Patronen van structurele connectiviteit van de hersenen onderscheiden het normale gewicht van personen met overgewicht (2015)

Achtergrond

Veranderingen in de hedonistische component van ingestive gedrag zijn geïmpliceerd als een mogelijke risicofactor in de pathofysiologie van mensen met overgewicht en obesitas. Neuroimaging-gegevens van personen met een toenemende body mass index duiden op structurele, functionele en neurochemische veranderingen in het uitgebreide beloningsnetwerk en bijbehorende netwerken.

Streven

Een multivariate patroonanalyse toepassen om onderwerpen met een normaal gewicht en overgewicht te onderscheiden op basis van grijze en witte materie.

Methoden

Structurele afbeeldingen (N = 120, overgewicht N = 63) en diffusietensorbeelden (DTI) (N = 60, overgewicht N = 30) werden verkregen van gezonde controlepersonen. Voor de totale steekproef was de gemiddelde leeftijd voor de groep met overgewicht (vrouwen = 32, mannen = 31) 28.77 jaar (SD = 9.76) en voor de groep met normaal gewicht (vrouwen = 32, mannen = 25) was 27.13 jaar (SD = 9.62). ). Regionale segmentatie en parcellering van de hersenbeelden werd uitgevoerd met Freesurfer. Er werd deterministische tractografie uitgevoerd om de genormaliseerde vezeldichtheid tussen regio's te meten. Een multivariate patroonanalyse-benadering werd gebruikt om te onderzoeken of hersenmetingen overgewicht kunnen onderscheiden van personen met een normaal gewicht.

Resultaten

1. White-matter-classificatie: het classificatie-algoritme, gebaseerd op 2-handtekeningen met regionale 17-verbindingen, bereikte 97% -nauwkeurigheid bij het onderscheiden van personen met overgewicht van personen met een normaal gewicht. Voor beide hersenkraken werd een grotere connectiviteit zoals geïndexeerd door een verhoogde vezeldichtheid waargenomen bij overgewicht in vergelijking met het normale gewicht tussen de beloningsnetwerkregio's en regio's van de uitvoerende controle, emotionele opwinding en somatosensorische netwerken. Daarentegen werd het tegenovergestelde patroon (verlaagde vezeldichtheid) gevonden tussen de prefrontale cortex van de ventromediale en de insula aan de voorzijde, en tussen de regio's van de thalamus en de uitvoerende controle. 2. Grijsstofclassificatie: het classificatie-algoritme, gebaseerd op 2-handtekeningen met 42-morfologische kenmerken, bereikte 69% nauwkeurigheid bij het onderscheiden van overgewicht van normaal gewicht. In beide hersengebieden werden regio's van de beloning, salience, executive control en emotionele opwindingsnetwerken geassocieerd te verlagen morfologische waarden bij personen met overgewicht in vergelijking met personen met een normaal gewicht, terwijl het tegenovergestelde patroon werd waargenomen voor regio's van het somatosensorische netwerk.

Conclusies

1. Een verhoogde BMI (dwz onderwerpen met overgewicht) gaat gepaard met duidelijke veranderingen in de grijze stof en vezeldichtheid van de hersenen. 2. Classificatiealgoritmen op basis van white-matterconnectiviteit waarbij regio's van de beloning en bijbehorende netwerken betrokken zijn, kunnen specifieke doelen identificeren voor mechanistische studies en toekomstige geneesmiddelenontwikkeling gericht op abnormaal eetgedrag en overgewicht / obesitas.

2.3.1. Structurele (grijs-materie) MRI

Onderwerpen (N = 120, hoge BMI N = 63) werden gescand op een 3.0 Tesla Siemens TRIO nadat een sagittale verkenner was gebruikt om het hoofd te positioneren. Structurele scans werden verkregen uit 4 verschillende acquisitiesequenties met behulp van een driedimensionaal T3-gewogen, sagittaal magnetisatie-voorbereid, snel gradiënt echo (MP-RAGE) protocol met hoge resolutie en scandetails zijn: 1. Herhalingstijd (TR) = 1 ms, echotijd (TE) = 2200 ms, omkeerhoek (FA) = 3.26, 9 mm³ voxel grootte. 2. TR = 2200 ms, TE = 3.26 ms, FA = 20, 1 mm³ voxel grootte. 3. TR = 20 ms, TE = 3 ms, FA = 25, 1 mm³ voxel grootte. 4. TR = 2300 ms, TE = 2.85 ms, FA = 9, 1 mm³ voxel grootte. Invloed van acquisitieprotocol op verschillen in totaal grijs stofvolume (TGMV) werd beoordeeld. Specifiek werd het algemene lineaire model (GLM) toegepast om protocolinvloeden op TGMV-controle voor leeftijd te bepalen. Uit de resultaten bleek dat alle protocollen niet op elkaar leken (F(3) = 6.333, p = .053).

2.3.2. Anatomische connectiviteit (wit-materie) MRI

Een subset van het originele monster (N = 60, hoge BMI N = 30) ondergingen diffusiegewogen MRI's (DWI's) volgens twee vergelijkbare acquisitieprotocollen. In het bijzonder werden DWI's verworven in 61 of 64 niet-collineaire richtingen met b = 1000 s / mm², met 8 of 1 b = 0 s / mm² afbeeldingen. Beide protocollen hadden een TR = 9400 ms, TE = 83 ms en gezichtsveld (FOV) = 256 mm met een acquisitiematrix van 128 × 128 en een plakdikte van 2 mm om 2 × 2 × 2 mm te produceren³ isotrope voxels.

2.4.1. Structurele (grijs-materie) segmentatie en verkaveling

T1-beeldsegmentatie en regionale verkaveling werden uitgevoerd met FreeSurfer (Dale et al., 1999; Fischl et al., 1999, 2002) volgens de nomenclatuur die is beschreven in Destrieux et al. (2010). Voor elke hersenhelft werd een reeks 74 bilaterale corticale structuren gelabeld naast 7 subcorticale structuren en het cerebellum. Segmentatieresultaten van een proefpersoon worden getoond in Fig 2A. Een extra middellijnstructuur (de hersenstam die delen van de middenhersenen bevat zoals het ventrale tegmentale gebied [VTA] en de substantia nigra) was ook opgenomen, voor een complete set van 165-parcellaties voor de gehele hersenen. Voor elke corticale parabellering werden vier representatieve morfologische metingen berekend: volume grijze stof (GMV), oppervlakte (SA), corticale dikte (CT) en gemiddelde kromming (MC). Werkstromen voor gegevensverwerking werden ontworpen en geïmplementeerd in de Laboratory of Neuroimaging (LONI) Pipeline (http://pipeline.loni.usc.edu).

 

figuur 2

A. Structurele segmentatie- en verketteringsresultaten en B. witte-stofvezelresultaten in verband met structurele parcellaties van een proefpersoon. A: structurele segmentatie. B: segmentatie van witte materie.

2.4.2. Anatomische connectiviteit (witte stof)

Diffusiegewogen beelden (DWI) werden gecorrigeerd voor beweging en gebruikt om diffusietensens te berekenen die rotationeel opnieuw georiënteerd waren op elke voxel. De diffusietensorbeelden werden opnieuw uitgelijnd op basis van trilineaire interpolatie van log-getransformeerde tensoren zoals beschreven in Chiang et al. (Chiang et al., 2011) en opnieuw bemonsterd tot een isotrope voxelresolutie (2 × 2 × 2 mm³). Werkstromen voor gegevensverwerking zijn gemaakt met behulp van de LONI-pijplijn.

De connectie van witte materie voor elk onderwerp werd geschat tussen de 165-hersengebieden die werden geïdentificeerd op structurele afbeeldingen (Fig. 2B) met behulp van DTI-vezeltractografie. Tractografie werd uitgevoerd via het Fiber Assignment by Continuous Tracking (FACT) -algoritme (Mori et al., 1999) met TrackVis (http://trackvis.org) (Irimia et al., 2012). De uiteindelijke schatting van de connectiviteit tussen witte stof tussen elk van de hersengebieden werd bepaald op basis van het aantal vezelbanen dat elk gebied kruiste, genormaliseerd door het totale aantal vezelkanalen in de gehele hersenen. Deze informatie werd vervolgens gebruikt voor de daaropvolgende classificatie.

2.5.1. Ontwikkeling van het voorspellende model

Het aantal hersenkrakers voor elke analyse was vastgesteld op twee (Lê Cao et al., 2008b). De stabiliteitsanalyse werd gebruikt om het optimale aantal hersenregio's voor elke hersenaanduiding te bepalen (Lê Cao et al., 2011). Ten eerste wordt sPLS-DA toegepast in een reeks variabelen, 5-200, die moeten worden geselecteerd voor elk van de twee hersenignaturen. Voor elke specificatie van het aantal te selecteren variabelen, 10-voudige cross-validatie herhaalde 100-tijden worden uitgevoerd. Deze cross-validatieprocedure verdeelt de trainingsgegevens in 10-vouwingen of subsamples van gegevens (n = 12 testsets). Een enkele deelsteekproef wordt gereserveerd als testdata en de overige deelsteekproeven worden gebruikt om het model te trainen. De stabiliteit van de variabelen wordt bepaald door het aantal keren te berekenen dat een specifieke variabele is geselecteerd voor alle kruisvalidatieruns. Alleen hersenvariabelen met een stabiliteit van meer dan 80% werden gebruikt om het uiteindelijke model te ontwikkelen.

2.6.1. Dunne partial least squares - analyse van onderscheid (sPLS-DA)

sPLS-DA werd uitgevoerd met behulp van de R-pakket mixOmics (http://www.R-project.org). We onderzochten de voorspellende kracht van hersenmorfometrie en DTI-anatomische connectiviteit afzonderlijk. Naast regionale hersenmorfometrie of regionale anatomische connectiviteit, werden leeftijd en totaal GMV opgenomen als mogelijke voorspellers. Voor verkregen morfologische gegevens werden metingen van GMV, SA, CT en MC in het model ingevoerd. Voor DTI verkregen anatomische connectiviteitsgegevens werden de vakspecifieke matrices die de relatieve vezeldichtheid tussen de 165-regio's indexeren omgezet in 1 dimensionale matrices met 13,530 unieke connectiviteiten (bovenste driehoek van de initiële matrix). Deze matrices werden vervolgens aaneengeschakeld over onderwerpen en ingevoerd in de sPLS-DA. Als een initiële datareductiestap werden bijna-nulvariabele voorspellers weggelaten en dit resulteerde in 369 resterende verbindingen. De hersenignaturen zijn samengevat met behulp van variabele belastingen op de individuele dimensies en VIP-coëfficiënten. We gebruiken ook grafische displays om de discriminerende vaardigheden van de algoritmen te illustreren (Lê Cao et al., 2011). Het voorspellend vermogen van de uiteindelijke modellen werd beoordeeld met behulp van een cross-validatie. We hebben ook binaire classificatiemaatstaven berekend: gevoeligheid, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV). Hier indexeert de gevoeligheid het vermogen van het classificatie-algoritme om individuen met overgewicht correct te identificeren. Specificiteit weerspiegelt het vermogen van het classificatie-algoritme om personen met een normaal gewicht correct te identificeren. PPV geeft het deel van het monster weer dat de specifieke hersensignatuur van overgewicht van het classificatie-algoritme laat zien en die daadwerkelijk overgewicht hebben (echt positief). Aan de andere kant is NPV de kans dat, als het testresultaat negatief is, dat wil zeggen, de deelnemer niet overgewicht-specifieke hersensignatuur heeft (echt negatief).

2.6.2. Voorbeeldkenmerken

Statistische analyses werden uitgevoerd met behulp van Statistical Package for the Social Sciences (SPSS) -software (versie 19). Groepsverschillen in scores voor gedragsmetingen werden geëvalueerd door variantieanalyse (ANOVA) toe te passen. Er werd rekening gehouden met de betekenis p <.05 ongecorrigeerd.

3.2.1. Anatomische connectiviteit (op basis van witte stof) gebaseerde classificatie

We onderzochten of hersenanatomische connectiviteit wit-materie kan worden gebruikt om personen met overgewicht te onderscheiden van personen met een normaal gewicht. Fig 3A beeldt de individuen uit het monster af, gerepresenteerd in relatie tot de twee hersenaanduidingen en geeft de onderscheidende vermogens van de classifier voor witte stof weer. Binaire classificatiemetingen werden berekend en duidden een gevoeligheid aan van 97%, specificiteit van 87%, PPV van 88% en NPV van 96%. Tabel 2 bevat de lijst van de stabiele wit-matter-verbindingen die elke discriminerende hersensignatuur omvatten, samen met variabele belastingen en VIP-coëfficiënten.

 

figuur 3

A. Classifier op basis van vezeldichtheid (witte stof). B. Classificator op basis van grijze stofmorfologie. A: toont de onderscheidende eigenschappen van de vezeldichtheid (wit-matter) classifier. B: toont de discriminerende mogelijkheden van de classificeerder voor grijze stof. ...

 

tafel 2

Lijst van anatomische verbindingen die elke discriminerende hersensignatuur omvatten.

3.2.2. Anatomische connectiviteit gebaseerde hersenensignatuur 1

De eerste hersensignatuur is goed voor 63% van de variantie. Zoals aangegeven door de VIP-coëfficiënten, omvatten de variabelen in de oplossing die de meeste variantie toelichtte 1) verbindingen tussen regio's van het beloningsnetwerk (putamen, pallidum, hersenstam [inclusief midbrain-regio's zoals de VTA en substantia nigra]) met regio's van de uitvoerende macht controle (precuneus die deel uitmaakt van de achterste pariëtale cortex), salience (voorste insula), emotionele opwinding (ventromediale prefrontale cortex) en somatosensorische (postcentrale gyrus) netwerken; 2) gebieden van het emotionele netwerk van opwinding (voorste dermcellijn cortex, ventromediale prefrontale cortex) met gebieden van de salience (voorste insula) en somatosensorische (paracentral lobulus met inbegrip van aanvullende motorcortex) netwerken; en 3) thalamus met de middelste occipitale gyrus en thalamus met een uitvoerend controlenetwerkgebied (dorsale laterale prefrontale cortex).

In vergelijking met de normale gewichtsgroep vertoonde de groep met overgewicht meer connectiviteit van regio's van het beloningsnetwerk (putamen, pallidum, hersenstam) met het uitvoerende controlenetwerk (posterieure pariëtale cortex) en van putamen naar een remmend deel van het emotionele netwerk van opwinding ( ventromediale prefrontale cortex) en regio's van het somatosensorische netwerk (postcentrale gyrus en posterieure insula). Lagere connectiviteit werd waargenomen in de groep met overgewicht in regio's, van het emotionele netwerk voor opwinding (ventromediale prefrontale cortex) tot het salience-netwerk (insula anterior), maar grotere connectiviteit in de groep met overgewicht van regio's van het emotionele netwerk voor opwinding (ventromediale prefrontale cortex) naar de somatosensorisch netwerk (posterior insula). Lagere connectiviteit werd ook waargenomen in de groep met overgewicht in de verbindingen van de somatosensorische (paracentrale lobulus) naar de voorste midcellige schors, maar een hogere connectiviteit van de paracentrale lobule naar de subparietale sulcus (een deel van het somatosensorische netwerk). Als we naar thalamische verbindingen kijken, werd een lagere connectiviteit waargenomen van de thalamus tot de dorsale laterale prefrontale cortex (uitvoerende controlenetwerk) en tot de middelste occipitale gyrus bij personen met overgewicht in vergelijking met personen met een normaal gewicht.

3.2.3. Anatomische connectiviteit gebaseerde hersenensignatuur 2

De tweede anatomische hersenignatuur die werd geïdentificeerd, zorgde voor een extra 12% van de variantie in de gegevens. De variabelen die de meeste variatie aan de groepsdiscriminatie toevoegden, zoals aangegeven door de VIP-coëfficiënt, omvatten verbindingen in gebieden van de beloning (putamen, orbitale sulci die deel uitmaken van de orbitale frontale gyrus en hersenstam) en emotionele opwinding (gyrus rectus die de mediale is). deel van de ventromediale prefrontale cortex) netwerken.

Bij personen met overgewicht in vergelijking met personen met een normaal gewicht, werd een grotere connectiviteit waargenomen tussen de beloningsnetwerkgebieden (hersenstam en putamen) naar zowel de uitvoerende controle (dorsale laterale prefrontale cortex) als het remmende deel van de emotionele opwinding (ventromediale prefrontale cortex). De connectiviteit tussen het achterhoofdgedeelte van de orbitale frontale gyrus (beloningsnetwerk) was echter lager bij personen met overgewicht in vergelijking met personen met een normaal gewicht.

3.2.4. Morphometrische classificatie op basis van grijsstoffen

We onderzochten of hersenmorfometrie (volume van grijze stof, oppervlakte, corticale dikte en gemiddelde kromming) kan worden gebruikt om personen met overgewicht te onderscheiden van personen met een normaal gewicht. Fig 3B beeldt de individuen van het monster af, gerepresenteerd in relatie tot de twee hersenaanduidingen en geeft de onderscheidende vermogens van de morfometrische classificator weer. Binaire classificatiemetingen werden berekend en duidden een gevoeligheid aan van 69%, specificiteit van 63%, PPV van 66% en NPV van 66%. Tabel 3 bevat de lijst met morfometrische meetwaarden die elk onderscheidend samen met variabele belastingen en VIP-coëfficiënten omvatten.

 

tafel 3

Regionale morfometrie die elke hersenensignatuur omvat.

3.2.5. Morfologisch gebaseerde hersenensignatuur 1

De eerste hersenaanduiding verklaarde 23% van de variabiliteit in de morfometrische fenotypegegevens. Zoals te zien aan de VIP-coëfficiënten, omvatten de variabelen die de meeste variantie in de handtekening droegen gebieden van de beloning (subregio's van de orbitale frontale gyrus), salience (insula vóór), executieve controle (dorsale laterale prefrontale cortex), emotionele opwinding (ventromediale prefrontale cortex) ) en somatosensorische (precentral sulcus, supramarginal gyrus, subcentral sulcus, superior frontal sulcus) netwerken. Hoge VIP-coëfficiënten werden ook waargenomen voor de superieure frontale gyrus en sulcus, superieure temporale gyrus, transverse frontopolaire gyri en anterieure transverse temporale gyrus. Regio's van de beloning, salience, executive control en emotionele opwindingsnetwerken werden geassocieerd te verlagen waarden bij personen met overgewicht in vergelijking met personen met een normaal gewicht. Ook hadden personen met overgewicht vergeleken met personen met een normaal gewicht meer waarden in regio's van het somatosensorische netwerk. De morfometrie van de frontale en temporale regio's (superieure temporale gyrus en anterieure transverse temporale gyrus) was ook geassocieerd met te verlagen waarden bij personen met overgewicht in vergelijking met personen met een normaal gewicht.

3.2.6. Morfologisch gebaseerde hersenensignatuur 2

De tweede morfologische hersenaanduiding verklaarde 32% van de variantie. Variabelen met de hoogste VIP-coëfficiënten waren vergelijkbaar met de VIP-coëfficiënten die werden waargenomen in hersenensignatuur 1 in die zin dat ze regio's van de beloning (caudate), salience (voorste insula), executieve controle (delen van de posterieure pariëtale cortex), emotionele opwinding (parahippocampal) omvatten gyrus, subgenuele anterior cingulate cortex en anterior cingulate cortex) en somatosensorische (posterior insula en paracentral lobule) netwerken. Echter, hersenensignatuur 2 vergeleken met hersenaanduiding 1 had slechts één verbinding van het beloningsnetwerk en meer verbindingen uit gebieden van de saillantie en emotionele opwindingsnetwerken.

Bij personen met overgewicht in vergelijking met personen met een normaal gewicht, te verlagen waarden voor morfometrie in de beloning, salience, executive control en emotionele arousal netwerken, maar hoger waarden in het somatosensorische netwerk werden aangegeven.

4.1.1. Anatomische connectiviteit gebaseerde hersenensignatuur 1

De eerste hersenensignatuur bestond grotendeels uit verbindingen binnen en tussen beloning, opvallendheid, uitvoerende controle, emotionele opwinding en sensorische netwerken. Er waren ook thalamische verbindingen met regio's van het uitvoerende controlenetwerk en met de occipitale regio. Dit komt overeen met onze bevinding van verminderde verbindingen van de ventromediale prefrontale cortex naar de voorste insula waargenomen in de groep met overgewicht in vergelijking met de normale gewichtsgroep, verminderde integriteit van witte-stofkanalen (verminderde fractionele anisotropie) in de externe capsule (die vezels bevat die verbinden corticale gebieden naar andere corticale gebieden via korte koppelingsvezels) zijn gemeld bij obesitas in vergelijking met controles (Shott et al., 2014). Bovendien was bij obesitas in vergelijking met controles de schijnbare diffusiecoëfficiënt (waterdiffusie die celbeschadiging weerspiegelt) groter in de sagittale laag (die bekend staat voor het overbrengen van informatie van de pariëtale, occipitale, cingulate en temporale regio's naar de thalamus), en kan consistent zijn met onze observaties van een lagere connectiviteit tussen de rechter thalamus en de rechter middelste achterhoofdsklieren voor mensen met overgewicht in vergelijking met personen met een normaal gewicht (Shott et al., 2014). Shott en collega's (Shott et al., 2014) identificeerden ook grotere schijnbare diffusiecoëfficiënten (die mogelijke celbeschadiging weerspiegelen) in de zwaarlijvige groep in de corona radiata, wat onze bevindingen van een lagere relatieve vezeldichtheid tussen diepe grijze-materiestructuren (zoals de thalamus) en corticale gebieden (dorsaal laterale prefrontale cortex) bij personen met overgewicht in vergelijking met personen met een normaal gewicht. Veranderde thalamische connectiviteit kan de rol van de thalamus verstoren bij het vergemakkelijken van het doorgeven van perifere sensorische informatie naar de cortex (Jang et al., 2014).

Een afzonderlijke studie waarin ongecompliceerde adolescente zwaarlijvige personen met een normaal gewicht werden vergeleken, vond ook verminderde fractionele anisotropie bij obese adolescenten in regio's zoals de externe capsule, interne capsule (die meestal oplopende en dalende corticospinale traktaten draagt), evenals enkele tijdelijke vezels en optische straling (Yau et al., 2014). Een recente studie toonde ook verlies van zenuwvezelkabels aan met DTI tussen de hersenstam en hypothalamus bij een individu met een hersenstam-cavernoma die, na chirurgische drainage te hebben ondergaan, een dramatische toename in gewicht had, wat kan suggereren dat deze zenuwvezels betrokken zijn bij de regulatie. van zowel voedselinname als gewicht (Purnell et al., 2014). We hebben echter geen connectiviteitsverschillen geïdentificeerd met de hypothalamus, die mogelijk gedeeltelijk te wijten zijn aan parabellatiebeperkingen op basis van de specifieke atlassen die in de huidige studie zijn gebruikt.

4.1.2. Anatomische connectiviteit gebaseerde hersenensignatuur 2

Een tweede orthogonale handtekening bestond uit slechts drie anatomische verbindingen binnen de belonings- en emotionele opwindingsnetwerken. De identificatie van gewijzigde verbindingen binnen regio's die het beloningsnetwerk omvatten en met regio's in de netwerken waarmee het in het huidige onderzoek interacteert, is niet eerder gerapporteerd. Deze wijzigingen kunnen echter worden verwacht op basis van recente morfologische onderzoeken die grijze stofveranderingen hebben waargenomen binnen regio's van het uitgebreide beloningsnetwerk (Kenny, 2011; Kurth et al., 2013; Raji et al., 2010; Volkow et al., 2008). Samen lijken onze bevindingen wijdverbreide veranderingen in white-matter-connectiviteit te tonen voor regio's die het beloningsnetwerk en de bijbehorende netwerken vormen.

Terwijl andere studies een verminderde integriteit van de vezel hebben gevonden, gemeten aan de hand van verminderde fractionele anisotropie in regio's van het corpus callosum en fornix (die deel uitmaken van het cingulaat en informatie over dragen van de hippocampus naar de hypothalamus) met toenemende BMI (Stanek et al., 2011; Xu et al., 2013); de huidige studie identificeerde geen significante veranderingen in interhemisferische connectiviteit binnen de twee anatomisch-connectieve hersenaanduidingen. De uitzondering was dat er een verband was tussen de linker paracentrale lobulus en de rechter benedenliggende sulcus in hersenensignatuur 1 en een verband tussen het rechter putamen en de linker gyrus rectus in hersenensignatuur 2. We veronderstellen dat het effect waargenomen in deze eerdere studies te wijten kan zijn aan systemische afbraak van witte stof in plaats van veranderingen in verbindingen tussen specifieke hersengebieden, vergelijkbaar met veranderingen die optreden tijdens normale veroudering (Sullivan et al., 2010). Hoewel de auteurs van deze eerdere onderzoeken veronderstelden dat verschillen in fractionele anisotropie in de externe capsule van patiënten met een hoge BMI kunnen worden gecorreleerd met verbindingen van de hippocampus en amygdala, hebben we geen significante veranderingen waargenomen in de connectiviteit binnen deze structuren. Een meer gedetailleerde analyse en fijnere parcellatie van deze hersengebieden zijn vereist om deze waarnemingen te bevestigen.

4.2.1. Morfologisch gebaseerde hersenensignatuur 1

In onze studie vertoonde de eerste hersenaanduiding lagere waarden van verschillende morfometrische metingen (inclusief subgebieden van de orbitale frontale gyrus, voorste insula) in gebieden van de belonings-, salience- en uitvoerende controlenetwerken in de groep met overgewicht in vergelijking met de normale gewichtsgroep. Daarnaast werden lagere waarden morfometrische waarden waargenomen voor de remmende regio's (dorsale laterale en ventromediale prefrontale cortex) gerelateerd aan het emotionele opwindingsnetwerk, maar hogere morfometrie voor somatosensorisch netwerk (precentral sulcus, supramarginal gyrus, subcentral sulcus en superieure frontale sulcus) inclusief de temporele regio's bij personen met overgewicht in vergelijking met personen met een normaal gewicht. In deze studie vonden we significante reducties in morfologische metingen (volume van grijze stof en corticale dikte) van de orbitale frontale gyrus. De orbitale frontale gyrus is een belangrijke regio binnen het beloningsnetwerk die een rol speelt in evaluatieve verwerking en in de begeleiding van toekomstig gedrag en beslissingen op basis van coderingsevaluatie met betrekking tot beloning (Kahnt et al., 2010). Een recent onderzoek naar de structuur van grijze en witte stof toonde aan dat obese personen waarden hadden verlaagd voor verschillende regio's binnen het beloningsnetwerk, waaronder de orbitale frontale gyrus (Shott et al., 2014).

4.2.2. Morfologisch gebaseerde hersenensignatuur 2

Vergeleken met hersenkenmerken 1 legden morfologische metingen waargenomen in regio's met opvallende en emotionele opwindingsnetwerken een groot deel van de variantie uit, terwijl de beloningsnetwerkregio's niet van invloed waren. Verminderde grijze stofmetingen werden waargenomen in gebieden van de saillantie, de uitvoerende controle en het emotionele netwerk van opwinding. Deze gebieden (voorste insula, pariëtale posterieure cortex, parahippocampale gyrus, subregio's van de cortex anterior cingulate) worden vaak geassocieerd met verhoogde evoked hersenactiviteit tijdens blootstelling aan voedselcues (Brooks et al., 2013; Greenberg et al., 2006; Rothemund et al., 2007; Shott et al., 2014; Stoeckel et al., 2008), en mate van persoonlijke saillantie van stimuli (Critchley et al., 2011; Seeley et al., 2007a). In de huidige studie werden reducties van grijze stoffen ook gezien in sleutelgebieden van het somatosensorische netwerk (posterior insula, paracentral lobule). Hoewel de exacte rol van dit netwerk bij overgewicht en obesitas niet bekend is, is aangetoond dat het betrokken is bij het bewustzijn van lichamelijke gewaarwordingen, en een recente studie suggereerde dat verhoogde somatosensorische netwerkactiviteit als reactie op voedselaanwijzingen bij obese personen zou kunnen leiden tot te veel eten (Stice et al., 2011). Deze studie richtte zich specifiek op morfologische metingen en anatomische verbindingen tussen hersengebieden in het uitgebreide beloningsnetwerk en het somatosensorische netwerk, en suggereert dat deze hersenstructuren de neurale verwerking kunnen beïnvloeden die geassocieerd is met de uitkomsten van functionele studies uit de literatuur. Correlaties met gedrags- en omgevingsfactoren bieden ook verder inzicht in de relatie tussen structurele en functionele bevindingen, die in toekomstige studies moeten worden getest.