באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן
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
הוא מעריך כעת כי מידע מצב רלוונטי יכול להיות נוכח בתוך דפוסים מופצים של פעילות מוחית בסורק תהודה מגנטית תפקודי (fMRI), גם תנאים עם רמות דומות של הפעלה חד משתנית. ניתוח דפוס Multi-voxel (MVP) נעשה שימוש כדי לפענח את המידע הזה בהצלחה רבה. חוקרי FMRI גם לעתים קרובות מבקשים להבין איך אזורי מוח אינטראקציה ברשתות ביניהם, ולהשתמש בקישוריות תפקודית (FC) כדי לזהות אזורים שקורלציה תגובות על פני זמן. בדיוק כמו ניתוח חד משתנה יכול להיות רגיש למידע בMVPs, FC לא יכול לאפיין באופן מלא את הרשתות במוח שמעבדות את התנאים עם חתימות MVP אופייניות. השיטה מתוארת כאן, קישוריות מידע (IC), ניתן לזהות אזורים עם שינויים מתואמים בMVP-discriminability לאורך זמן, חושף קישוריות שאינה נגיש למועדון כדורגל. השיטה יכולה להיות גישוש, תוך שימוש בזרקורים לזהות זרע connאזורי ected, או מתוכננים, בין אזורים של ריבית שנבחרו מראש. התוצאות יכולות להבהיר רשתות של אזורים שמעבדים תנאים הקשורים ל-MVP, יכול התמוטטות מפות זרקור MVPA לרשתות נפרדות, או יכולות להיות בהשוואה על פני משימות וקבוצות חולים.
Introduction
המטרה של שיטת הניתוח שתוארה כאן היא למדוד קישוריות בין אזורים במוח המבוססים על תנודות במידע רב voxel שלהם. התקדמות בטכניקות ניתוח דימות תהודה מגנטית תפקודיות (fMRI) גילה כי כמות גדולה של מידע יכולה להיות בתוך דפוסים ברמת חמצון דם תלויים (BOLD) פעילות שמופצים ברחבי voxels מספר 1-3. אוסף של טכניקות שרגישות למידע משתני – המכונים ניתוח דפוס רב voxel (MVPA) – נעשה שימוש כדי להראות שתנאים יכולים להיות MVPs להבחין למרות שיש 1,2,4 תגובות נבדלו חד משתנות. ניתוחים סטנדרטיים, אשר להשוות תשובות חד משתנות, יכולים להיות רגישים למידע רב voxel זה.
אזורים במוח מרובים עוסקים בו בני האדם לעבד גירויים ולבצע פעולות קוגניטיביות. קישוריות פונקציונלית (FC) היא שיטה הנפוצה מועסק בחקירהרשתות שער כגון פונקציונליות 5,6. בצורתו הבסיסית ביותר שלה, FC מכמת שיתוף הפעלה, או תיאום, בין voxels או אזורים השונים. FC נעשה שימוש כדי לזהות רשתות מוח תפקודי מחוברות עם הצלחה רבה. לאזורים ותנאים רבים, עם זאת, תגובות בעלות משתנות אחד אינן משקפות את כל המידע זמין במסגרת פעילות BOLD. טכניקות FC העוקבות אחר שינוי דינמי של רמות תגובת univariate עשויות חוסר רגישות לתנודות נפוצות במידע רב voxel. שיטת הניתוח שמובאת כאן, קישוריות מידע (IC; תואר לראשונה בשנים האחרון בעיתון 7), מגשר על פער בין MVPA וFC, על ידי מדידת קישוריות עם מטרי כי הוא רגיש למידע רב voxel לאורך זמן. בעוד FC עוקב דינמי הפעלה משתנית אחד, IC מסלולים דינמי discriminability MVP – מדד של כמה טוב מצבו האמיתי של MVP ניתן להבחין בין חלופות (שגויות). חשוב לציין, בtהוא אותו אופן שאזורים שונים יכולים להראות רמות דומות של תגובות חד משתנות למצב למרות ביצוע חישובים שונים (למשל, עיבוד חזותי או תכנון פעולה כאשר אדם רואה אובייקטי מעשה ידי אדם), אזורים שונים יכולים להיות גם רמות דומות (ומסונכרנות) של MVP discriminability בזמן שהם לעבד תנאים שונים. החקירה האחרונה הוכיחה כי IC יכול לחשוף קישוריות בין אזורים שלא ניתן לגילוי בגישת FC סטנדרטי 7. חוקרים ולכן יכולים להשתמש IC לחקור אינטראקציות בין אזורים במוח כמשתתפים מגיבים למצבים או גירויים שיש דפוסים מופצים אופייניים. IC שונה ממספר יישומי קישוריות האחרונים שבדקו שינויים בהפעלה חד משתנית ביחס לתוצאות סיווג 8, 9. שלא כמו גישות אלו, IC מזהה discriminability דפוס רב voxel סינכרוני בין האזורים.
Protocol
Representative Results
Discussion
יש לו קישוריות מידע הרגישות של MVPA למידע מופץ בדפוס, והוא נותן יכולת ללמוד אינטראקציות בין-האזור באמצעות גישת קישוריות. MVPA וניתוחי univariate סטנדרטיים יכולים כל אחד לחשוף את מעורבותם של אזורים שונים, לעתים עם מעט חפיפה בין התוצאות שלהם 1 3. כצפוי לשיטה שמתבססת על גישות ניתוח אלה, IC ו FC גם לתת תוצאות משלימים 7. ההחלטה אם להעסיק IC סופו של דבר תהיה תלויה בתנאים תחת חקירה והשאלות התיאורטיות שהציבו. שיקולי עיצוב השפעה כי אם MVPA מתבצע על בסיס הנתונים ישפיעו גם אם IC משמש. מחקרים שנועדו עם IC במפורש במוח רוצים לעקוב אחר המלצות ל1 MVPA 4, תוך הבטחה כי ניתן לחלץ נתונים ברמת משפט מכל רחבי timecourse של הסריקה.
כאשר בוחניםודיווח תוצאות IC, חשוב שהזרקורים חופפים עם הזרע יוסרו, כדי למנוע את המעגליות. בנוסף, אם משווה ישירות IC ותוצאות FC, מומלץ גם להשוות ניתוח FC מבוסס על ההפעלה הממוצעת של זרקורים, ולא רק voxels. ניתוח נוסף זה יכול להבטיח שכל הבדלים בין התוצאות הם לא בגלל הבדלים ברמות של אות לרעש בזרקורים לעומת voxels.
ההליך המתואר כאן מתמקד בעיקר בניתוח גישוש העסקת זרקורים. ראוי לציין כי על ידי החלפת זרקורים עם אזורים של עניין, IC יכול גם להשוות את האזורים שנבחרו לפניי. המדד הנוכחי discriminability – השוואת המתאם של MVP למצב "הנכון" להתאמה למצב החלופי המרבי – גם לשינוי. יש מסווגי למידת מכונה רבים משקולות חיזוי עבור הבדלכיתות erent, אשר יכול בקלות להחליף את השוואות המתאם ביצעו כאן (למשל, כדי לעקוב אחר 'הביטחון' של מסווג לאורך זמן). יש IC מגוון רחב של שימושים פוטנציאליים. כמו גם להיות ניתוח ראשוני לחקור רשתות מידע, IC יכול להיות ניתוח מעקב המשני לזרקור MVPA. מפות זרקור MVPA הן בעלי ערך להבנה אילו אזורים יכולים להבחין בתנאים שונים, אך אינם מתפרקות בדרך כלל לרשתות שונות. גישת IC יכולה לעזור כאן, על ידי גילוי ומגדירה לי של הזרקורים discriminability סינכרוני. לבסוף, ניתן להשוות מפות IC ממשימות שונות על מנת להבין רשתות משימה, וניתן להשוות חולים לפקדים כדי להבין טוב יותר כיצד הבדלים רב voxel 1 5 באים לידי ביטוי ברמת הרשת.
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
אנו מודים לג'ים הקסבי ועמיתים להכנת הנתונים שלהם זמינים לניתוחים נוספים. מארק נ Coutanche מומן על ידי מענק מהמכון הרפואי הווארד יוז. עבודה זו נתמכה על ידי מענקי NIH R0I-DC009209 וR01-EY02171701 הוענק לשרון ל-תומפסון שיל.
Referenzen
- 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).
