda yang kompatibel
(Ag/AgCl) ditempatkan pada kulit kepala menggunakan 10-20 (21 elektroda biasa tanpa FPZ
dan Oz, referensi pada FCz) dan 10-10 (F9, T9, P9, F10, T10, dan P10) sistem penempatan
elektroda, seperti yang dijelaskan di tempat lain (17). Dua elektroda yang terletak di bagian
belakang mencatat elektrokardiogram (EKG). Untuk meminimalkan artefak gerakan dan
4

untuk kenyamanan pasien, kepala diamobilisasi menggunakan bantal diisi dengan mikrosfer
busa (Siemens,Jerman). Data ditransmisikan dari amplifier BrainAmp (Brain Produk,
Munich, Jerman, 5 kHz sampling rate) melalui kabel serat optik ke komputer pemantauan
EEG terletak di luar ruang scanner.
Akuisisi fMRI
Gambar fungsional yang terus diperoleh dengan menggunakan 3-T MR scanner
(Siemens Trio, Jerman). Sebuah akuisisi anatomi T1-weighted pertama kali dilakukan (1 mm
ketebalan irisan, 256 256 matriks, TE = 9.2 ms, TR = 22 ms, dan sudut 30). Empat sampai
tujuh fMRI berjalan, setiap program 200 volume, diperoleh untuk setiap pasien dan 2-4
berjalan untuk setiap kontrol yang sehat. Pasien TLE dipilih untuk penelitian ini memiliki
setidaknya dua berjalan tanpa pelepasan epilepsi terlihat pada EEG. Dalam rangka untuk
memiliki jumlah yang sama berjalan untuk semua subjek, hanya dua berjalan untuk setiap
subjek pasien dan kontrol dipilih. Untuk pasien, data fMRI dikumpulkan dengan dua protocol
EPI akuisisi: (I) 5 scan dilakukan sebelum Juli 2008: dimensi voxel 5 mm x 5 mm x 5 mm,
25 iris, 64 64 matriks, TE = 30 ms, TR = 1750 ms , dan sudut 90, (II) 5 scan setelah Juli
2008: dimensi voxel 3,7 mm x 3,7 mm x 3,7 mm, 33 iris, 64 64 matriks, TE = 25 ms, TR =
1900 ms, dan sudut flip 70. Semua kontrol sehat dipindai dengan protokol (II).
Pengolahan EEG
Software analisis visi otak (Brain Produk, Munich, Jerman) digunakan untuk koreksi
off-line dari artefak gradien dan penyaringan dari sinyal EEG. Perangkat lunak ini
menggunakan metode yang dijelaskan oleh Allen dan rekan (18). 50-Hz low-pass filter juga
diterapkan untuk menghapus sisa frekuensi artefak yang tinggi. Ballistocardiogram (BCG)
artefak telah dihapus oleh ICA (19,20). Seorang ahli saraf memberikan ulasan rekaman EEG
dan memastikan bahwa pemeriksaan pada pasien yang dipilih bebas dari pelepasan epilepsi
dan bahwa pasien dan kontrol yang terjaga selama pemeriksaan.
fMRI Preprocessing
Preprocessing biasa dilakukan dengan menggunakan perangkat lunak perpustakaan
FMRIB (FSL),www.fmrib.ox.ac.uk , Oxford, Inggris, FSL versi 4.1 (21, 22). Langkahlangkah preprocessing yang diterapkan: (1)membalik data pasien untuk membuat kelompok
MTLE kiri homogen (10 kasus) dan meningkatkan ukuran sampel, (2)penghapusan dua jilid
5

pertama dari masing-masing scan untuk memungkinkan keseimbangan magnetisasi, (3)waktu


koreksi slice menggunakan Fourier-space time-series fase-shifting, (4)pengangkatan jaringan
non-brain (23), (5)koreksi gerakan menggunakan transformasi enam parameter linear
menggunakan memaksimalkan rasio korelasi (default pengaturan FSL) (24), (6)normalisasi
intensitas semua volume masing-masing berjalan seperti yang diterapkan dalam FSL (7)
spasial smoothing menggunakan kernel Gaussian dengan 6 mm full width at half maximum
(FWHM), dan (8) penyaringan high-pass temporal dengan memotong frekuensi 0,01
Hz. Untuk mencapai transformasi antara data fungsional dengan resolusi rendah dan rata-rata
ruang standar [MNI152: rata-rata gambar otak T1 dibangun dari 152 subyek normal (25)],
kami melakukan dua transformasi. Yang pertama adalah dari resolusi rendah EPI gambar ke
gambar struktur T1-weighted (menggunakan 7 derajat transformasi freedom affine), dan yang
kedua adalah dari gambar struktur T1-weighted dengan rata-rata ruang standar (menggunakan
12 derajat kebebasan linear transformasi affine, voxel size = 2 mm x 2 mm x 2 mm). Data
kemudian sub-sampel 4 mm ruang isotropik untuk membatasi beban komputasi.
Metode SSICA
Bersama dan komponen analisis spesifik yang independen mempekerjakan reduksi
data dalam tiga langkah dan prosedur pemutihan sebelum analisis ICA simultan dan jaringanklasifikasi (lihat Bahan Tambahan; Gambar 1 untuk rincian). Di sini, ukuran data masingmasing subjek preprocessed berkurang dari 2 198-50 time-poin dengan melakukan analisis
komponen utama (PCA). Kami memilih 50 time-poin sejak itu menjelaskan setidaknya 90%
dari variabilitas data dalam dataset setiap subjek. Secara total 30 komponen (bersama dan
spesifik) diekstraksi pada kedua kelompok. Hal ini dilakukan pada data agregat reduksi dari
kedua kelompok, dimana ukuran data bersambung masing-masing kelompok berkurang dari
(10 50) ke (30- K 2) untuk kelompok 1 dan (30- K 1) untuk kelompok2; dimana K 1
dan K 2 adalah jumlah maksimum komponen tertentu dalam kelompok 1 dan kelompok2. Untuk menguji stabilitas dari hasil kami sehubungan dengan jumlah komponen diekstraksi,
kami melakukan analisis tambahan dengan mengekstraksi 40 dan 50 komponen di tingkat
kelompok.
Bersama dan analisis komponen independen spesifik diterapkan beberapa kali dengan
nomor yang berbeda dari komponen spesifik diekstraksi. Kami memilih untuk mengambil
hingga tiga komponen spesifik per kelompok [K 1 dan K 2 = (0, 1, 2, dan 3)], karena
memungkinkan komponen yang lebih spesifik hanya menghasilkan pengulangan atau
6

kombinasi komponen spesifik yang sudah diekstrak (yaitu, itu tidak memperkenalkan
komponen baru). Oleh karena itu, kami menganggap empat nilai yang mungkin untuk jumlah
komponen tertentu, dan untuk setiap menjalankan SSICA, kami ditugaskan salah satu dari
nilai-nilai untuk jumlah komponen tertentu diekstrak dalam setiap kelompok (misalnya, 0
untuk kelompok 1 dan 1 untuk kelompok -2, 0 untuk kelompok 1 dan 2 untuk kelompok-2, 0
untuk kelompok 1 dan 3 untuk kelompok-2, dan seterusnya). Akibatnya, jumlah
kemungkinan kombinasi dengan pengulangan adalah 44, sama dengan 16. Tidak termasuk
kondisi di mana 0 jaringan tertentu yang diambil pada kedua kelompok, kita berakhir dengan
15 kasus. Kami mengulangi seluruh prosedur lima kali untuk memperhitungkan pengaruh
inisialisasi ICA, yang memperkenalkan perilaku stokastik algoritma ICA dan dapat
memainkan peran penting dalam ketidakstabilan algoritmik (26). Jadi total estimasi 155 =
75 SSICA dianggap untuk analisa lebih lanjut. Jumlah komponen tertentu diekstraksi untuk
pasien dengan MTLE adalah 118, sedangkan untuk kontrol 39 komponen tertentu
diekstraksi. Perlu dicatat bahwa output dari SSICA adalah spasial Z -score.

Analisis Clustering spasial


Isu penting yang tersisa adalah untuk menemukan komponen spesifik yang paling
reliabel di antara semua komponen spesifik dalam setiap kelompok. Untuk melakukannya,
analisis berikut berdasarkan metode cluster yang diusulkan oleh Hyvarinen dan Ramkumar
(27). Dalam metode mereka, model hipotesis nol di mana kasus komponen untuk berbagai
subjek/sesi yang tidak memiliki kesamaan sama sekali, selain dari apa yang diharapkan
secara kebetulan (keacakan). Mereka memperkenalkan distribusi null, yang mewujudkan dua
8

sumber keacakan tersebut (skenario I. kegagalan lengkap algoritma ICA dan skenario II.
Komponen yang mendasari sama sekali berbeda untuk setiap subjek). Untuk membangun
distribusi null, daripada menggunakan model eksplisit dari distribusi multivariat, mereka
mengusulkan sebuah model di mana parameter dapat langsung diperkirakan dari data yang
diamati. Menggunakan p-values dihitung untuk kesamaan antara set komponen, mereka
mengusulkan prosedur pengelompokan hirarki, di mana median digunakan sebagai strategi
linkage dan menentukan jarak berpasangan antar komponen. Mengoreksi beberapa pengujian,
metode cluster ini mengontrol tingkat positif palsu (FPR) untuk pembentukan cluster, dan
tingkat penemuan palsu (FDR) untuk menambahkan elemen baru untuk cluster.
Seperti yang diterapkan dalam paket pengelompokan ISCTEST, untuk masing-masing
kelompok, masukan kami dengan algoritma cluster adalah tensor tiga dimensi yang
mengandung matriks k 2-D (k adalah jumlah total komponen spesifik terambil dalam
kelompok itu), di mana setiap matriks 2-D adalah peta spasial komponen spesifik
terambil. Kami mengatur FPR dan FDR dengan nilai konservatif 10% seperti yang
direkomendasikan oleh Hyvarinen dan Ramkumar (27) dalam konteks nyata fMRI. Output
dari analisis adalah beberapa kelompok komponen spesifik, yang memiliki persamaan
tertinggi dalam cluster dan kesamaan terendah antara-cluster (korelasi spasial simple
digunakan sebagai kesamaan metrik). Kemudian, semua komponen dalam setiap cluster yang
rata-rata untuk mendapatkan representasi cluster itu. Hasilnya kemudian overlay pada standar
MNI152 pada resolusi 1 mm untuk tujuan visualisasi. Z -maps pengambangan (Z> 2,3) diberi
label sesuai dengan kortikal Harvard-Oxford dan subkortikal (28), dan atlas histologis Juelich
(29 ).
Estimasi Konektivitas Fungsional
Dalam hal ini bagian dari analisis, kami tertarik untuk memperkirakan konektivitas
fungsional masing-masing jaringan resting-state yang reliabel dan membandingkannya antar
kelompok. Di sini, kita mendefinisikan konektivitas fungsional dari jaringan berbasis pada
kekuatan sesuai waktu-nya saja pada pita frekuensi resting-state sinyal BOLD (0,01-0,1 Hz).
Untuk setiap jaringan spesifik yang reliabel dan setiap subjek (pasien atau kontrol), kami
menggunakan data subjek fMRI dan peta jaringan spasial dalam model linier umum (GLM)
untuk menemukan hubungan time-course terkait per jaringan dan subjek. Kami kemudian
menggunakan analisis spektrum daya (dengan standar Hamming Window seperti yang
diterapkan di MATLAB) untuk menilai kekuatan ini diperkirakan time-course dalam pita
9

frekuensi 0,01-0,1 Hz. Untuk setiap kelompok dan masing-masing jaringan spesifik yang
reliabel, kekuatan rata-rata di seluruh subjek dalam kelompok itu untuk menghitung
konektivitas jaringan fungsional.
.
Hasil
Setelah algoritma cluster yang dijelaskan di atas, dua cluster spesifik dari komponen
yang terdeteksi untuk kelompok MTLE dan satu spesifik untuk kelompok kontrol. Kelompok
ini masing-masing termasuk 111, 6, dan 23 komponen tertentu (total ada 118 komponen
tertentu dalam MTLE dan 39 pada kelompok kontrol). Pengaturan FPR dan FDR ambang
analisis pengelompokan di 10%, 1 komponen pada pasien dan 16 di kontrol tidak dimasukkan
ke dalam setiap cluster yang signifikan. Tiga jaringan tertentu yang reliabel, sesuai dengan
tiga kelompok tersebut, diilustrasikan pada Gambar 2 A-C. Seperti dijelaskan sebelumnya,
semua komponen dalam setiap cluster yang rata-rata untuk mendapatkan representasi cluster
(jaringan spesifik yang reliabel).
Hasil kami pada Gambar 2 A menunjukkan bahwa jaringan MTLE spesifik yang
reliabel terdiri dari hippocampi bilateral, amygdalae, dan girus temporal inferior (lebih di
fokus sisi). Jaringan MTLE spesifik reliabel lainnya terdiri dari girus postsentralis dan lobus
temporal bilateral, dengan keterlibatan lebih pada sisi yang sehat (Gambar 2 B). Hasil pada
Gambar 2 C menunjukkan bahwa jaringan kontrol tertentu yang reliabel, yang terdiri
precuneus, cingulate anterior, thalamus, batang otak, dan girus parahippocampal. Untuk
kasus-kasus di mana 40 atau 50 komponen diekstraksi pada tingkat kelompok, kami
menemukan hasil yang sangat mirip seperti ketika 30 komponen diekstraksi.
Hasil analisis daya spektrum pada dinamika temporal jaringan state-resting terdeteksi
menunjukkan bahwa dua jaringan MTLE spesifik menunjukkan peningkatan konektivitas
fungsional pada pasien dibandingkan dengan kontrol (Gambar 3 A,B), sedangkan jaringan
kontrol spesifik menunjukkan jaringan penurunan konektivitas fungsional pada pasien
(Gambar 3 C). Hal ini menjelaskan mengapa kami memilih untuk menggambarkan jaringanMTLE

spesifik

(gambar 2 A,B)

dengan

warna

merah

dan

jaringan

kontrol

spesifik(Gambar 2 C) dengan warna biru.

10

11

Diskusi
Kami menggunakan analisis berbasis ICA untuk mempelajari aktivitas otak saat
istirahat pada pasien dengan MTLE dan menyelidiki jaringan resting-state khusus untuk
mereka bila dibandingkan dengan kontrol yang sehat. Setelah kerangka yang diusulkan di
SSICA, kita asumsikan bahwa jaringan khusus adalah mereka yang berbeda ketika
membandingkan kedua kelompok; salah satu jaringan yang normal diidentifikasi dalam
kontrol, yang kurang atau lebih hadir pada pasien, atau jaringan patologis yang hanya ada
pada pasien. SSICA sebagai masukan jumlah jaringan khusus untuk setiap kelompok, tetapi
nilai sebenarnya dari angka ini tidak diketahui priori. Oleh karena itu kami ke SSICA
beberapa kali, dengan jumlah maksimum yang berbeda dari komponen tertentu, menyediakan
kami dengan sejumlah besar komponen khusus untuk pasien dan kontrol (kami juga ke
SSICA dengan beberapa inisialisasi untuk meningkatkan kinerja statistik dan mengurangi
kepekaan terhadap kondisi awal ). Analisis pengelompokan berikutnya pada komponen
tertentu diperkirakan dalam setiap kelompok menghasilkan deteksi dua jaringan resting-state
yang spesifik khusus untuk kelompok MTLE dan satu khusus untuk kelompok kontrol. Untuk
mengeksplorasi perubahan konektivitas fungsional di seluruh kelompok, analisis spektrum
daya dilakukan. Analisis ini menunjukkan bahwa dua jaringan MTLE-spesifik yang dapat
diandalkan menunjukkan peningkatan konektivitas fungsional pada kelompok MTLE
dibandingkan dengan kelompok kontrol yang sehat, sedangkan jaringan satu kontrol spesifik
menunjukkan sebaliknya.
Dalam seed-based fungsional penelitian sebelumnya oleh kelompok kami, Pittau et
al. ( 1 ) menunjukkan bahwa amigdala dan hippocampus terpengaruh dan pada tingkat lebih
rendah, di sisi yang sehat secara fungsional kurang terhubung dengan struktur homolog
kontralateral. Hasil kami menunjukkan bahwa jaringan MTLE-spesifik yang paling dapat
diandalkan termasuk hipokampus dan amigdala bilateral, lebih pada sisi fokus dan terdiri
daerah di mana konektivitas fungsional, diukur melalui kekuatan jaringan, lebih tinggi pada
pasien dibandingkan kontrol.
Meskipun pada pertama kali hasil ini mungkin tampak bertentangan dengan temuan
penelitian Pittau, kami percaya bahwa perbedaan ini berasal dari strategi yang berbeda untuk
estimasi konektivitas fungsional. Perbedaannya dapat dijelaskan sebagai berikut: satu
mungkin menganggap bahwa sebagai akibat dari perubahan epilepsi sporadis, sinyal BOLD
diambil dari area affected, khususnya hipokampus dan amigdala, menunjukkan variabilitas
yang lebih dibandingkan dengan sinyal dari daerah yang sama pada kontrol yang
12

sehat. Karena dalam konteks SSICA konektivitas fungsional dari jaringan resting-state yang
ditentukan berdasarkan kekuatan tentu saja dengan waktu yang sesuai, variabilitas ekstra ini
dalam sinyal BOLD dengan kelompok MTLE dapat mengakibatkan ekstraksi sebagai sinyal
tertentu. Namun, sebagai akibat dari variabilitas yang sama, korelasi antara sinyal BOLD
didapat dari yang terkena dampak dan hipokampus yang sehat dan amygdala dapat dikurangi
dan karena itu, penurunan konektivitas fungsional akan terdeteksi menggunakan analisis
berbasis benih.
Bettus et al. juga melaporkan informasi yang saling melengkapi namun tidak
konsisten pada konektivitas fungsional dalam TLE diukur dengan sinyal BOLD dan dengan
EEG intraserebral (IEEG). Dalam studi mereka, menggunakan kedua modalitas, konektivitas
fungsional diperkirakan selama periode interiktal pada epilepsi dan di daerah nonaffected. Konektivitas fungsional diukur dari sinyal iEEG dilaporkan lebih tinggi di daerahdaerah yang terkena dampak dibandingkan dengan beberapa daerah non-affected, sedangkan
pola yang berlawanan ditemukan untuk konektivitas fungsional diukur dari sinyal BOLD
(4). Menggunakan daerah homogenitas (reho) sebagai indeks aktivitas yang sedang
berlangsung, Zeng et al. juga melaporkan peningkatan aktivitas otak, pada pasien MTLE
relatif terhadap kontrol, di beberapa daerah termasuk gyrus parahippocampal ipsilateral (30).
Temuan kami yang lain adalah bahwa hal kedua yang paling relliabel adalah jaringan
MTLE spesifik menunjukkan peningkatan konektivitas fungsional pada pasien dibandingkan
dengan kontrol antara girus postsentralis dan lobus

temporal bilateral. Seperti juga

disarankan oleh Maccotta et al. (31), kami percaya bahwa sebagai akibat dari kejang
berulang, degenerasi struktural dan penurunan koneksi densitas, atau kombinasi keduanya,
beberapa koneksi saraf dapat difasilitasi, yang pada gilirannya menyebabkan peningkatan
konektivitas fungsional dalam jaringan MTLE tertentu. Dalam hal ini, Holmes et al
menyelidiki konsentrasi gray matter di TLE kiri di tingkat voxel dan menemukan penurunan
pasien dalam jaringan terdiri dari hippocampus kiri dan gyrus postsentralis kiri (32).Dalam
sebuah studi MRI kuantitatif, Coste et al. (33) menunjukkan bahwa pada refraktori TLE,
lobus temporal sering atrofi ipsilateral dengan onset kejang. Labate et al. (34), dengan
menggunakan ketebalan korteks untuk penilaian perubahan neuropathologic, menunjukkan
atrofi neokorteks progresif pada pasien MTLE, yang merupakan kemungkinan kerusakan
yang disebabkan serangan kejang. Keterlibatan daerah neokorteks, seperti korteks
sensorimotor, dalam patofisiologi TLE juga telah dilaporkan oleh penulis lain (35,36).

13

Akhirnya, kami menemukan bahwa kontrol khusus jaringan yang reliabel, terdiri dari
precuneus, anterior cingulate, thalamus, batang otak, dan girus parahippocampal,
menunjukkan penurunan konektivitas fungsional pada pasien dibandingkan dengan
kontrol. Kita menemukan hasil ini konsisten dan melengkapi temuan Pittau et al. (1), yang
menunjukkan bahwa pada pasien MTLE dibandingkan dengan kontrol, amigdala dan
hippocampus pada affected dan pada tingkat lebih rendah di sisi kontralateral secara
fungsional kurang terhubung dengan jaringan mesolimbic dopaminergik dan DMN. Kami
percaya bahwa dalam MTLE, jumlah korelasi antara sinyal BOLD dihubungkan dari sisi di
daerah affected dan daerah kontrol akan berkurang karena daerah yang jauh tidak selalu
menunjukkan perubahan BOLD terkait dengan serangan epilepsi. Selain itu, sebagai sinyal
BOLD diambil dari struktur daerah luar yang terkena dampak di TLE tidak selalu memiliki
lebih banyak variasi pada pasien dibandingkan dengan kontrol, kontrol jaringan spesifik
menunjukkan daya yang lebih kecil pada pasien dibandingkan dengan kontrol. Dalam
penelitian terbaru oleh McCormick et al. (37), pasien dengan MTLE menunjukkan penurunan
konektivitas fungsional resting-state dari korteks cingulate posterior ke hipokampus
epileptogenik. Zeng et al. (30) juga melaporkan penurunan reho di DMN, termasuk
precuneus dan girus posterior cingulate, bilateral inferior lateral parietal dan mesial korteks
prefrontal mesial. Selain itu, Liao et al. (7) menunjukkan bahwa pada pasien MTLE
dibandingkan dengan kontrol, konektivitas fungsional dan struktural lobus temporal mesial
bilateral secara signifikan menurun dengan korteks cingulate posterior dan dengan precuneus
dan menyarankan bahwa di MTLE, kepadatan koneksi menurun di beberapa daerah di DMN
yang mungkin bertanggung jawab untuk penurunan konektivitas fungsional dalam jaringan
ini.
Penting untuk dicatat bahwa hubungan kausal tidak dapat disimpulkan dari analisis
saat ini dan hasil kami hanya mencerminkan keadaan otak pasien dengan MTLE, yang
mungkin berhubungan dengan kelainan struktural, epilepsi lama, atau obat-obatan, kombinasi
dari semua, atau penyebab umum untuk jenis epilepsi. Fakta bahwa pasien yang mendapatkan
pengobatan yang berbeda dapat dianggap sebagai faktor pengganggu antara pasien dan
kontrol dalam analisis kami. Sayangnya, hampir tidak mungkin untuk memisahkan efek
jangka panjang dari obat-obatan dari efek penyakit ketika mempelajari pasien epilepsi dengan
durasi yang panjang karena sebagian besar pasien mengambil kombinasi obat yang berbeda
sejak awal penyakit mereka.

14

Mengingat jumlah pasien, penelitian ini tidak memungkinkan kita untuk mengetahui
hubungan antara konektivitas fungsional dari dua terdeteksi reliable selama MTLE spesfik
jaringan resting-state dan durasi epilepsi. Namun, itu akan menjadi menarik untuk studi di
masa depan untuk menyelidiki jaringan-jaringan yang menunjukkan perubahan besar dalam
konektivitas fungsional pada pasien dengan sejarah yang lebih panjang dari penyakit. Selain
itu, mengingat sejumlah kecil subjek dalam setiap kelompok pasien MTLE, kita tidak bisa
mempelajari dua kelompok terpisah dan oleh karena itu tidak dapat menyelidiki apakah ada
mekanisme yang berbeda yang mendasari MTLE kiri dan kanan.
Kami ingin menekankan kembali bahwa meskipun SSICA dan konektivitas
fungsional seed-based mengukur analisis aspek yang berbeda sisi berbasis organisasi
aktivitas otak dan kadang-kadang memberikan hasil yang tidak konsisten rupanya, mereka
dapat melengkapi satu sama lain dan memberikan informasi lebih lanjut tentang proses yang
mendasari perubahan konektivitas fungsional.
Pengakuan
Kami menggunakan hibah MOP-38079 dari Institut Penelitian Kesehatan Kanada.

Bahan Tambahan
Bahan

Tambahan

untuk

artikel

ini

dapat

ditemukan

secara

online

dihttp://www.frontiersin.org/Journal/10.3389/fneur.2014.00127/abstract
Refrensi
1. Pittau F, GrovaC, MoellerF, DubeauF, GotmanJ. Patterns of altered functional
connectivity in mesial temporal lobe epilepsy. Epilepsia (2012) 53:101323.
doi:10.1111/j.1528-1167.2012.03464.x
2. EngelJ.Mesialtemporallobeepilepsy:whathavewelearned? Neuroscientist (2001) 7:340
52.doi:10.1177/107385840100700410
3. BellB, LinJJ, SeidenbergM, HermannB. The neurobiology of cognitive disorders
intemporal lobe epilepsy. NatRevNeurol (2011) 7:15464.doi:10.1038/ nrneurol.2011.3

15

4. BettusG, RanjevaJP, WendlingF, BnarCG, Confort-GounyS, RgisJ, etal. Interictal


functional connectivity of human epileptic networks assessed by intracerebral EEG and
BOLD signalfluctuations. PLoSOne (2011) 6:e20071. doi:10.1371/journal.pone.0020071
5. PereiraFR, AlessioA, SercheliMS, PedroT, BileviciusE, RondinaJM,etal. Asymmetrical
hippocampal connectivity in mesial temporal lobe epilepsy: evidence from resting state
fMRI. BMC Neurosci (2010) 11:66.doi:10.1186/1471- 2202-11-66
6. WaitesAB, BriellmannRS, SalingMM, AbbottDF, JacksonGD. Functional connectivity
networks are disrupted in left temporal lobe epilepsy. AnnNeurol (2006) 59:335
43.doi:10.1002/ana.20733
7. LiaoW, ZhangZ, PanZ, MantiniD, DingJ, DuanX, etal. Default moden et work
abnormalities in mesial temporal lobe epilepsy: a study combining fMRI and DTI.
HumBrainMapp (2011) 32:88395.doi:10.1002/hbm.21076
8. Zhang

Z,

LuG,

ZhongY,

TanQ,

LiaoW,

ChenZ,

etal.Impairedperceptual

networksintemporallobeepilepsyrevealedbyrestingfMRI. J Neurol (2009) 256:1705


13.doi:10.1007/s00415-009-5187-2
9. Zhang

Z,LuG,ZhongY,TanQ,YangZ,LiaoW,etal.Impairedattentionnetwork

temporallobeepilepsy:arestingfMRIstudy.NeurosciLett

(2009)

in

458:97101.

doi:10.1016/j.neulet.2009.04.040
10. Zhang

Z,

LuG,ZhongY,

TanQ,

LiaoW,

WangZ,etal.

Altereds

neuronalactivityofthedefault-modenetworkinmesialtemporallobeepilepsy.

pontaneous
BrainRes

(2010) 1323:15260.doi:10.1016/j.brainres.2010.01.042
11.

VoetsNL,

BeckmannCF,

ColeDM,

HongS,

BernasconiA,

turalsubstratesforrestingnetworkdisruptionintemporallobeepilepsy.

BernasconiN.StrucBrain

(2012)

135:23507.doi:10.1093/brain/aws137
12. ComonP. Independent component analysis,anewconcept? SignalProcess (1994) 36:287
314.doi:10.1016/0165-1684(94)90029-9
13. BeckmannCF,SmithSM.Tensorial

extension

analysisformultisubjectfMRIanalysis.

so

Neuroimage

findependent
(2005)

component

25:294311.doi:

10.1016/j.neuroimage.2004.10.043
14. CalhounVD,

AdaliT,

PearlsonGD,

PekarJJ.Amethodformakinggroupinfer-

encesfromfunctionalMRIdatausing independent componentanalysis. Hum BrainMapp


(2001) 14:14051.doi:10.1002/hbm.1048

16

15. VahdatS, ManeshiM, GrovaC, GotmanJ, MilnerTE. Shared and specific independent
components analysis for between-group comparison. NeuralComput (2012) 24:3052
90.doi:10.1162/NECO_a_00355
16. HyvarinenA. Fast and robust fixed-point algorithms for independentcompo- nentanalysis.
IEEE TransNeuralNetw (1999) 10:62634.doi:10.1109/72.761722
17. MoellerF,TyvaertL,NguyenD,LeVanP,

BouthillierA,

addingtostandardevaluationsofpatientswithnonlesional

KobayashiE,etal.

EEG-fMRI:

frontallobeepilepsy.

Neurology

(2009) 73(23):202330. doi:10.1212/WNL. 0b013e3181c55d17


18. AllenPJ,

JosephsO,

TurnerR.

Amethodforremovingimagingartifactfrom

continuousEEGrecordedduringfunctionalMRI.Neuroimage

(2000)

12:2309.

doi:10.1006/nimg.2000.0599
19. Bnar

C,AghakhaniY,

WangY,

IzenbergA,

Al-AsmiA,

DubeauF,etal.Qual-

ityofEEGinsimultaneousEEG-fMRIforepilepsy. Clin Neurophysiol (2003) 114:569


80.doi:10.1016/S1388-2457(02)00383-8
20. SrivastavaG, Crottaz-HerbetteS, LauKM, GloverGH,MenonV.ICA-based procedures for
removing

ballistocardiogramartifactsfromEEGdataacquired

in

theMRIscanner.

Neuroimage (2005) 24:5060.doi:10.1016/j.neuroimage. 2004.09.041


21. SmithSM,

JenkinsonM,

WoolrichMW,

BeckmannCF,BehrensTE,Johansen-

BergH,etal.AdvancesinfunctionalandstructuralMRimageanalysisand
implementationasFSL.

Neuroimage

(2004)

23(Suppl1):S20819.doi:10.1016/

j.neuroimage.2004.07.051
22. WoolrichMW,

JbabdiS,PatenaudeB,

ChappellM,

BayesiananalysisofneuroimagingdatainFSL.

MakniS,

Neuroimage

BehrensT,etal.

(2009)

45:S17386.

doi:10.1016/j.neuroimage.2008.10.055
23. SmithSM. Fastrobust automated brain extraction. HumBrainMapp (2002) 17:143
55.doi:10.1002/hbm.10062
24. JenkinsonM,BannisterP,BradyM,SmithS.

Improved

optimization

robustandaccuratelinearregistrationandmotioncorrectionofbrainimages.

forthe
Neuroimage

(2002) 17:82541.doi:10.1006/nimg.2002.1132
25. CollinsDL,

NeelinP,

PetersTM,

EvansAC.

Automatic3Dintersubjectregis-

trationofMRvolumetricdatainstandardizedTalairachspace. J ComputAssist Tomogr (1994)


18:192205.doi:10.1097/00004728-199403000-00005

17

26. HimbergJ,

HyvarinenA,

EspositoF.

Validatingtheindependentcomponentsof

neuroimagingtimeseriesviaclusteringandvisualization.

Neuroimage

(2004)

22:1214

22.doi:10.1016/j.neuroimage.2004.03.027
27. HyvarinenA,RamkumarP. Testingindependentcomponentpatternsby inter-subjectorintersessionconsistency. FrontHumNeurosci (2013) 7:94. doi:10.3389/fnhum.2013.00094
28. DesikanRS,

SgonneF,

FischlB,

QuinnBT,

DickersonBC,BlackerD,etal.

Anautomatedlabelingsystemforsubdividingthehumancerebralcortexon
scansintogyralbasedregionsofinterest.

Neuroimage

MRI

(2006)

31:96880.

doi:10.1016/j.neuroimage.2006.01.021
29. EickhoffSB,

StephanKE,

MohlbergH,

GrefkesC,FinkGR,

AmuntsK,etal.A

newSPMtoolboxforcombiningprobabilisticcytoarchitectonicmapsandfunctionalimagingdata.

Neuroimage

(2005)

25:132535.doi:10.1016/j.neuroimage.

2004.12.034
30. ZengH,

PizarroR,

NairVA,LaC,

PrabhakaranV.Alterationsinregionalhomo-

geneityofresting-statebrainactivityinmesialtemporallobeepilepsy.

Epilepsia

(2013)

54:65866.doi:10.1111/epi.12066
31. MaccottaL,

HeBJ,

SnyderAZ,

EisenmanLN,

BenzingerTL,AncesBM,etal.

Impairedandfacilitatedfunctionalnetworksintemporallobeepilepsy.

Neu-

roimageClin

(2013) 2:86272.doi:10.1016/j.nicl.2013.06.011
32. HolmesMJ,

YangX,

LandmanBA,

DingZ,

KangH,

Abou-KhalilB,

etal.Func-

tionalnetworksintemporal-lobeepilepsy:avoxel-wisestudyofresting-state
functionalconnectivityandgray-matterconcentration.

BrainConnect

(2013)

3:22

30.doi:10.1089/brain.2012.0103
33. CosteS,

RyvlinP,

HermierM,

OstrowskyK,AdeleineP,FromentJC,etal.Tem-

poropolarchangesintemporallobeepilepsy:aquantitativeMRI-basedstudy.

Neurology

(2002) 59:85561.doi:10.1212/WNL.59.6.855
34. LabateA,

CerasaA,

AgugliaU,

MumoliL,

QuattroneA,GambardellaA.Neo-

corticalthinninginbenignmesialtemporallobeepilepsy.

Epilepsia

(2011)

52:712

7.doi:10.1111/j.1528-1167.2011.03038.x
35. BonilhaL,

RordenC,

CastellanoG,

PereiraF,RioPA,CendesF,etal.Voxel-

basedmorphometryrevealsgraymatternetworkatrophyinrefractorymedial
temporallobeepilepsy. ArchNeurol (2004) 61:137984.doi:10.1001/archneur. 61.9.1379

18

36. HenryTR,

MazziottaJC,

porallobeepilepsy.

EngelJJr.

ArchNeurol

Interictalmetabolicanatomyofmesialtem-

(1993)

50:5829.doi:10.1001/archneur.1993.

00540060022011
37. McCormickC,

QuraanM,

CohnM,

ValianteTA,

McAndrewsMP.

networkconnectivityindicatesepisodicmemorycapacityinmesialtemporal

Defaultmode
lobeepilepsy.

Epilepsia (2013) 54:80918.doi:10.1111/epi.12098


38. Lang S. Calculus ofSeveralVariables. NewYork,NY:Springer-Verlag(1987).

19