Summary

Across Time fMRI Multi-voksel Bilgi Senkron Çıkışı Tedbir Bilgilendirici Bağlantı kullanma

Published: July 01, 2014
doi:

Summary

Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Abstract

Şimdi durum-ilgili bilgiler bile tek değişkenli aktivasyon benzer seviyelerde koşulları için, fonksiyonel manyetik rezonans görüntüleme (fMRI) beyin aktivitesinin dağıtılan kalıpları içinde mevcut olabileceği takdir edilmektedir. Çoklu voksel model (MVP) analizi büyük bir başarı ile bu bilgileri dekode edilmesi için kullanılmaktadır. FMRI araştırmacılar da sık sık beyin bölgeleri birbirine bağlı ağların etkileşim nasıl anlamak için aramak, ve zamanla yanıtları iliĢkilendirdiği bölgeleri belirlemek için fonksiyonel bağlantı (FC) kullanın. Tek değişkenli analizler MVP'leri bilgilere duyarsız olabilir gibi, FC tamamen karakteristik MVP imza ile işlem koşulları beyin ağları karakterize olmayabilir. Yöntem Burada tarif, bilgilendirme bağlantısı (IC), FC erişilebilir değil bağlantısı ortaya, zaman içinde MVP-discriminability içinde ilişkili değişikliklerle olan bölgeleri tespit edebilir. Yöntem tohum dümene tanımlamak için ışıldaklar kullanarak keşif olabilir,Seniyye alanlar, ya da önceden seçilmiş bölgelerde-faiz arasında, planlı. Sonuçlar, MVP ile ilgili işlem koşulları bölgelerin ağlarını aydınlatmak dökümü MVPA ışıldak harita can ayrı ağlarına veya görevleri ve hasta grupları arasında karşılaştırılabilir yapabilirsiniz.

Introduction

Burada anlatılan analiz yönteminin amacı onların çok Voxel bilgi dalgalanmalara dayalı beyin bölgeleri arasındaki bağlantı ölçmektir. Fonksiyonel manyetik rezonans görüntüleme (fMRI) analiz tekniklerindeki gelişmeler, bilgi büyük miktarda birden voksellerden 1-3 dağılmış olan kan oksijenlenme seviyesi bağımlı (BOLD) faaliyet kalıpları içinde bulunan edilebileceğini ortaya koymuştur. Multi-voksel model analizi (MVPA) olarak bilinen – – değişkenli bilgilere duyarlı tekniklerin bir dizi koşulları ayırt değişkenli cevapları 1,2,4 olmasına rağmen ayırt MVP sahip olduğunu göstermek için kullanılır olmuştur. Tek değişkenli cevapları karşılaştırmak Standart analizler, bu çok Voxel bilgilere duyarsız olabilir.

Insanlar uyaranlara işlemek ve bilişsel işlemleri gerçekleştirdiğinizde Çoklu beyin bölgeleri ilgileniyoruz. Fonksiyonel bağlantısı (YP) yaygın investi kullanılan bir yöntemdirkapı gibi fonksiyonel ağları 5,6. En temel haliyle, FC farklı voksellerden veya bölgeler arasındaki işbirliğini etkinleştirme veya senkronizasyonunu, rakamlarla. FC çok başarı ile işlevsel olarak bağlantılı beyin ağları tanımlamak için kullanılmıştır. Birçok bölge ve koşulları için, ancak, tek değişkenli tepkiler BOLD faaliyet içerisinde tüm mevcut bilgileri yansıtmamaktadır. Dinamik değişkenli tepki düzeylerini değiştirerek izlemek FC teknikleri çok Voxel bilgilerin ortak dalgalanmalara duyarlılık eksikliği olabilir. Analiz yöntemi Burada sunulan, bilgilendirme bağlanabilirlik (BM; önce bir son yazıda 7'de açıklanan), zaman içinde çok Voxel bilgilere duyarlı bir metrik ile bağlantı ölçerek, MVPA ve FC arasında bir köprü. FC dinamik değişkenli aktivasyonunu değişen parça iken, IC dinamik MVP discriminability değişen izler – Bir MVP gerçek durumu (yanlış) alternatifler ayırt edilebilir ne kadar iyi bir ölçü. Önemli bir şekilde, in tO aynı şekilde farklı bölgelerde farklı hesaplamalar (bir kişi adam yapılan nesneler hit örneğin, görsel işleme veya eylem planlaması) sahne rağmen bir duruma değişkenli yanıtların benzer seviyelerde gösterebilir, farklı bölgelerde de MVP benzer (ve senkronize) seviyelerine sahip olabilirler discriminability onlar farklı işlem koşulları ise. Yeni bir soruşturma IC standart FC yaklaşımla 7 ile saptanabilir değildir bölgelerarası bağlantısı ortaya göstermiştir. Müfettişler bu nedenle katılımcılar karakteristik dağıtılan desenleri var koşulları veya uyaranlara yanıt olarak beyin bölgeleri arasındaki etkileşimleri araştırmak için IC kullanabilirsiniz. IC sınıflandırma sonuçları 8, 9 ile ilgili olarak tek değişkenli aktivasyon dalgalanmalara incelenen çeşitli son bağlantı uygulamalardan farklıdır. Bu yaklaşımlardan farklı olarak, IC bölgeler arasındaki senkron çok voksel model discriminability tespit eder.

Protocol

1.. FMRI verileri hazırlamak Not: Bir fMRI taraması gerçekleştirdikten sonra, ön-işlem (uzaysal düzgünleştirme kaçınılması ya da multi-voksel kalıplarını korumak için minimize edilmelidir rağmen) önce bu protokolü başlamadan en fMRI yazılım paketleri mevcut araçları kullanarak toplanan veriler. Uygun bir veri kümesi bir örnek yöntemin 7 önceki bir uygulama tarif edilmiştir. Hareket kaldırmak ve hareket parametreleri için belirleyicileri olan bir regresyon modeli (roll, pitch, yaw, x, y, z) oluşturarak ön-işlenmiş fMRI verilerin zaman serisi beyaz madde sinyallerini anlama ve beyaz cevher sinyal anlamına gelir. (Kalan varyans yani) elde edilen artıkların aşağıda analizlerini yürütürler. Bir analiz paketi (örneğin, MATLAB, Python) içine oluşturulan artıklar aktarın. Açık kaynak Bildiri Bağlantı Kutusu (http://www.informationalconnectivity.org) MATLAB içine fMRI veri alabilirsiniz. Z-skoru EACh vokselin zaman serisi. Böyle farklı bir tarayıcı olarak çalışır bağımsız setleri ('kıvrımları'), içine DataSet timepoints ayırın. Not: Tarayıcı çalışır kullanılması aksi takdirde (örneğin, bağımlılıkları ön-işleme sırasında bir seferin timepoints arasında oluşturulan olabilir) garanti etmek zor olabilir kıvrımları arasında bağımsızlık sağlar. Runs tek çalışır kullanarak daha fazla eğitim veri verecek olmasına karşın, kıvrımların sayısını (örneğin, çift ve tek çalışır 2) azaltmak için birlikte gruplandırılmış olabilir. N uzun zaman noktalarında bir durum etiketlerin bir vektör üreterek zaman noktalarında ilişkili durum etiket kaydını oluşturur. Olaylar ve kaydedilen fMRI sinyalleri arasındaki hemodinamik lag için hesap için, 5 sn eşdeğer kat-to-tekrarlama (TRS) bir dizi her çalıştırdığınızda ileri koşul etiketleri Shift. 2.. Seçin ve bir Tohum Bölge Analiz Bir anatomik izole bir tohum bölge seçinal alan, işlevsel lokalize bölge veya 'bilgi beyin haritalama' en iyi performans gösteren 10 ışıldaklar. Not: 2,2-4,2 aşağıda açık kaynak Bilgilendirme Bağlantı MATLAB Toolbox tarafından yapılabilir Adımlar ( http://www.informationalconnectivity.org ). . (Not: Bu popüler korelasyon tabanlı yakın komşu sınıflandırıcı 2'de kullanılan aynı yaklaşım) her durum için bir prototip MVP her zaman noktasının MVP karşılaştırın 1 (üst) Şekil olarak toplanan gerçek verilerden bir örnek verir Katılımcılar insan yapımı nesneler dört tip blokları inceledi. -Ama-tek kat olarak her durumun timepoints ortalama her durum için bir prototip (ortalama) MVP hesaplayın. Bu, her kat için 'eğitim' verileri (örneğin, 5 kat 2, ortalama-MVP kıvrım 1, 3, 4 de zaman noktalarında hesaplanır, ve 5). Her zaman noktası 'Correlate, Eğitim verileri her durumun ortalama-MVP ile s MVP. Bu (: burada en yüksek korelasyon ile durumu tabanlı MVPA sınıflandırıcı 2 popüler korelasyon tahmin olacağını unutmayın) her zaman noktasında, her durum için bir bağıntı değer verecektir Z-puanları r-değerleri Fisher-dönüşümü. Her zaman noktasında için 'MVP discriminability' ölçmek: İlk timepoint MVP ve timepoint durumunun ortalama-MVP arasındaki ilişkiyi temsil 2.2.3 dan korelasyonu belirlemek ve daha sonra doğru olan (yani 'korelasyon kalan korelasyonlarının yüksek çıkarma ) yanlış bir durum 'ile maksimum korelasyon' eksi 'durumdur. Sonuç, bu timepoint MVP discriminability olduğunu. Alternatif bir (ve geçerli) yaklaşımı hatalı koşullar ortalama korelasyon çıkarma olacaktır. Not: Önerilen yaklaşım sezgisel advanta varnegatif değerleri ile zamannoktaları doğru tahmin değil iken pozitif discriminability değerleri ile timepoints ge doğru, korelasyon tabanlı sınıflandırıcı tarafından sınıflandırılır. Elde edilen değerler bir örneği, Şekil 1 (altta) içinde gösterilmektedir. Bu noktaya kadar olan adımlar, aşağıdaki formüllerde yakalanır. X zaman noktası n at m voksel aktivasyon değerleri ile normalize 1-by-m satır vektörü, y doğru (c) ya da yanlıştır (i) koşullar için ortalama eğitim desen normalize 1-by-m satır vektör zaman noktası n. Artanh işlevi Fisher z dönüşümü uygular. 3.. Her Searchlight için MVP Discriminability bir Zaman Serisi hesaplayın Yerleştirin üç boyutlu c: Bir ışıldak analizi 10 Davranışsırayla her vokselın (bir 'ışıldak') etrafında parlaklık. Her ışıldak MVP discriminability değerleri (timepoint başına bir) bir süre dizi ve böylece tekrarlayın, 2.2 ve her ışıldak için 2.3 adımları. Tohum ve Searchlights arasında 4.. Hesapla Bilgilendirme Bağlantı Spearman Rank korelasyon kullanılarak her bir projektör en discriminability zaman serisi (3.2 'den) ile tohumun MVP discriminability zaman serisi (2.3 dan itibaren) ilişkilidir. Elde edilen r s değeri tohum ve ışıldak arasındaki bir IC. Işıldak merkez voksellere her ışıldak IC değerini atayın ve sonuçta bireyin beyin haritası yazmak. 5.. Hesapla Grup İstatistiksel Haritası Veri standart uzayda zaten değilse (örn., Talairach veya MNI), dönüşümü katılımcıların IC aynı alana eşler. İsteğe bağlı bireylerin ve pürüzsüz# 39; ışıldak haritalar. Her ışıldak IC değeri sıfırdan anlamlı olarak daha fazla olup olmadığı için bir tek yönlü t-testi kullanılarak yapılan istatistiksel haritası yaratın. 6.. Testi Önemi Not: Çok sayıda yaklaşımlar fMRI grup haritaların istatistiksel önemini belirlemek için var. (Her sırası değiştirilmiş grup harita aynı işleme uğrar gibi) yumuşatma DataSet düzeyi için muhasebe yaparken bir permütasyon testi, minimal varsayımlar ile önemini belirlemek gibi, bu seçenek aşağıda belirtilmiştir. 1.000 permütasyon her biri için, rastgele zaman serisi boyunca tohumun MVP-discriminability değerlerini shuffle. (Örneğin, yerine bitişik TRs daha blokları akıttık) (örneğin, aynı blok içinde timepoints gibi) zamansal otokorelasyonları birlikte komşu timepoints tutun. Her permütasyondaki (yukarıdaki adım 4) için bireylerin IC haritalar hesaplayın. Randoml: 1.000 sırası değiştirilmiş grup haritaları oluşturuny her katılımcıya birer sırası değiştirilmiş IC haritasını seçin ve bu rasgele seti (yukarıdaki adım 5) bir grup testi yapıyoruz. Eşik her sırası değiştirilmiş grup istenen eşik haritası (örneğin, p <0.001) ve haritadan maksimum küme boyutu ayıklayın. Sıralama 1,000 maksimum küme hacimleri çıkan ve 95 persentil (örneğin, 1.000 permütasyon 50 inci büyük) de küme boyutunu belirlemek. O p <0.05 küme-düzeltilmiş yapmak için 6.5 reel (non-sırası değiştirilmiş) IC grup haritasına 6.4 kullanılan eşik (örneğin, p <0.001) ve minimum küme boyutu uygular. Her sırası değiştirilmiş haritası (farklı bir sırayla) aynı MVP discriminability değerler üzerine çekiyor, çünkü bu önemi harita tesadüfen beklenenden daha senkron discriminability değerlere sahip bölgeleri vurgular.

Representative Results

IC sonuçları artık araştırmacının tercih fMRI analiz yazılım paketi kullanılarak görüntülenebilir. Şekil 2, görsel olarak sunulan insanın bloklardan hesaplanan IC sonuçları, nesneleri (ilişkili yayında 7 tam detayları) yapılan gösterir. IC analizi MVP ilişkili olduğu bilinen şartlar için özellikle değerlidir: karakteristik MVP ile Koşullar, ancak tek değişkenli yanıtlarında farklılıklar olmadan, IC ve FC arasında ayrım olması daha muhtemeldir (katılımcı olarak kaydedilen veri ile gösterilen insanın farklı inceledi ) Şekil 3'te nesneleri yaptı. önemli multi-Voxel bilgi yüksek IC olabilir, ama daha az iyi FC sonuçlar temsil ile ışıldaklar 4: Şekil. <img alt="Şekil 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = "500" /> .. Şekil 1. zamanla desen discriminability örnekleri Top:. Ark Haxby bir konu hesaplanan MVP discriminability ve yüzeyler (2001) 2, Coutanche & Thompson-Schill (2013) analiz gibi 7. Mavi hat zaman-noktaların MVP'leri ve ortalama ('eğitim') doğru sınıf desen arasındaki z attı korelasyon göstermektedir. Yeşil çizgiler üç yanlış sınıfları ile MVP 'korelasyonu temsil eder. Alt: Desen discriminability doğru sınıf ve yüksek yanlış sınıf için korelasyon arasındaki farktır. Olumlu desen discriminability değerleri ile zaman noktaları doğru bir korelasyon tabanlı sınıflandırıcı tarafından sınıflandırılır. Başlangıçta Coutanche & Thompson-Schill (2013) yayınlanan Şekil 7. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız. Şekil 2.. Örnek bağlantı haritalar. Her bir sıra önemli ölçüde (mavi gösterilmiştir) bir tohuma bağlı bölgelerini göstermektedir. Önemi permütasyon testlerden en az küme boyutu olan bir grup t-testi (p <0.001) ile tespit edilir. IC Sonuçlar FreeSurfer 1 2 ile üretilen yüzey haritalar üzerinde AFNI 1 1 kullanılarak görüntülenir. Şekil Coutanche & Thompson-Schill (2013) modifiye edilir 7. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız. Rakam. 3. Senkronize MVP discriminability aktivasyonunu anlamına göre senkron ortalama aktivasyon (yani fonksiyonel bağlantısı olmadan) senkron MVP discriminability (yani bilgi bağlantısı) ile iki bölgede MVP discriminability örnekleri.; Veri Haxby et al bir hastaya gelmektedir. (2001) 2, Coutanche ve Thompson-Schill (2013) de olduğu gibi analiz 7. Konu çok Voxel desenleri ile ayırt edilebilen, ancak tepkiler demek insan yapımı nesneler, görsel sunumlar izlendi ise bu veri noktaları toplanmıştır. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız. Şekil 4,. Örnek IC ve LEF bir tohum arasında FC değerlert fusiform girus ve beyin arasında projektörler. Bilgi ve fonksiyonel bağlantı güçlü (z-ekseni) dört her bir projektör ait ortalama tepki (x-ekseni) ve MVPA sınıflandırma doğruluğu (y-ekseni) göre bir tohum ve projektör, arasında gösterilir insan yapımı nesneler (şans =% 25) türleri. Tohum bölge ile vokseller paylaşan projektör çıkarıldı. IC grafiği yüksek sınıflandırma performansını ama (doğru grafiğin sol üst OCTANT boşluğu tarafından görülen) tipik FC yaklaşımla aldı değildir düşük ortalama tepki düzeyleri, güçlü bağlantısı ile ışıldaklar örneklerini içerir. Başlangıçta Coutanche & Thompson-Schill (2013) yayınlanan Şekil 7. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Discussion

Bilgilendirici bağlantı dağıtılmış model bilgilere MVPA duyarlılığını vardır ve bir bağlantı yaklaşımla arası bölgeye etkileşimleri çalışmak için bir yetenek verir. MVPA ve standart tek değişkenli analizler her bazen sonuçlar 1 3 arasında çok az çakışma ile, farklı bölgelerin katılımını ortaya çıkarabilir. Bu analiz yaklaşımlar berabere bir yöntem beklendiği gibi, IC ve FC de tamamlayıcı sonuçlar 7 verir. IC istihdam isteyip karar sonuçta soruşturma kapsamında koşulları ve ortaya olan teorik sorulara bağlıdır. Tasarım hususları MVPA bir veri kümesi üzerinde yapılır mı bu etkisi de IC kullanılır olup olmadığını etkileyecektir. Akılda açıkça IC ile tasarlanmış çalışmalar da deneme-seviyeli veri taramanın timecourse genelinde elde edilebilir sağlarken, MVPA 1 4 için tavsiyeler takip etmek isteyeceksiniz.

Incelerkenve IC sonuçları rapor, bu tohum ile üst üste projektörler daireselliğe önlemek için kaldırılır önemlidir. Doğrudan IC ve FC sonuçları karşılaştırarak, ayrıca, o da yerine sadece vokselleri daha ışıldaklar ortalama aktivasyonu dayalı bir FC analiz karşılaştırmak için tavsiye edilir. Bu ek analiz sonuçları arasında herhangi bir fark çünkü sinyal-gürültü voksellerden karşı ışıldaklar içinde düzeylerinde farklılıklar olmadığını sağlayabilirsiniz.

Burada açıklanan prosedür ışıldaklar istihdam keşfedici bir analize odaklanmaktadır. Bu bölgelerin-faiz ile ışıldaklar değiştirerek, IC Ayrıca ben bir önceki seçilen bölgeleri karşılaştırabilirsiniz fazlalaştı. Geçerli discriminability metrik – maksimum alternatif durum için korelasyona 'gerçek' bir durum için MVP korelasyon karşılaştırarak – da değiştirilebilir olduğunu. Birçok makine öğrenme sınıflayıcılar fark için tahmini ağırlıkları varKolayca (örneğin, zamanla bir sınıflandırıcı 'güvenini' izlemek için) burada yapılan korelasyon karşılaştırmalar yerini alabilecek erent sınıfları. IC potansiyel, çeşitli kullanımlara sahiptir. Yanı sıra bilgi ağları araştırmak için birincil analiz olarak, IC bir MVPA ışıldak için ikincil bir izlem analiz olabilir. MVPA ışıldak haritalar bölgeler farklı koşullar ayırt edebilir anlaşılması için değerlidir, ancak tipik olarak farklı ağlara bölünebilir değildir. IC yaklaşım ışıldaklar senkron discriminability yok ve hangi ayarlar ortaya koyarak, burada yardımcı olabilir. Son olarak, farklı görevleri IC harita görev ağları anlamak için mukayese edilebilir ve hastalar daha çok Voxel farkları 1 5 ağ düzeyinde tezahür nasıl anlamak için kontrollere göre olabilir.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Biz daha fazla analiz için veri kullanılabilir yapmak için Jim Haxby ve arkadaşlarımıza teşekkür. Marc N. Coutanche Howard Hughes Tıp Enstitüsü'nden bir burs tarafından finanse edildi. Bu çalışma NIH hibe R0I-DC009209 ve Sharon L. Thompson-Schill verilir R01-EY02171701 tarafından desteklenmiştir.

Materials

MATLAB software package MathWorks
AFNI software package NIMH

References

  1. Norman, K. A., et al. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 10 (9), 424-430 (2006).
  2. Haxby, J. V., et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science. 293 (5539), 2425-2430 (2001).
  3. Tong, F., Pratte, M. S. Decoding patterns of human brain activity. Annu Rev Psychol. 63, 483-509 (2012).
  4. Coutanche, M. N. Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us. Cogn Affect Behav Neurosci. 13 (3), (2013).
  5. Biswal, B., et al. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Res Med. 34 (4), 537-541 (1995).
  6. Friston, K. J., et al. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 6 (3), 218-229 (1997).
  7. Coutanche, M. N., Thompson-Schill, S. L. Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain. Front Hum Neurosci. 7 (15), 1-14 (2013).
  8. Chiu, Y. C., et al. Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis. Neuropsychologia. 50 (4), 479-486 (2012).
  9. Nelissen, N., et al. Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection. J Neurosci. 33 (42), 16443-16458 (2013).
  10. Kriegeskorte, N., et al. Information-based functional brain mapping. Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).
  11. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
  12. Fischl, B., et al. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9 (2), 195-207 (1999).
  13. Jimura, K., Poldrack, R. A. Analyses of regional-average activation and multivoxel pattern information tell complementary stories. Neuropsychologia. 50 (4), 544-552 (2012).
  14. Coutanche, M. N., Thompson-Schill, S. L. The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs. Neuroimage. 61 (4), 1113-1119 (2012).
  15. Coutanche, M. N., et al. Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity. Neuroimage. 57 (1), 113-123 (2011).

Play Video

Cite This Article
Coutanche, M. N., Thompson-Schill, S. L. Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time. J. Vis. Exp. (89), e51226, doi:10.3791/51226 (2014).

View Video