Messung der menschlichen Gehirndurchblutung und Gehirnfunktion mit Ballaststoffen

Communications Biology Band 6, Artikelnummer: 844 (2023) Diesen Artikel zitieren

548 Zugriffe

2 Altmetrisch

Details zu den Metriken

Der zerebrale Blutfluss (CBF) ist entscheidend für die Gesundheit des Gehirns. Die optische Speckle-Kontrast-Spektroskopie (SCOS) ist eine Technik, die kürzlich zur Messung des CBF entwickelt wurde. Der Einsatz von SCOS zur Messung der menschlichen Gehirnfunktion bei großen Quelle-Detektor-Abständen mit vergleichbarer oder größerer Empfindlichkeit gegenüber dem zerebralen statt extrazerebralen Blutfluss wurde jedoch nicht durchgeführt gezeigt. Wir beschreiben ein faserbasiertes SCOS-System, das in der Lage ist, durch die Aktivierung des menschlichen Gehirns induzierte CBF-Änderungen bei 33 mm Quellendetektorabständen mithilfe von CMOS-Detektoren zu messen. Das System implementiert eine Pulsierungsstrategie zur Verbesserung des Photonenflusses und nutzt eine Datenverarbeitungspipeline zur Verbesserung der Messgenauigkeit. Wir zeigen, dass SCOS die derzeit führende optische Modalität zur CBF-Messung, d. h. diffuse Korrelationsspektroskopie (DCS), übertrifft und bei ähnlichen finanziellen Kosten eine mehr als zehnfache SNR-Verbesserung erreicht. Faserbasiertes SCOS bietet einen alternativen Ansatz zur funktionellen Bildgebung für kognitive Neurowissenschaften und gesundheitswissenschaftliche Anwendungen.

Der zerebrale Blutfluss (CBF) ist ein wichtiger Indikator für die Gesundheit des Gehirns, da er die Sauerstoffzufuhr zum Gehirn reguliert und Stoffwechselabfälle wie Kohlendioxid abtransportiert. Veränderungen des CBF korrelieren mit schwerwiegenden klinischen Erkrankungen wie ischämischem Schlaganfall1,2, traumatischer Hirnverletzung3 und Alzheimer-Krankheit4,5. CBF liefert auch Informationen über die Gehirnfunktion6,7,8,9 da die neuronale Aktivierung hämodynamische Veränderungen über neurovaskuläre Kopplung induziert10. Daher ist die Überwachung des CBF sowohl für kognitive neurowissenschaftliche Studien als auch für klinische Anwendungen wichtig. Die diffuse Korrelationsspektroskopie (DCS) ist eine optische Technik, die den menschlichen CBF anhand kohärenten Lichts misst, das vom Gewebe reemittiert wird11,12,13,14,15. Der Blutflussindex (BFi), eine Metrik, die linear mit dem zugrunde liegenden Blutfluss korreliert, wird aus der Dekorrelationszeit der Autokorrelationsfunktion des zeitlichen Verlaufs der Speckle-Intensität berechnet. Es bietet eine bequeme Möglichkeit zur nicht-invasiven und kontinuierlichen Überwachung des CBF am Krankenbett, die mit anderen Techniken wie der Positronenemissionstomographie und der arteriellen Spinmarkierungs-Magnetresonanztomographie nicht möglich ist. Herkömmliche DCS-Systeme weisen jedoch ein relativ niedriges Signal-Rausch-Verhältnis (SNR) auf, und die in diesen Systemen verwendeten Single-Photon-Avalanche-Dioden-Detektoren (SPAD) sind im Allgemeinen teuer, was es für Geometrien mit hoher Dichte, die große Gehirnregionen abdecken, zu einer Herausforderung macht oder über mehrere Speckles/Kanäle zu mitteln, um das SNR zu verbessern. Kürzlich haben mehrere Gruppen versucht, das DCS-SNR zu verbessern, indem sie entweder mehrere Speckles auf einem SPAD-Array abbildeten oder die Photonenflusserkennung pro Speckle verbesserten. Beispielsweise zeigte eine kürzlich veröffentlichte Arbeit über Multi-Speckle-DCS mit 1.024 parallelen Detektionskanälen9,16 vielversprechende Verbesserungen des SNR und demonstrierte CBF-Variationen an der menschlichen Stirn bei einem kurzen Quellen-Detektor-Abstand (SDS) von ρ = 15 mm. Aber bei ρ = 15 mm ist die Empfindlichkeit gegenüber dem Gehirn gering und für die Messung der Gehirnfunktion nicht geeignet17. In einem anderen Beispiel wurde gezeigt, dass die Implementierung von Interferometrie das DCS-SNR durch Erzielung einer Schrotrauschleistung verbessert18,19, jedoch auf Kosten einer erhöhten Komplexität des Systems, was für die zukünftige Entwicklung tragbarer Geräte nicht bevorzugt wird. Schließlich hat sich auch gezeigt, dass die Verwendung einer längeren Wellenlänge von 1064 nm als Eingangslichtquelle das DCS-SNR erhöht, indem der Photonenfluss erhöht wird, dank der höheren maximal zulässigen Belichtung (MPE) und der geringeren Energie pro Photon als bei kürzeren Wellenlängen. Dies ist jedoch der Fall Die Methode erfordert sogar noch teurere supraleitende Nanodraht-Einzelphotonendetektoren20.

Eine weitere Kategorie optischer Techniken zur Messung des CBF ist die Laser-Speckle-Kontrast-Bildgebung (LSCI)21,22,23,24. Anstatt die zeitliche Statistik, dh die Autokorrelationsfunktion der Speckle-Intensitäten, wie in DCS durchgeführt, zu analysieren, nutzt LSCI die räumliche Statistik, indem es den räumlichen Kontrast der innerhalb einer bestimmten Kamerabelichtungszeit gemessenen Speckle-Intensitätsmuster berechnet. Die Muster der Speckle-Intensität werden mit relativ kostengünstigen CMOS-Kameras (Complementary Metal-Oxide-Semiconductor) ermittelt, die Millionen von Speckles mit Millionen von Pixeln erfassen können, um das SNR zu verbessern, im Gegensatz zu SPADs, die in herkömmlichen DCS verwendet werden und nur wenige Speckles verwenden. Traditionelle LSCI wurde jedoch hauptsächlich verwendet, um zweidimensionale Bilder von oberflächlichen CBF mit Weitfeldbeleuchtung zu erhalten, hauptsächlich für kleine Tiere wie Mäuse mit Schädelfenstern oder verdünnten Schädeln. Kürzlich wurde eine vom LSCI abgeleitete Technik namens „Speckle Contrast Optical Spectroscopy“ (SCOS) und ihre tomografische Expansions-Speckle Contrast Optical Tomography (SCOT) für die Freiraumbildgebung mit größeren SDSs demonstriert, was nicht-invasive Messungen des Blutflusses in tieferen Regionen ermöglicht Phantome, menschliche Arme und Stirn sowie kleine Tiergehirne25,26,27,28,29,30. Die Verallgemeinerung von Freiraumtechniken auf die Messung der Funktion des menschlichen Gehirns über einen großen Bereich ist jedoch aufgrund des Vorhandenseins von Haaren, der Anfälligkeit für Bewegungen aufgrund des begrenzten Fokusbereichs und des begrenzten Sichtfelds der Kamera eine Herausforderung. Faserbasierte Systeme wurden vorgeschlagen und verwendet, um Messungen von Herzpulswellenformen durchzuführen31,32,33, aber die Messung der menschlichen Gehirnfunktion bei einem großen Quelle-Detektor-Abstand (>30 mm) mit vergleichbarer oder größerer Empfindlichkeit eher zerebral als extrazerebral Die Durchblutung ist noch nicht erreicht. Darüber hinaus führen verschiedene Rauschquellen zu einer Verzerrung des gemessenen räumlichen Kontrasts in SCOS, was eine Herausforderung für die Quantifizierung von Blutflussänderungen im niedrigen Photonenflussbereich darstellt, der typischerweise bei menschlichen CBF-Messungen auftritt34. Pionierarbeiten zur Korrektur von Schuss- und Dunkelrauschen wurden modelliert und experimentell genutzt28,34, es gibt jedoch noch weitere Rauschquellen wie Inhomogenität in der Beleuchtung und Quantisierungsrauschen, die korrigiert werden müssen. Darüber hinaus wurde das Rauschkorrekturschema für Messungen des menschlichen Gehirns nicht experimentell validiert.

Hier haben wir ein faserbasiertes SCOS-System entwickelt, mit dem der menschliche CBF und die Gehirnfunktion nichtinvasiv gemessen werden können. Wir haben eine Datenanalyse-Pipeline erstellt und experimentell validiert, um die durch Rauschen verursachte Kontrastverzerrung zu beseitigen. Wir haben eine Laserquellen-Pulsstrategie verwendet, um den Photonenfluss35 innerhalb der Kamerabelichtungszeit zu verbessern und gleichzeitig die durchschnittliche und Spitzenleistung innerhalb der Sicherheitsgrenze zu halten. Wir haben experimentell bestätigt, dass das aktuelle Design unseres faserbasierten SCOS-Systems mit einer wissenschaftlichen CMOS-Kamera (sCMOS) herkömmliche DCS-Systeme im SNR um eine Größenordnung bei vergleichbaren Kosten übertrifft. Wir haben zum ersten Mal mithilfe von SCOS während einer mentalen Subtraktionsaufgabe bei ρ = 33 mm Funktionsmessungen des menschlichen Gehirns durchgeführt, was eine ausreichende Empfindlichkeit gegenüber CBF-Variationen lieferte. Diese Arbeit eröffnet einen Weg für die zukünftige Entwicklung optischer Geräte mit hoher Kanalzahl und hoher Dichte (für Tomographiemessungen), die die menschliche CBF- und Gehirnfunktion mit beispielloser Signalqualität bei großen SDSs kontinuierlich überwachen können. Die Kosten können in Zukunft durch den Einsatz kostengünstigerer CMOS-Kameras im Vergleich zur in dieser Studie verwendeten sCMOS-Kamera weiter gesenkt werden. Die kontinuierliche Überwachung des CBF mit hoher Signalqualität bietet mehr Möglichkeiten für die Biologie, die kognitiven Neurowissenschaften und klinische Anwendungen.

Ein Schema des faserbasierten SCOS-Systems, Beispiel-Speckle-Bilder und die Darstellung der Datenverarbeitungspipeline sind in Abb. 1 dargestellt. Kohärentes Licht wurde durch die Multimode-Faser auf die Stirn geleitet und das diffus remittierte Licht wurde von a gesammelt Detektorfaserbündel erfasst und anschließend von einer sCMOS-Kamera abgebildet (Abb. 1a). Um die Kamerapixel zu füllen, haben wir zwei rechteckige Faserbündel bei demselben SDS auf derselben Kamera abgebildet. Wir zeigen zwei Beispielbilder der fokussierten und leicht defokussierten Faserbündel in Abb. 1b. Bei SCOS-Messungen hielten wir die Faserbündel leicht defokussiert, indem wir das distale Ende aus dem Fokus bewegten, um die räumliche Gleichmäßigkeit des Bildes der einzelnen Fasern im Bündel zu verbessern. Das distale Ende des Faserbündels wird nach der Defokussierung fixiert, um bei allen Messungen die gleiche Defokussierung beizubehalten. Die Datenanalyse-Pipeline in Abb. 1c entfernte die Verzerrung im rohen Speckle-Kontrast, \({K}_{{raw}}^{2}={{{{\mathrm{var}}}}}(I)/ {\left\langle I\right\rangle }^{2}\), das aus Schrot- und Instrumentengeräuschquellen und Messungleichmäßigkeiten entsteht, um den grundlegenden räumlichen Kontrast im Quadrat \({K}_{f}^{ 2}\) (siehe Abschnitt „Methoden“), wobei I die gemessene Speckle-Intensität in der Einheit der Kamerazählungen (ADU) und var die Varianz ist. Hier steht \({K}_{f}^{2}\) in direktem Zusammenhang mit der Intensitäts-Autokorrelationsfunktion \({g}_{2}\left(\tau \right)=1+\beta {e }^{-2\tau /{\tau }_{c}}\), erhalten aus DCS-Messungen36, wobei τ die Verzögerungszeit, τc die Dekorrelationszeit und β der Kohärenzparameter ist. Für lange Kamerabelichtungszeiten gilt \({T}_{\exp }\gg {\tau }_{c}\), was in den meisten menschlichen Gehirnmessungen gültig ist (\({T}_{\exp } \sim 1{ms},{\tau }_{c} \sim 10\mu s\)), der Blutflussindex BFi oder \(1/{\tau }_{c}\) ist proportional \(1/{ {K}_{f}}^{2}\)14,22.

a Das Schema des faserbasierten SCOS-Aufbaus. Die Fasern sind am proximalen Ende zu einem kreisförmigen Bündel und am distalen (Kamera-)Ende zu einem rechteckigen Bündel angeordnet. Das Bild von Gehirn und Schädel stammt von Wikimedia Commons. Alle anderen Elemente des Bildes werden von den Autoren mit Microsoft PowerPoint generiert. b Beispiel-Speckle-Bilder, wenn Faserbündel fokussiert und leicht defokussiert sind. c Darstellung der Datenanalysepipeline zur Entfernung der Rauschbeiträge aus dem gemessenen \({K}_{{raw}}^{2}\), um \({K}_{f}^{2}\) zu erhalten ist umgekehrt proportional zu BFi. VHG ist ein holographischer Volumenlaser, OC ist ein optischer Chopper, MMF ist eine Multimode-Faser, FB ist ein Faserbündel, NA ist eine numerische Apertur, CMOS ist ein komplementärer Metalloxid-Halbleiter, ROI ist der interessierende Bereich.

Um den Datenverarbeitungsstrom zu validieren, haben wir SCOS-Messungen mit einer Leuchtdioden-Lichtquelle (LED) (λ = 850 nm) getestet, wie in Abb. 2 dargestellt. Da LED-Licht inkohärent ist, werden keine Flecken erzeugt und \({ {K}_{f}}^{2}\) wird voraussichtlich Null sein. Aber \({K}_{{raw}}^{2}\) wird aufgrund von Rauschen und ungleichmäßiger Beleuchtung ungleich Null sein. Das Messschema und die Ergebnisse aus Messungen an einer dynamischen Phantomprobe sind in Abb. 2a, c dargestellt. Wir fanden heraus, dass \({K}_{{raw}}^{2}\) etwa 0,02 betrug und mit zunehmender mittlerer Intensität aufgrund des geringeren Beitrags des Schrotrauschens zum Bias abnahm, nach der Korrektur jedoch \({{K}_ {f}}^{2}\) wurde stark in Richtung des erwarteten Werts von 0 reduziert (dh \(\sim {10}^{-4}-{10}^{-5}\)). Das Systemschema und die Ergebnisse für Grundlinienmessungen der menschlichen Stirn bei \(\rho =33\) mm sind in Abb. 2b, d dargestellt. Wir beobachteten ein Herzpulsmuster in \({K}_{{raw}}^{2}\), da durch den Herzpuls induzierte Änderungen der gemessenen Intensität den Beitrag des Schussrauschens modulierten, der den gemessenen Kontrast modulierte. Nach der Korrektur lag das Residuum \({K}_{f}^{2}\) in der Größenordnung von 10−5, was zwei Größenordnungen kleiner ist als der induzierte Blutfluss \({K}_{f} ^{2}\) (~10−3) gemessen mit kohärentem Laserlicht in SCOS-Messungen. Dies verdeutlicht die Gültigkeit des Datenverarbeitungsstroms zur Korrektur der durch Rauschen bei SCOS-Messungen verursachten Verzerrung.

a Schematischer Versuchsaufbau für LED-Messungen der statischen Phantomprobe. Die mit Gleichstrom betriebene 850-nm-LED ist 15 mm vom Faserbündel des Detektors entfernt platziert. b Schematischer Versuchsaufbau für LED-Messungen an der menschlichen Stirn. c \({K}_{{raw}}^{2}\) und \({K}_{f}^{2}\) als Funktion der mittleren Intensität \(\left\langle I\right\ rangle\) für die Phantomproben-LED-Messungen. d Ein beispielhafter zeitlicher Verlauf von \({K}_{{raw}}^{2}\) und \({K}_{f}^{2}\) für LED-Messungen an der menschlichen Stirn.

Um den Photonenfluss innerhalb eines bestimmten Kamerarahmens zu verbessern, haben wir eine Pulsstrategie mit einem rotierenden optischen Chopper für die Laserquelle implementiert (Abb. 1a). Der Arbeitszyklus des optischen Choppers wurde auf 10 % eingestellt, sodass wir einen 10-mal höheren Photonenfluss pro Kamerabelichtungszeit nutzen konnten, während die durchschnittliche einfallende Leistung sowie die Spitzenleistung den ANSI-Sicherheitsnormgrenzen von λ = 852 entsprachen nm. Wir haben die SNR-Verbesserung auch durch die Messung von Herzsignalen mit und ohne Pulsstrategie bei ρ = 33 mm (Abb. 3a) für einen qualitativen Vergleich nachgewiesen, mit einem quantitativen Vergleich unter Verwendung einer dynamischen Phantomprobe, die in der ergänzenden Abbildung 1 dargestellt ist. Das untere Photon Der Fluss im Dauerstrichmodus (CW) führte zu einem höheren instrumentellen Rauschen, d }_{f}^{2}\) Werte. Andererseits überwindet der höhere Photonenfluss im gepulsten Modus die instrumentellen Rauschquellen und ermöglicht eine genaue Kalibrierung zur korrekten Schätzung von \({K}_{f}^{2}\) (siehe ergänzende Abbildungen 2–3). . Wir zeigen auch Beispiele der gemessenen Herzsignale bei verschiedenen SDSs im Bereich von ρ = 30 mm bis 45 mm (Abb. 3b, c). Bei größeren SDS wurde die Korrektur des Bias aufgrund der Instabilität der Leserauschkalibrierung für die von uns verwendete Kamera ungenauer. Daher gab \({K}_{f}^{2}\) den absoluten Blutfluss nicht genau an, als das Leserauschen bei ρ = 40 mm und länger spürbar wurde. Dennoch beobachteten wir immer noch ein klares Herzsignal bei ρ = 40 mm, was auf die Möglichkeit hindeutet, SCOS zur Messung relativer Blutflussänderungen bei 40 mm oder mehr SDS zu verwenden, vorausgesetzt, dass eine Kamera mit einem stabileren Leserauschen verwendet werden kann oder mehr Speckles integriert sind pro Kamerapixel, um die Schussrauschleistung aufrechtzuerhalten.

ein Vergleich von CW und gepulstem faserbasiertem SCOS aus Basismessungen an der menschlichen Stirn bei ρ = 33 mm. b Mittlere Kameraanzahl und c Zeitreihe von \({K}_{f}^{2}\) aus faserbasierten Basis-SCOS-Messungen an der menschlichen Stirn bei SDS im Bereich von ρ = 30 bis 45 mm. Diese Messung wurde an einem einzelnen Teilnehmer durchgeführt. Es wird keine Versuchsmittelung verwendet.

Als nächstes vergleichen wir die Leistung von SCOS mit einem hochmodernen Einkanal-DCS-System (Excelitas SPAD + PicoHarp Time Tagger), das dieselbe CW-Lichtquelle verwendet. Wir verglichen die Messungen zunächst mit einem flüssigen dynamischen Phantom (Intralipid 1,6 % v/v in entionisiertem Wasser bei Raumtemperatur) bei ρ = 20 mm (Abb. 4a). Sowohl die Bildperiode der SCOS-Kamera als auch die DCS g2(τ)-Integrationszeit wurden auf 21,7 ms eingestellt. 71,4 % der Kamerapixel wurden für die SCOS-Analyse verwendet, wobei der Schwerpunkt auf Bereichen mit starker Beleuchtung durch die Faserbündel lag. Das SNR wurde berechnet als \({K}_{f}^{2}/{std}({K}_{f}^{2})\) und \({\tau }_{c}/{std }({\tau }_{c})\) für SCOS- bzw. DCS-Messungen, wobei std die Standardabweichung ist. Das SNR für DCS und SCOS betrug 5 bzw. 114,8, was einer 23-fachen Steigerung durch SCOS entspricht. Wenn die Kamerapixel vollständig beleuchtet wären, erwarten wir einen weiteren Anstieg um 18 %, was zu einer 27-fachen SNR-Verbesserung von SCOS gegenüber DCS führen würde.

a Normalisiertes BFi des dynamischen Phantoms mit 20 mW CW bei ρ = 20 mm. Die Rahmenperiode des faserbasierten SCOS und die Integrationsperiode des DCS sind beide auf 21,7 ms festgelegt. b Menschliche Stirn normalisiertes BFi mit 35 mW CW bei ρ = 20 mm. SCOS bei 46 Hz (21,7 ms Bildperiode) und DCS bei 100 ms Integrationszeit.

Wir haben diese SCOS-Verbesserung des SNR gegenüber DCS qualitativ durch Messungen von Herzsignalen auf der menschlichen Stirn unter Verwendung von SCOS und DCS bei einem kurzen SDS von ρ = 20 mm demonstriert (Abb. 4b). Da das SNR für DCS geringer ist, haben wir für DCS eine längere Integrationszeit von 100 ms verwendet, um die Signalqualität mit der von SCOS zu vergleichen. Hier wird BFi als \(1/{{K}_{f}}^{2}\) für SCOS und \(1/{\tau }_{c}\) für DCS berechnet. Trotz der längeren Integrationszeit für DCS weist SCOS immer noch eine höhere Signalqualität auf, was an den deutlichen Merkmalen des systolischen Peaks und der dikrotischen Kerbe in jedem Puls erkennbar ist (Abb. 4b). Dies steht im Einklang mit dem bei dynamischen Phantomproben beobachteten SNR-Unterschied von mehr als einer Größenordnung.

In Abb. 5 zeigen wir die faserbasierte SCOS-Messung des Blutflusses und der Änderung der optischen Dichte (∆OD) während einer Manschettenverschlussmessung am menschlichen Unterarm (Abb. 5a). ∆OD ist definiert als \(\triangle {OD}={\log }_{10}({I}_{0}/I(t))\), wobei I0 die Intensität an der Basislinie ist. Wenn der ausgeübte äußere Druck größer als der systolische Druck ist, sind sowohl die Arterien als auch die Venen verschlossen. Wie erwartet nahm der BFi während der Okklusion ab und es kam zu einer Verringerung der Herzschwankungen von etwa 1 Hz20,37. Wie in Abb. 5b zu sehen ist, nahm die optische Dichte zu, da der ausgeübte Druck in den ersten Sekunden der Okklusion nur die Venen verschließt und arteriell einströmendes Blut das Blutvolumen und damit die Gesamthämoglobinkonzentration erhöht. Als der angelegte äußere Druck nachgelassen wurde, überschritten sowohl BFi als auch ∆OD aufgrund des klassischen hyperämischen Überschießens, um das sauerstoffarme Gewebe mit Sauerstoff zu versorgen, gefolgt von einer allmählichen Erholung auf die Ausgangswerte.

a Schematische Darstellung der Manschettenverschlussmessungen. Das Bild mit dem verlängerten Arm stammt von Wikimedia Commons. Alle anderen Elemente dieses Bildes werden von den Autoren mit Microsoft PowerPoint generiert. b Die Zeitverläufe von BFi und ∆OD für Manschettenverschlussmessungen.

Schließlich zeigen wir in Abb. 6 Messungen der menschlichen Gehirnfunktion während einer mentalen Subtraktionsaufgabe bei ρ = 33 mm für drei Teilnehmer. Wie im Abschnitt „Methoden“ beschrieben, verwendeten wir zunächst unser vorhandenes hochdichtes fNIRS-System, um die Aktivierungsregion auf dem zu lokalisieren Stirn mit der größten aufgabengemittelten Änderung der Gesamthämoglobinkonzentration. Anschließend platzierten wir die faserbasierten SCOS-Quellen- und Detektor-Optoden in derselben Region, um Änderungen im CBF zu messen. Von den fünf für SCOS gemessenen Teilnehmern zeigten zwei keine Änderung der Signalintensität (entspricht fNIRS mit einer einzelnen Wellenlänge) durch mentale Subtraktion. Da in den fNIRS-Messungen dieselbe mentale Subtraktionsaufgabe (mit unterschiedlichen Zahlen) verwendet wurde, ist es möglich, dass diese Teilnehmer bereits unterschiedliche Strategien für die mathematischen Probleme entwickelt hatten und daher in SCOS-Messungen keine Aktivierung zeigten. Wir haben nur den ROI mit ausreichender versuchsgemittelter Reaktion in ∆OD verwendet, um die versuchsgemittelte Reaktion in BFi zu berechnen. Wir fanden heraus, dass bei allen Teilnehmern mit ausreichendem ∆OD während der mentalen Subtraktion (Abb. 6c) der Blutfluss während der Aktivierung signifikant um 7–16 % zunahm (p = 7,7E-8, 0,0083, 2,1E-4 für Teilnehmer 1, 2, 3) (Abb. 6d) und kehrte nach der Aktivierung auf die Ausgangswerte zurück, was mit den erwarteten Werten aus der Literatur übereinstimmt38,39. Diese Arbeit demonstriert die vielversprechenden Fähigkeiten von SCOS für die Messung der menschlichen Gehirnfunktion.

ein Beispiel für die von einem Probanden durchgeführte mentale Subtraktionsaufgabe. b Platzierung der NinjaCap und der Fasern auf dem Kopf eines Teilnehmers, dargestellt durch den Mannequinkopf. Quellfaser (in Rot) und Detektorfaserbündel (in Grün) auf einer NinjaCap mit federbelasteten NIRx-Tüllen. c Versuchsgemittelte (n = 15) OD-Änderung gegenüber dem Ausgangswert (t = −5 bis 0 s), die sich aus der mentalen Subtraktionsaufgabe ergibt (dargestellt von t = 0 s bis t = 20 s). Der schattierte Bereich gibt den Standardfehler der im Versuch gemittelten Antwort an. d Versuchsdurchschnittliche Veränderung des BFi gegenüber dem Ausgangswert. Sowohl für BFi als auch für ∆OD wurde ein ROI mit eindeutiger durchschnittlicher Reaktion im Versuch ausgewählt.

Wir haben eine Messung des menschlichen CBF und der Gehirnfunktion mithilfe eines faserbasierten SCOS-Systems mit einem CMOS-Sensor demonstriert. Wir haben die Datenanalyse-Pipeline entwickelt und validiert, um rauschinduzierte Bias-Terme in den gemessenen \({K}_{{raw}}^{2}\) zu korrigieren, die bei LSCI-Messungen im Gehirn von Mäusen aufgrund des höheren Photonenflusses typischerweise ignoriert werden20, 21. Mit SCOS können Schrotrausch-begrenzte Messungen ohne den Einsatz einer interferometrischen Erkennung durchgeführt werden, wie dies zuvor bei DCS19 und SCOS18 der Fall war, indem die Messparameter angepasst werden, einschließlich des Verhältnisses von Speckle zu Pixelgröße und der Kamerabelichtungszeit34. Allerdings könnte die Integration von faserbasiertem SCOS (diese Arbeit) mit Interferometrie für Messungen vorteilhaft sein, die eine kürzere Kameraintegrationszeit erfordern oder weniger Photonen pro Kamerabild haben, oder wenn eine Kamera mit höherem Leserauschen verwendet wird. Bei dem Photonenfluss, der mit ρ = 33 mm auf der menschlichen Stirn erreicht wird, glauben wir, dass die Integration der Interferometrie in unser faserbasiertes SCOS-System wenig Sinn macht, da wir in der Lage sind, Schrotrauschleistung ohne Interferometrie zu erreichen.

In diesem Manuskript haben wir die Gültigkeit unseres Rauschkorrekturschemas zur Erzielung von Schrotrausch-begrenzten Messungen demonstriert. Mithilfe unseres aktuellen SCOS-Rauschmodells34 haben wir herausgefunden, dass wir eine durch Schrotrauschen begrenzte Messung des Speckle-Kontrasts erreichen können, wenn die Kameraanzahl für unsere Hamamatsu-Kamera über ~100 ADU pro Pixel liegt. Wir verwendeten eine Pulsierungsstrategie und ein niedriges Speckle-zu-Pixel-Verhältnis (s/p <1), um 200 ADU und mehr Kamerazahlen für unsere Messungen des menschlichen Gehirns bei ρ = 33 mm zu erreichen (Abb. 2c). Bei geringerer Kameraanzahl wurde unser Korrekturschema hauptsächlich aufgrund der zeitlichen Variation des Leserauschens für unsere Kamera in Frage gestellt (ergänzende Abbildung 2). Während wir unsere Messungen im Bereich der Schrotrauschbegrenzung hielten, verbesserten wir die Rauschkorrektur, indem wir dunkle Bilder maßen und das Leserauschmuster vor jeder Messsitzung schätzten. Darüber hinaus kann unser faserbasiertes SCOS-System durch die Nutzung einer großen Anzahl von Pixeln auf der CMOS-Kamera und die Laserpulsstrategie pulsierendes BFi von der menschlichen Stirn bei bis zu ρ = 40 mm messen. Bei ρ = 33 mm verbesserte die hohe Empfindlichkeit zwischen Gehirn und Kopfhaut die Gehirnfunktionsmessungen19 im Vergleich zu früheren Messungen bei 20 mm25 erheblich. Die Empfindlichkeit gegenüber dem Gehirnsignal kann durch Datenanalysemethoden wie die Kurztrennungsregression40 oder die mehrschichtige Modellierung von CBF41 weiter verbessert werden, um Gehirnsignale von Kopfhautsignalen zu trennen.

Im Ergebnisteil haben wir die Leistung unseres faserbasierten SCOS mit einem Einkanal-DCS-System verglichen. Wir haben zuvor eine 23-fache SNR-Verbesserung mit SCOS gegenüber DCS erwähnt und die Erwartung einer 27-fachen SNR-Verbesserung bei vollständiger Abdeckung der Kamera. Unter Berücksichtigung der Kosten kann unser faserbasiertes SCOS-System (mit einer sCMOS-Kamera) eine 13,5-fache Verbesserung des SNR der CBF-Schätzung im Vergleich zu einem herkömmlichen DCS-System (mit einem SPAD-Detektor) mit ähnlichen Kosten (d. h. durch Erhöhung der) erreichen DCS-Kanalanzahl bis 4). Beachten Sie, dass wir die Leistung von DCS und SCOS experimentell mit CW-Lichtquellen verglichen haben, da wir kein DCS-System mit gepulstem Laser haben (und keine Notwendigkeit besteht, ein solches System zu implementieren). Wenn die Lichtquelle mit einem Arbeitszyklus von 10 % gepulst wird, erhöht sich der Spitzenphotonenfluss um das Zehnfache. Bei SCOS wird die Messrate nicht beeinflusst, da sie durch die Bildrate der Kamera begrenzt ist (unsere Modellierungsergebnisse zeigen, dass das SNR im Vergleich zu Texp bei einer Belichtungszeit von ca. 2 ms ein Plateau erreicht, sodass zwischen den Kamerabildern eine Totzeit besteht, die genutzt werden kann Pulsieren), so dass wir eine nahezu 10-fache Verbesserung des SNR erreichen können (ergänzende Abbildung 1). Bei DCS wird die Messrate bzw. Integrationszeit auf 10 % reduziert. Daher ist die Verbesserung des SNR bei gepulstem SCOS größer als bei gepulstem DCS. Unsere Modellierungsarbeit hat eine etwa 2,4-fache Verbesserung des SNR für gepulste DCS im Vergleich zu CW DCS gezeigt (Ergänzende Anmerkung 1). Dies führt zu einer SNR-Verbesserung von ~56x für gepulstes SCOS gegenüber gepulstem DCS bei ähnlichen Kosten. Die Kosten für einen Einkanal-SPAD-Detektor betragen >3.000 US-Dollar, während die Kosten für eine sCMOS-Kamera >10.000 US-Dollar betragen. Für Anwendungen mit weniger strengen SNR-Anforderungen gibt es Optionen für noch kostengünstigere CMOS-Kameras auf Kosten eines höheren Leserauschens, einer geringeren Bittiefe und möglicherweise einer nichtlinearen und ungleichmäßigen Kameraverstärkung über die Pixel hinweg. Beispielsweise haben wir mit einer kostengünstigen CMOS-Kamera (Basler acA1920-160umPRO) eine vorläufige Messung des Herzsignals auf der menschlichen Stirn bei ρ = 33 mm durchgeführt, die eine vielversprechend hohe Signalqualität zeigt (Ergänzende Abbildung 4). Obwohl dies den Rahmen des aktuellen Manuskripts sprengt, glauben wir, dass es in Zukunft wichtig ist, verschiedene Kameraoptionen zu charakterisieren, die für verschiedene Anwendungen von SCOS-Systemen geeignet und kostengünstig sein könnten. Abgesehen von der Kostenbetrachtung haben wir herausgefunden, dass der Photonenfluss pro Speckle in unserem SCOS-System etwa neunmal kleiner ist als der des DCS. Zu den Faktoren, die dazu beitragen, gehören der Energieverlust im Linsensystem und die geringere Kopplungseffizienz von Moden höherer Ordnung in Multimode-Fasern. Zukünftige Arbeiten könnten sich mit der Verbesserung des optischen Designs befassen, um diese Lücke zu schließen und eine noch bessere Leistung von SCOS-Systemen zu erzielen.

Das Schema unseres faserbasierten SCOS-Systems ist in Abb. 1 dargestellt. Die Eingangslaserlichtquelle (Thorlabs-Freiraum-VHG, 852 nm) ist in eine Multimode-Faser (200 μm Kerndurchmesser, 0,5 NA) eingekoppelt gekoppelt an einen Acryl-Lichtleiter mit 3,5 mm Durchmesser, der das Licht auf eine Probe, beispielsweise die menschliche Stirn, überträgt. Wir verwendeten maßgeschneiderte Faserbündel (~3770 Stränge einer Multimode-Faser mit 37 µm Kerndurchmesser, 0,66 NA) mit kreisförmiger Form am proximalen Ende (~2,5 mm Durchmesser), um den Kontakt mit der Kopfhaut durch das Haar zu erleichtern, und rechteckiger Form am distalen Ende ( ~1,64 × 3 mm), um der Form des CMOS-Sensors als Detektoren zu entsprechen, und bildete zwei Faserbündel von verschiedenen Stellen auf der menschlichen Kopfhaut mit demselben SDS auf einer einzelnen sCMOS-Kamera (Hamamatsu, Orca Fusion BT) ab. Die Linsen bilden ein 4-f-System, wie in Abb. 1a dargestellt. Die Kamera arbeitet mit den Standardeinstellungen einer 16-Bit-Auflösung und einem schnellen Scan-Betriebsmodus mit einem erwarteten Leserauschen von 1,4 e− über den Sensor. Wir defokussieren den abgebildeten Speckle leicht, um die Lücken zwischen einzelnen Fasern innerhalb eines einzelnen Faserbündels zu füllen, wie in Abb. 1b gezeigt. Das Verhältnis von Speckle zu Pixelgröße (s/p) für das System wurde auf 0,57 von \({K}_{f}^{2}=\frac{1}{2}{(s/p)} kalibriert. ^{2}/(1+{(s/p)}^{2})\) für unpolarisiertes Licht, das unter Verwendung einer statischen Phantomprobe34 bei hohen Photonenflusswerten erhalten wurde, um durch Rauschen verursachte Fehler zu reduzieren.

Eine benutzerdefinierte Datenerfassungssoftware wurde auf C++ und Python unter Verwendung von DCAM-API 4.1 zur Schnittstelle mit der sCMOS-Kamera und PH300-Treiber zur Schnittstelle mit dem Photonenzählmodul (PicoHarp 300) erstellt, das an ein SPAD (SPCM-AQ4C, Excelitas) angeschlossen ist. Sowohl SCOS- als auch DCS-Messungen können gleichzeitig durchgeführt werden, indem zwei Instanzen der Software ausgeführt werden. Die sCMOS-Kamera, SPAD und der optische Chopper der Laserquelle werden zur Synchronisierung extern ausgelöst. Abhängig vom verwendeten Gerät werden entweder die rohen sCMOS-Kamerabilder oder die SPAD-Zeitstempel über zwei Camera Link-Kabel mit dem an einen Datenerfassungscomputer (AMD Ryzen Threadripper 3970x CPU, NVIDIA Quadro RTX 4000 GPU, 64 GB 2666 MHz RAM) gesendet Das serielle Kommunikationsprotokoll von Camera Link wird auf einer lokalen NVME-SSD-Festplatte im hierarchischen Datenformat 5 gespeichert.

Es werden Rohdaten der Intensitätsmuster für alle Kamerabilder aufgezeichnet. Der Datenverarbeitungsstrom ist in Abb. 1c dargestellt. Wir subtrahieren zunächst das rohe Intensitätsmuster durch den Dunkelversatz, der sich als Durchschnitt von 500 Dunkelbildern ergibt, die bei ausgeschaltetem Laserlicht aufgenommen wurden. Anschließend wählen wir die Region of Interest (ROI) für die Berechnung des Speckle-Kontrasts aus. Der quadratische Rohkontrast wird wie folgt berechnet: \({{K}_{{raw}}}^{2}=({std}{(I)/\left\langle I\right\rangle })^{2}\) für jedes aus 7 × 7 Pixeln bestehende Schiebefenster innerhalb des ROI, wobei die Intensität I in ADU für alle Pixel gemessen wird. Wir haben eine lineare Anpassung verwendet, um das Rauschen zu reduzieren, das aus der Schätzung von \(\left\langle I\right\rangle\) für jedes Fenster entsteht. Wir erhalten zunächst die durchschnittliche Intensität für alle Pixel als Funktion der Zeit, bezeichnet als \({I}_{{all}}(t)\). Wir gehen davon aus, dass die zeitliche Form der durchschnittlichen Intensität für jedes Fenster, das als \({I}_{w}(t)\) bezeichnet wird, linear mit \({I}_{{all}}(t)\) zusammenhängt \({I}_{w}\left(t\right)={a* I}_{{all}}\left(t\right)+b\). Die Koeffizienten a und b werden durch Anpassen erhalten und \(\left\langle I(t)\right\rangle ={a* I}_{{all}}\left(t\right)+b\), das heißt eine geglättete Version von \({I}_{w}\left(t\right)\) wird als Nenner zur Berechnung von Kraw für jedes Fenster verwendet. Beispiele für \({I}_{{all}}(t)\), \({I}_{w}\left(t\right)\) und \({a* I}_{{all }}\left(t\right)+b\) sind in der ergänzenden Abbildung 5 dargestellt. Nachdem wir das Rohkontrastquadrat \({{K}_{{raw}}}^{2}\ erhalten haben, entfernen wir die durch Schrotrauschen \({K}_{s}^{2}\), Leserauschen \({K}_{r}^{2}\), räumliche Ungleichmäßigkeit der Beleuchtung \({K }_{{sp}}^{2}\) und Quantisierungsfehler \({K}_{q}^{2}\) als

Dabei ist g die Kameraverstärkung, σr das Leserauschen der Kameras und \({\sigma }_{{sp}}\) die Varianz, die aus dem zeitlich gemittelten Speckle-Bild über 500 Kamerabilder erhalten wird. \({K}_{q}^{2}\) ergibt sich aus dem digitalen Format der Kameraausgabe, bei dem eine Schrittgröße von eins eine Varianz von 1/1242 hinzufügt. Um fehlerhafte Auswirkungen von Rauschquellen zu vermeiden, werden die Pixel mit hohem Leserauschwert, dh σr > 10, und Hotpixel der Kamera ignoriert. Dieser Korrekturvorgang wird auch für jeweils 7 × 7 Pixel durchgeführt. Anschließend führen wir einen gewichteten Durchschnitt von \({K}_{f}^{2}\) durch I2 für alle Fenster innerhalb des ROI durch, um einen einzelnen Wert von \({K}_{f}^{2}} zu erhalten. \) für einen Kamerarahmen. Wir berechnen \({K}_{f}^{2}\) für alle Kamerabilder, um den zeitlichen Verlauf von \({K}_{f}^{2}\left(t\right) zu erhalten.\ ) Die durchschnittliche Intensität \({I}_{{all}}\left(t\right)\), vereinfacht als \(I\left(t\right)\), wird auch für alle Kamerabilder erhalten. \({K}_{f}^{2}\) hängt mit der Dekorrelationszeit von τc und der Belichtungszeit von Texp über21,22 zusammen

Wir haben eine Pulsierungsstrategie verwendet, um den in einem Kamerabild empfangenen Photonenfluss zu verbessern. Ein rotierendes Chopper-Rad mit einem Arbeitszyklus von 10 % erzeugt gepulstes Licht, um den Photonenfluss innerhalb der Kamerabelichtungszeit zu erhöhen und gleichzeitig die durchschnittliche einfallende Leistung bei 33 mW zu halten, innerhalb der ANSI-Sicherheitsgrenze bei λ = 852 nm. Der gepulste Laser wird während der Messungen mit den Kamerabildern synchronisiert, indem das Chopperrad mit dem Belichtungssynchronisationssignal der Kamera phasenverriegelt wird. Aus Sicherheitsgründen wurde anstelle des Belichtungssynchronisationssignals der Kamera ein 13-Hz-Triggersignal verwendet, wenn dies bei der Kamera nicht der Fall war Belichten von Bildern, um sicherzustellen, dass das Licht gepulst wird, während keine Messungen durchgeführt werden.

Wir verwenden ein DCS-System, das aus einem Einkanal-SPAD (SPCM-AQ4C, Excelitas) mit einem Zeittagger (PicoHarp 300, PicoQuant) besteht. Die Quellfaser und der CW-Laser werden mit dem faserbasierten SCOS-System gemeinsam genutzt. Das DCS-System ist zur gleichzeitigen Datenerfassung mit dem faserbasierten SCOS synchronisiert. Die zeitliche Autokorrelationsfunktion der Intensität (\({g}_{2}\left(\tau \right)\)) wurde aus den rohen Intensitätszählungen für Zeitverzögerungen von 1 µs bis 14,3 ms generiert, mit exponentiellem Anstieg im Zeitabstand Verzögerungen. Die Bin-Größe wurde für die Messzeit von 100 ms auf 1 µs eingestellt. Die Laserkohärenz (β) wurde durch Anpassen der über die Dauer der Messung gemittelten \({g}_{2}\left(\tau \right)\)-Kurve an eine exponentielle Zerfallsfunktion geschätzt, die durch36,37 gegeben ist:

Dabei ist τ die Zeitverzögerung und τc die Dekorrelationszeit. Für jede über die Messzeit gemittelte g2(τ)-Kurve wird die gleiche exponentielle Abklingfunktion und vorherige Schätzung der Laserkohärenz verwendet, um die Dekorrelationszeit abzuschätzen. Die Anpassung der Kurve der kleinsten Quadrate wurde mithilfe der Funktion lsqcurvefit von MATLAB mit Implementierung des Levenberg-Marquardt-Algorithmus durchgeführt.

Das dynamische Phantom wurde als 8 % v/v Verhältnis von 20 % Intralipid (Charge 10LI4282, Fresenius Kabi, Deutschland) in entionisiertem Wasser bei Raumtemperatur hergestellt. Eine 3D-gedruckte Halterung aus flexiblem Material (NinjaFlex TPU-Filament, NinjaTek) wurde verwendet, um das faserbasierte SCOS-Faserbündel und die DCS-Singlemode-Faser im Abstand von ρ = 20 mm von der Quellfaser zu montieren.

Um die Gehirnaktivierungsregion besser zu lokalisieren, verwenden wir das hochdichte fNIRS-System mit einem kommerziell erhältlichen NIRSport2 (NIRx) mit 14 Quellen und 32 Detektoren in der präfrontalen Kortexregion mit Abständen des ersten und zweitnächsten Nachbarn von 19 bzw. 33 mm. Die Quellen und Detektoren werden in einer NinjaCap platziert, einer hauseigenen 3D-gedruckten fNIRS-Kappe aus flexiblem Material (NinjaFlex, NinjaTek) mit NIRx-Ösen für Kompatibilität mit Federhaltern mit variabler Spannung. Die Kappe wird auf dem Kopf in Bezug auf die zentrale Elektrodenposition (Cz) der Mittellinie des EEG 10–10 platziert, die durch Messung der Nasion-, Inion- und linken/rechten präaurikulären Punkte geschätzt wird. Die Signalqualität für jedes Quelle-Detektor-Paar wird mit der Aurora fNIRS-Erfassungssoftware (NIRx) getestet. Die fNIRS-Messung während der mentalen Subtraktionsaufgabe wird auch mit der Aurora fNIRS-Erfassungssoftware durchgeführt. Die fNIRS-Daten werden mit Homer343 analysiert, um versuchsgemittelte Veränderungen von Oxyhämoglobin (HbO), Desoxyhämoglobin (HbR) und Gesamthämoglobin (HbT) für alle Quelle-Detektor-Paare zu erhalten. Der Quellendetektor mit der größten HbO- und HbT-Änderung wird für die anschließende faserbasierte SCOS-Messung ausgewählt.

Bei SCOS-Messungen wird die gleiche NinjaCap wie bei fNIRS-Messungen auf dem Kopf des Teilnehmers platziert, gefolgt von der Platzierung einer benutzerdefinierten Quellfaser und eines Detektorfaserbündels am vorgewählten Quelle-Detektor-Paar. Nach der Basismessung zur Bestätigung des Photonenflusses durchläuft der Teilnehmer eine mentale Subtraktionsaufgabe. Die extern ausgelöste Kamera sendet Bilder über Camera Link-Kabel und -Karte an den Computer, wo die Bilder zur Verarbeitung auf die Festplatte geschrieben werden.

Zur Anwendung des Manschettenverschlusses wurde ein Blutdruckmessgerät mit einem analogen Manometer und einer handbetätigten Glühbirne verwendet. Die aufblasbare Manschette wurde um den linken Arm gelegt. Die faserbasierten SCOS-Quellen- und Detektorfasern wurden am linken ventralen Unterarm bei ρ = 30 mm platziert. Der Teilnehmer wurde 120 Sekunden lang optisch gemessen, bestehend aus 30 Sekunden Grundlinie, 45 Sekunden Manschettenverschluss und 45 Sekunden Rückkehr zur Grundlinie. Zum Verschluss der Manschette wurde der Bulbus wiederholt zusammengedrückt, um den Druck innerhalb von fünf Sekunden auf 180–200 mmHg zu erhöhen. Der Druck wurde über 180 mmHg gehalten, bis die Druckentlastung innerhalb von weniger als fünf Sekunden erfolgte (Abb. 5).

Während der mentalen Subtraktionsaufgabe sitzen die Teilnehmer vor einem Computermonitor und geben ihnen einen Reiz für die mentale Subtraktionsaufgabe. Nach der Basismessung wird dem Teilnehmer eine zufällige Auswahl einer dreistelligen Zahl und einer kleineren Zahl (6, 7 oder 13) in einem mathematischen Ausdrucksformat (z. B. 270 – 7) visuell präsentiert. Anschließend subtrahiert der Teilnehmer nacheinander die kleinere Zahl von der größeren Zahl (z. B. 270, 263, 256), bis das Problem vom Bildschirm verschwindet. Jedes Problem wird 20 Sekunden lang angezeigt und das Intervall zwischen den Problemen wird zufällig zwischen 10 und 20 Sekunden ausgewählt. Jede Messung besteht aus fünf Versuchen, wobei drei Messungen insgesamt 15 Versuche pro Teilnehmer und eine Gesamtdauer von 12 Minuten ergeben.

Die fNIRS-Daten werden mithilfe eines Verarbeitungsstroms in Homer3 analysiert. Der Verarbeitungsstrom besteht aus (1) Beschneiden von Kanälen mit einem SNR-Schwellenwert von 10, (2) Umwandeln von Intensitätswerten in OD-Änderungen, (3) Anwenden eines Bewegungserkennungs- und Korrekturalgorithmus38, (4) Bandpassfiltern der Daten von 0,01 bis 0,5 Hz, um Signaldrift und Herzschwankungen zu entfernen, (5) die Änderung der OD in Änderungen der HbO- und HbR-Konzentration umzuwandeln, indem das modifizierte Lambert-Beer-Gesetz39 verwendet wird, und (6) ein allgemeines lineares Modell (GLM) mit einem Signal von ρ = 19 mm anzuwenden.

Aus den SCOS-Rohdaten wird die gesamte Datenanalyse-Pipeline genutzt, um den Rauschbeitrag zu entfernen und BFi zu erhalten. Als nächstes werden periodische Herzschwankungen durch einen Herzsignalentfernungsalgorithmus aus BFi entfernt. Der Algorithmus identifiziert die systolischen Spitzen im BFi, um das mittlere Herzsignal zu erhalten. Unter der Annahme, dass jedes Herzsignal eine ähnliche Form hat, wird das mittlere Herzsignal mithilfe der Methode der kleinsten Quadrate linear an das einzelne Herzsignal angepasst und subtrahiert, um den Beitrag des Herzsignals zu entfernen. Jegliches Restsignal wird durch einen Medianfilter 13. Ordnung und einen Butterworth-Tiefpassfilter dritter Ordnung bei 0,5 Hz entfernt. Die gleiche Verarbeitung wird für den Intensitäts-Zeitverlauf durchgeführt, um den herzfreien ∆OD zu erhalten. Für jeden ROI wird der versuchsgemittelte ∆OD-Zeitverlauf ermittelt. Der ROI mit ausreichender versuchsgemittelter ∆OD-Reaktion wird verwendet, um die versuchsgemittelte BFi-Reaktion zu erhalten.

Für diese Studie wurden acht Teilnehmer im Alter von 20 bis 60 Jahren ohne vorherige Diagnose oder Behandlung neurologischer Störungen rekrutiert. Geschlecht, Geschlecht, Rasse und ethnische Zugehörigkeit wurden bei der Rekrutierung nicht berücksichtigt. Die Teilnehmer wurden durch Anzeigen auf dem Campus einschließlich Flyern rekrutiert. Sieben Teilnehmer wurden für die Messung der durch mentale Subtraktion verursachten CBF-Änderungen rekrutiert, und ein Teilnehmer wurde für die Messung des Manschettenverschlusses rekrutiert. Ein Teilnehmer führte sowohl eine mentale Subtraktion als auch einen Vergleich der Herzsignale zwischen DCS und faserbasiertem SCOS mit und ohne Pulsierungsstrategie sowie faserbasiertem SCOS über eine Reihe von SDS durch. Von den sieben Teilnehmern für die mentale Subtraktionsaufgabe zeigten fünf eine Aktivierung des lateralen Frontallappens und wurden daher anschließend für faserbasierte SCOS-Messungen abgebildet. Das experimentelle Verfahren und die Protokolle wurden gemäß den Vorschriften des Institutional Review Board der Boston University genehmigt und durchgeführt. Jeder Teilnehmer legte vor dem Experiment eine unterzeichnete schriftliche Einverständniserklärung vor.

SNR ist definiert als das Verhältnis zwischen Mittelwert und Standardabweichung des BFi-Zeitverlaufs beim Vergleich von SCOS und DCS. Für das Intervalldiagramm in Abb. 6 stellt die durchgezogene Linie die mittlere Reaktion dar, die für jeden Teilnehmer über 15 Versuche gemittelt wurde. Die Fehlerbalken sind Standardfehler für jeden versuchsgemittelten Datenpunkt. Zur Berechnung der Standardabweichung und des Standardfehlers für jeden versuchsgemittelten Datenpunkt wurde eine Normalverteilung über die Versuche hinweg angenommen. Zur Berechnung des p-Werts (Abb. 6d)44 wurde der Höhepunkt der versuchsgemittelten Reaktion jedes Teilnehmers innerhalb von 20 Sekunden nach der Stimulation und der entsprechende Standardfehler ausgewählt, wobei das Signifikanzniveau auf p = 0,05 eingestellt war. Der Mittelwert, die Standardabweichung und der Standardfehler werden anhand integrierter MATLAB-Funktionen geschätzt.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Portfolio Reporting Summary.

Die zur Generierung der Haupt- und Zusatzzahlen verwendeten Daten sind in der Figshare-Datenbank verfügbar (https://doi.org/10.6084/m9.figshare.23811402). Alle anderen Datensätze, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Die SCOS-Datenanalysepipeline ist in MATLAB geschrieben. Der Code ist auf GitHub (https://github.com/BUNPC/2023-SCOS) verfügbar und wurde bei Zenodo (https://zenodo.org/record/8206356) hinterlegt. Alle anderen Codes, einschließlich derjenigen, die zur Generierung der Abbildungen des Manuskripts verwendet werden, sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Bandera, E. et al. Zerebrale Durchblutungsschwelle des ischämischen Halbschattens und des Infarktkerns bei akutem ischämischem Schlaganfall. Schlaganfall 37, 1334–1339 (2006).

Artikel PubMed Google Scholar

Leigh, R., Knutsson, L., Zhou, J. & van Zijl, PC Bildgebung der physiologischen Entwicklung der ischämischen Halbschatten bei akutem ischämischen Schlaganfall. J. Cereb. Blutfluss. Metab. 38, 1500–1516 (2018).

Artikel PubMed Google Scholar

Bouma, GJ & Muizelaar, JP Gehirndurchblutung, Gehirnblutvolumen und zerebrovaskuläre Reaktivität nach schwerer Kopfverletzung. J. Neurotrauma 9, S333–S348 (1992).

PubMed Google Scholar

Korte, N., Nortley, R. & Attwell, D. Die Abnahme des zerebralen Blutflusses ist ein früher pathologischer Mechanismus bei der Alzheimer-Krankheit. Acta Neuropathol. (Berl.) 140, 793–810 (2020).

Artikel CAS PubMed Google Scholar

Cruz Hernández, JC et al. Neutrophile Adhäsion in Gehirnkapillaren verringert den kortikalen Blutfluss und beeinträchtigt die Gedächtnisfunktion in Mausmodellen mit Alzheimer-Krankheit. Nat. Neurosci. 22, 413–420 (2019).

Artikel PubMed PubMed Central Google Scholar

Durduran, T. et al. Diffuse optische Messung des Blutflusses, der Blutsauerstoffversorgung und des Stoffwechsels in einem menschlichen Gehirn während der Aktivierung des sensomotorischen Kortex. Opt. Lette. 29, 1766–1768 (2004).

Artikel PubMed Google Scholar

Jaillon, F., Li, J., Dietsche, G., Elbert, T. & Gisler, T. Aktivität des menschlichen visuellen Kortex, nichtinvasiv durch Diffusionswellenspektroskopie gemessen. Opt. Express 15, 6643–6650 (2007).

Artikel PubMed Google Scholar

Li, J. et al. Vorübergehende funktionelle Durchblutungsänderung im menschlichen Gehirn, nichtinvasiv durch Diffusionswellenspektroskopie gemessen. Opt. Lette. 33, 2233–2235 (2008).

Artikel CAS PubMed Google Scholar

Liu, W. et al. Schnelle und empfindliche diffuse Korrelationsspektroskopie mit hochparalleler Einzelphotonendetektion. APL Photonics 6, 026106 (2021).

Artikel Google Scholar

Cheng, X., Sie, EJ, Naufel, S., Boas, DA & Marsili, F. Messung neuronaler Aktivität mit diffuser Korrelationsspektroskopie: eine theoretische Untersuchung. Neurophotonik 8, 035004 (2021).

Artikel PubMed PubMed Central Google Scholar

Boas, DA, Campbell, LE & Yodh, AG Streuung und Bildgebung mit diffusen zeitlichen Feldkorrelationen. Physik. Rev. Lett. 75, 1855–1858 (1995).

Artikel CAS PubMed Google Scholar

Boas, DA & Yodh, AG Räumlich variierende dynamische Eigenschaften trüber Medien, untersucht mit diffuser zeitlicher Lichtkorrelation. JOSA A 14, 192–215 (1997).

Artikel Google Scholar

Durduran, T. & Yodh, AG Diffuse Korrelationsspektroskopie zur nicht-invasiven, mikrovaskulären Messung des zerebralen Blutflusses. NeuroImage 85, 51–63 (2014).

Artikel CAS PubMed Google Scholar

Boas, DA et al. Ermittlung der Beziehung des Signals der diffusen Korrelationsspektroskopie zum Blutfluss. Neurophotonik 3, 031412 (2016).

Artikel PubMed PubMed Central Google Scholar

Buckley, EM, Parthasarathy, AB, Grant, PE, Yodh, AG & Franceschini, MA Diffuse Korrelationsspektroskopie zur Messung des zerebralen Blutflusses: Zukunftsaussichten. Neurophotonik 1, 011009 (2014).

Artikel PubMed PubMed Central Google Scholar

Sie, EJ et al. Hochempfindliche Multispeckle-Diffuskorrelationsspektroskopie. Neurophotonik 7, 035010 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Selb, JJ et al. Empfindlichkeit der Nahinfrarotspektroskopie und diffusen Korrelationsspektroskopie auf die Hämodynamik des Gehirns: Simulationen und experimentelle Ergebnisse während Hyperkapnie. Neurophotonik 1, 015005 (2014).

Artikel PubMed PubMed Central Google Scholar

Xu, J., Jahromi, AK, Brake, J., Robinson, JE & Yang, C. Interferometrische Speckle-Sichtbarkeitsspektroskopie (ISVS) zur Überwachung des menschlichen zerebralen Blutflusses. APL Photonics 5, 126102 (2020).

Artikel CAS Google Scholar

Zhou, W. et al. Funktionelle interferometrische Streuwellenspektroskopie des menschlichen Gehirns. Wissenschaft. Adv. 7, eabe0150 (2019).

Carp, SA et al. Diffuse Korrelationsspektroskopiemessungen des Blutflusses mit 1064-nm-Licht. J. Biomed. Opt. 25, 097003 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Boas, DA & Dunn, AK Laser-Speckle-Kontrastbildgebung in der biomedizinischen Optik. J. Biomed. Opt. 15, 011109 (2010).

Artikel PubMed PubMed Central Google Scholar

Senarathna, J., Rege, A., Li, N. & Thakor, NV Laser-Speckle-Kontrastbildgebung: Theorie, Instrumentierung und Anwendungen. IEEE Rev. Biomed. Ing. 6, 99–110 (2013).

Artikel PubMed Google Scholar

Briers, D. et al. Laser-Speckle-Kontrastbildgebung: theoretische und praktische Einschränkungen. J. Biomed. Opt. 18, 066018 (2013).

Artikel PubMed Google Scholar

Duncan, DD & Kirkpatrick, SJ Kann die Laser-Speckle-Flowmetrie zu einem quantitativen Werkzeug gemacht werden? JOSA A 25, 2088–2094 (2008).

Artikel CAS PubMed Google Scholar

Dragojević, T. et al. Kompaktes SCOS-Gerät (Multi-Exposure Speckle Contrast Optical Spectroscopy) zur Messung des Blutflusses im tiefen Gewebe. Biomed. Opt. Express 9, 322–334 (2018).

Artikel PubMed Google Scholar

Valdes, CP et al. Optische Speckle-Kontrastspektroskopie, eine nicht-invasive, diffuse optische Methode zur Messung des mikrovaskulären Blutflusses im Gewebe. Biomed. Opt. Express 5, 2769–2784 (2014).

Artikel PubMed PubMed Central Google Scholar

Varma, HM, Valdes, CP, Kristoffersen, AK, Culver, JP & Durduran, T. Speckle-Kontrast-optische Tomographie: eine neue Methode für die dreidimensionale Tiefentomographie des Blutflusses. Biomed. Opt. Express 5, 1275–1289 (2014).

Artikel PubMed PubMed Central Google Scholar

Zhao, M., Huang, C., Mazdeyasna, S. & Yu, G. Extraktion der optischen Eigenschaften des Gewebes und des Blutflusses aus Messungen der Speckle-Kontrast-Diffuse-Korrelations-Tomographie (scDCT). Biomed. Opt. Express 12, 5894–5908 (2021).

Artikel PubMed PubMed Central Google Scholar

Bi, R., Du, Y., Attia, A., Ho, J.-HC & Olivo, M. Eine Speckle-basierte Methode zur schnellen Messung des Blutflusses in tiefem Gewebe. In Optical Biopsy XIX: Toward Real-Time Spectroscopic Imaging and Diagnosis 11636 1163606 (SPIE, 2021).

Seong, M. et al. Gleichzeitige Messungen des Blutflusses und der Blutsauerstoffsättigung mithilfe einer Kombination aus diffuser Speckle-Kontrastanalyse und Nahinfrarotspektroskopie. J. Biomed. Opt. 21, 027001 (2016).

Artikel Google Scholar

Teng, Z., Gao, F., Xia, H., Chen, W. & Li, C. In-vivo-Pulswellenmessung durch ein Multimode-Faser-Diffuse-Speckle-Analysesystem. Vorderseite. Physik. 8, 613342 (2021).

Lin, C.-HP et al. Optische Multimode-Faser-basierte Speckle-Kontrast-Spektroskopie: Analyse der Speckle-Statistik. Opt. Lette. 48, 1427–1430 (2023).

Artikel CAS PubMed Google Scholar

Bi, R. et al. Schnelle pulsierende Blutflussmessung im tiefen Gewebe durch eine Multimode-Detektionsfaser. J. Biomed. Opt. 25, 055003 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Zilpelwar, S. et al. Modell der dynamischen Speckle-Evolution zur Auswertung von Laser-Speckle-Kontrastmessungen der Gewebedynamik. Biomed. Opt. Express 13, 6533–6549 (2022).

Artikel PubMed PubMed Central Google Scholar

Liebert, A. et al. Bewertung des Zuflusses und Auswaschens von Indocyaningrün im erwachsenen menschlichen Gehirn durch Überwachung der diffusen Reflexion bei großem Quellen-Detektor-Abstand. J. Biomed. Opt. 16, 046011 (2011).

Artikel PubMed Google Scholar

Bandyopadhyay, R., Gittings, AS, Suh, SS, Dixon, PK & Durian, DJ Speckle-Sichtbarkeitsspektroskopie: ein Werkzeug zur Untersuchung zeitlich variierender Dynamik. Rev. Sci. Instrument. 76, 093110 (2005).

Artikel Google Scholar

Lemieux, P.-A. & Durian, DJ Untersuchung nicht-gaußscher Streuprozesse mithilfe von Intensitätskorrelationsfunktionen n-ter Ordnung. JOSA A 16, 1651–1664 (1999).

Artikel Google Scholar

Hoshi, Y. et al. Nichtsynchrones Verhalten neuronaler Aktivität, oxidativer Stoffwechsel und Blutversorgung bei geistigen Aufgaben beim Menschen. Neurosci. Lette. 172, 129–133 (1994).

Artikel CAS PubMed Google Scholar

Murali, K. & Varma, HM Multi-Speckle-Diffuskorrelationsspektroskopie zur Messung des zerebralen Blutflusses. Biomed. Opt. Express 11, 6699–6709 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Yücel, MA et al. Die Regression mit kurzer Trennung verbessert die statistische Signifikanz und lokalisiert die hämodynamische Reaktion, die durch Nahinfrarotspektroskopie für Aufgaben mit unterschiedlichen autonomen Reaktionen erhalten wird, besser. Neurophotonik 2, 035005 (2015).

Artikel PubMed PubMed Central Google Scholar

Zhao, H. & Buckley, EM Einfluss einer übermäßigen Vereinfachung der Kopfanatomie auf Messungen des zerebralen Blutflusses mit diffuser Korrelationsspektroskopie. Neurophotonik 10, 015010 (2023).

Artikel PubMed PubMed Central Google Scholar

Sheppard, WF Zur Berechnung der wahrscheinlichsten Werte von Frequenzkonstanten für Daten, die nach äquidistanter Teilung einer Skala angeordnet sind. Proz. London. Mathematik. Soc. s1-29, 353–380 (1897).

Artikel Google Scholar

Bi, R., Dong, J. & Lee, K. Tiefengewebsdurchflussmessung basierend auf der Analyse des diffusen Speckle-Kontrasts. Opt. Lette. 38, 1401–1403 (2013).

Artikel PubMed Google Scholar

Lin, JT Approximation der Normal-Tail-Wahrscheinlichkeit und ihrer Umkehrung zur Verwendung auf einem Taschenrechner. JR-Stat. Soc.: Ser. C. (Appl. Stat.) 38, 69–70 (1989).

Google Scholar

Referenzen herunterladen

Diese Forschung wurde durch Mittel von Meta Platforms Inc. unterstützt. Die Autoren danken Parya Farzam, Jessie Anderson und De'Ja Rogers für ihre Hilfe bei der Verwendung von fNIRS, Meryem Yucel und Yuanyuan Gao für ihre Hilfe bei der fNIRS-Datenverarbeitung, Joe O' Brien für seine Unterstützung bei der Entwicklung von Quellen- und Detektorsonden für SCOS und Mark Spatz für die Entwicklung einer Software zur Erfassung von Bildern von SPAD- und CMOS-Kameras. Wir danken Mark Spatz und Ryan Catoen für die Softwareentwicklungsarbeit der SPAD- und CMOS-Kameras mit Unterstützung von Dan Furie, Jen Dority, Charles Freeman, Jami Friedman, Jimmy Feng und Rudy Sevile. Wir danken Stephanie Naufel für die Einrichtung der Forschungskooperationen mit Unterstützung von Sofia Romano, Akansh Murthy und Frances Lau.

Diese Autoren haben gleichermaßen beigetragen: Byungchan Kim, Sharvari Zilpelwar.

Neurophotonics Center, Abteilung für Biomedizinische Technik, Boston University, Boston, MA, USA

Byungchan Kim, Sharvari Zilpelwar, Bernhard Zimmermann, David A. Boas und Xiaojun Cheng

Reality Labs Research, Meta Platforms Inc, Menlo Park, CA, USA

Edbert J. Sie & Francesco Marsili

Sie können diesen Autor auch in PubMed Google Scholar suchen

Die vorgestellte Idee entstand aus Diskussionen zwischen DB, ES, FM, SZ und XCSZ, und XC entwickelte das Rauschkorrekturmodell und führte die rechnerische Modellierung durch. BK, BZ, SZ und XC haben den optischen Aufbau entworfen und die technischen Details ausgearbeitet. BK, SZ und XC führten die Experimente durch und trugen zur Analyse und Interpretation der Ergebnisse bei. DB, ES, FM und XC überwachten die Gesamtleitung und Planung. XC hat das Manuskript mit Unterstützung aller Co-Autoren verfasst. Alle Autoren lasen den Inhalt des Papiers und stimmten ihm zu.

Korrespondenz mit Xiaojun Cheng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Communications Biology dankt Lei Chen und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Hauptredakteur: Manuel Breuer.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kim, B., Zilpelwar, S., Sie, EJ et al. Messung des menschlichen Gehirnblutflusses und der Gehirnfunktion mit einem faserbasierten optischen Speckle-Kontrast-Spektroskopiesystem. Commun Biol 6, 844 (2023). https://doi.org/10.1038/s42003-023-05211-4

Zitat herunterladen

Eingegangen: 30. März 2023

Angenommen: 03. August 2023

Veröffentlicht: 14. August 2023

DOI: https://doi.org/10.1038/s42003-023-05211-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.