Across Time fMRI Multi-voksel Bilgi Senkron Çıkışı Tedbir Bilgilendirici Bağlantı kullanma
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
Representative Results
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.
References
- Norman, K. A., et al. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 10 (9), 424-430 (2006).
- Haxby, J. V., et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science. 293 (5539), 2425-2430 (2001).
- Tong, F., Pratte, M. S. Decoding patterns of human brain activity. Annu Rev Psychol. 63, 483-509 (2012).
- 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).
- 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).
- Friston, K. J., et al. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 6 (3), 218-229 (1997).
- 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).
- Chiu, Y. C., et al. Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis. Neuropsychologia. 50 (4), 479-486 (2012).
- 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).
- Kriegeskorte, N., et al. Information-based functional brain mapping. Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).
- Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
- Fischl, B., et al. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9 (2), 195-207 (1999).
- Jimura, K., Poldrack, R. A. Analyses of regional-average activation and multivoxel pattern information tell complementary stories. Neuropsychologia. 50 (4), 544-552 (2012).
- 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).
- Coutanche, M. N., et al. Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity. Neuroimage. 57 (1), 113-123 (2011).
