Utilizzando Informativo Connettività a misurare l'emergere sincrono di fMRI Multi-voxel Informazioni Across Time
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
E 'ormai apprezzato tale condizione rilevanti informazioni possono essere presenti all'interno di modelli distribuiti di risonanza magnetica funzionale (fMRI) l'attività cerebrale, anche per le condizioni con livelli simili di attivazione univariata. Modello multi-voxel (MVP) analisi è stata utilizzata per decodificare queste informazioni con grande successo. Investigatori FMRI spesso cercano di capire come le regioni del cervello interagiscono in reti interconnesse, e utilizzare la connettività funzionale (FC) per identificare le regioni che si sono correlate le risposte nel corso del tempo. Proprio come le analisi univariata può essere insensibile alle informazioni in MVP, FC non può caratterizzare completamente le reti del cervello che elaborano le condizioni con caratteristici firme MVP. Il metodo qui descritto, connettività informativo (IC), in grado di identificare le regioni con variazioni correlate a MVP-discriminabilità attraverso il tempo, rivelando la connettività che non è accessibile a FC. Il metodo può essere esplorativa, con proiettori per identificare semi connaree ette, o previste, tra le regioni di interessi pre-selezionati. I risultati possono spiegare reti di regioni che elaborano le condizioni MVP-correlate, di degradazione possono mappe faro MVPA in reti separate, oppure possono essere confrontati attraverso attività e gruppi di pazienti.
Introduction
L'obiettivo del metodo di analisi qui descritta è misurare la connettività tra le regioni del cervello basato su variabilità dei dati multi-voxel. I progressi nella risonanza magnetica funzionale (fMRI), tecniche di analisi hanno rivelato che una grande quantità di informazioni può essere contenuto entro livelli nel sangue-ossigenazione-dipendente (BOLD), modelli di attività che vengono distribuiti su più voxel 1-3. Un insieme di tecniche che sono sensibili alle informazioni multivariata – noto come modello multi-voxel analisi (MVPA) – è stato utilizzato per dimostrare che le condizioni possono avere MVP distinguibili pur avendo risposte indistinguibili univariati 1,2,4. Analisi standard, che confrontano le risposte univariata, può essere insensibile a queste informazioni multi-voxel.
Regioni cerebrali multiple sono impegnati quando gli esseri umani elaborano gli stimoli ed eseguire operazioni cognitive. Connettività funzionale (FC) è un metodo comunemente impiegato per indaginecancello tali reti funzionali 5,6. Nella sua forma più elementare, FC quantifica co-attivazione, o la sincronia tra i vari voxel o regioni. FC è stato usato per identificare le reti del cervello funzionalmente collegati con molto successo. Per molte regioni e delle condizioni, però, le risposte univariate non riflettono tutte le informazioni disponibili nell'ambito dell'attività BOLD. Tecniche di FC che tengono traccia che cambiano dinamicamente i livelli di risposta univariata possono mancare sensibilità alle fluttuazioni comuni nelle informazioni multi-voxel. Il metodo di analisi qui presentata, connettività informativo (IC; prima descritto in un recente articolo 7), colma un divario tra MVPA e FC, misurando la connettività con una metrica che è sensibile a informazioni multi-voxel nel tempo. Mentre FC ascolti cambiano dinamicamente l'attivazione univariata, IC brani che cambiano dinamicamente MVP discriminabilità – una misura di quanto bene vera condizione di un MVP si distingue dalle alternative (errati). Importante, in tegli stesso modo in cui le diverse regioni può mostrare livelli simili di risposte univariata a una condizione, nonostante l'esecuzione di calcoli distinti (ad esempio, l'elaborazione visiva o di pianificazione azione quando una persona osserva degli oggetti artificiali), distinte regioni possono anche avere livelli simili (e sincronizzati) di MVP discriminabilità mentre si elaborano le condizioni in modo diverso. Una recente indagine ha dimostrato che IC può rivelare la connettività inter-regionale che non è rilevabile con un approccio standard FC 7. Gli investigatori possono quindi utilizzare IC per sondare le interazioni tra le regioni del cervello come partecipanti rispondono alle condizioni o stimoli che hanno caratteristici modelli distribuiti. IC è distinta da diverse recenti applicazioni di connettività che hanno esaminato le fluttuazioni dei attivazione univariata in relazione ai risultati della classificazione 8, 9. A differenza di questi approcci, IC rileva sincrono modello discriminabilità multi-voxel tra le regioni.
Protocol
Representative Results
Discussion
Connettività Informativo ha una sensibilità di MVPA all'informazione modello distribuito, e offre la possibilità di studiare le interazioni tra regione attraverso un approccio di connettività. MVPA e le analisi univariata standard possono ogni rivelare il coinvolgimento di regioni distinte, a volte con poca sovrapposizione tra i loro risultati 1 3. Come prevedibile per un metodo che si basa su questi approcci di analisi, IC e FC anche dare risultati complementari 7. La decisione se impiegare IC dipende in ultima analisi alle condizioni oggetto di indagine e le questioni teoriche di essere poste. Considerazioni sulla progettazione di tale impatto se MVPA è condotta su un dataset influirà anche se viene utilizzato IC. Studi progettato con IC esplicitamente in mente vorranno seguire le raccomandazioni per MVPA 1 4, garantendo al contempo che i dati a livello di processo possono essere estratti da tutto timecourse della scansione.
Nell'esaminaree riportare i risultati IC, è importante che i proiettori sovrapposti con il seme vengono rimosse, per evitare circolarità. Inoltre, se si confrontano direttamente IC e risultati FC, è consigliabile confronta anche un'analisi FC basata sull'attivazione medio di proiettori, piuttosto che voxel. Questa ulteriore analisi può garantire che le eventuali differenze tra i risultati non sono a causa delle differenze nei livelli di segnale-rumore in proiettori rispetto voxel.
La procedura qui descritta si concentra principalmente su un'analisi esplorativa impiega proiettori. Vale la pena notare che sostituendo proiettori con le regioni di interessi, IC può anche confrontare regioni selezionate una precedente i. L'attuale metrica discriminabilità – confrontando la correlazione di un MVP per il 'vero' condizione alla correlazione per la condizione di massima alternativo – è anche modificabile. Molti classificatori machine learning hanno pesi pronostico per diffclassi erenti, che potrebbero sostituire facilmente i confronti di correlazione svolte qui (ad esempio, per monitorare la 'fiducia' di un classificatore nel tempo). IC ha una varietà di usi possibili. Oltre ad essere un analisi primaria per indagare reti informative, IC può essere un'analisi follow secondaria a un faro MVPA. Le mappe faro MVPA sono preziose per capire quali regioni possono distinguere diverse condizioni, ma non sono in genere suddivisi in reti diverse. L'approccio IC può aiutare qui, rivelando che imposta di proiettori hanno discriminabilità sincrono. Infine, le mappe IC di compiti diversi può essere paragonato al fine di comprendere le reti di attività, ed i pazienti possono essere paragonati a controlli per capire meglio come le differenze multi-voxel 1 5 si manifestano a livello di rete.
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
Ringraziamo Jim Haxby e colleghi per rendere i dati disponibili per ulteriori analisi. Marc N. Coutanche è stato finanziato da una borsa di studio del Howard Hughes Medical Institute. Questo lavoro è stato sostenuto da sovvenzioni NIH R0I-DC009209 e R01-EY02171701 assegnato a Sharon L. Thompson-Schill.
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).
