Summary

Использование Информационный Connectivity измерить синхронной Появление МРТ Multi-воксельном информация во времени

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

В настоящее время понятно, что состояние значимой информации могут присутствовать в распределенных моделей функциональной магнитно-резонансной томографии (МРТ) активности мозга, даже для условий с аналогичным уровнем одномерного активации. Анализ нескольких воксел шаблон (MVP) был использован для декодирования этой информации с большим успехом. МРТ Исследователи также часто стремятся понять, как области мозга взаимодействуют между собой сетей, а также использовать функциональную связь (FC), чтобы определить регионы, которые коррелируют ответов с течением времени. Так же, как одномерные анализ может быть нечувствительным к информации в MVPs, ФК не может в полной мере характеризовать сети мозга, которые обрабатывают условия с характерными подписями MVP. Метод, описанный здесь, информационная связь (IC), может определить регионы с коррелированных изменений в MVP-discriminability через время, открывая подключение, которая не доступна для FC. Метод может носить исследовательский характер, используя прожекторы для идентификации семян-Connected области, или планируется, между предварительно выбранных регионах интересов,. Полученные результаты могут прояснить сетей регионов, которые обрабатывают MVP связанных условий, могут пробоя MVPA карты прожектор в отдельных сетей, или можно сравнить по задачам и групп пациентов.

Introduction

Цель метода анализа, описанного здесь, чтобы измерить связь между областях мозга на основе колебаний их мульти-воксельном информации. Достижения в области функциональной магнитно-резонансной томографии (МРТ) методов анализа показали, что большое количество информации может содержаться в крови кислородом уровня-зависимых (жирный шрифт) паттернов активности, которые распределены по нескольким вокселями 1-3. Набор методов, которые чувствительны к многомерной информации – известных как анализ нескольких воксел образов (MVPA) – был использован, чтобы показать, что условия могут иметь различимых MVPs несмотря на то, неотличимы одномерные отклики 1,2,4. Стандартные анализы, которые сравнивают одномерные ответов, может быть нечувствительна к этой информации несколько воксельном.

Несколько области мозга занимаются, когда люди обрабатывать стимулы и выполнять познавательные операции. Функциональная связность (ФК) является методом, обычно используемые для исслеворота такие функциональные сети 5,6. В своей основной форме, ФК количественно сотрудничество активацию или синхронность, между различными вокселей или регионах. ФК был использован для выявления функционально связанных сети мозга с большим успехом. Для многих регионах и условиях, однако, одномерные ответы не отражают всю доступную информацию в рельефные деятельности. FC методы, которые отслеживают динамично меняющейся одномерные уровни реагирования может не хватать чувствительность к общим колебаниям информации нескольких воксельном. Метод анализа, представленные здесь, информационная связь (IC; впервые описан в недавней статье 7), мосты разрыв между MVPA и ФК, измеряя связи с метрикой, чувствительной к информации нескольких воксельном через время. В то время как ФК отслеживает динамического изменения одномерного активацию, IC треки динамично меняющейся MVP discriminability – мера того, насколько хорошо верно условие A MVP можно отличить от (неверных) альтернатив. Важно отметить, что в тон же, что в различных регионах может показать подобные уровни одномерных ответов на состоянии несмотря выполнения различных вычислений (например, визуальный обработки или планирования действий, когда человек рассматривает человек сделал объектов), различные области также может иметь аналогичные (и синхронизированные) уровни MVP discriminability а они обрабатывают условия по-разному. Недавнее исследование показало, что СК может выявить межрегиональную связь, которая не определяется с помощью стандартного подхода ФК 7. Поэтому следователи могут использовать IC, чтобы исследовать взаимодействие между областях мозга, как участники реагировать на условия или раздражители, которые имеют характерные распределенных моделей. IC отличается от нескольких недавних приложений подключения, которые изучали колебания одномерного активации в отношении результатов классификации 8, 9. В отличие от этих подходов, ИК обнаруживает синхронный нескольких воксельной шаблон discriminability между регионами.

Protocol

1. Подготовьте МРТ данных Примечание: После проведения МРТ сканирование, предварительно процесс собранные данные, используя инструменты, доступные в большинстве программных МРТ пакетов до запуска этой протокол (хотя пространственное сглаживание следует избегать или минимизировать, чтобы сохранить образцы нескольких воксельных). Примером подходящего набора данных описана в предыдущей применения метода 7. Удалить движение и означает сигналы белого вещества из временных рядов предварительно обработанных данных МРТ, создав модель регрессии с предсказателей для параметров движения (крен, тангаж, рыскание, х, у, г) и означает сигнал белого вещества. Провести анализы ниже на полученных остатков (то есть оставшейся дисперсии). Импорт сгенерированные остатков в анализ пакета (например, MATLAB, Python). С открытым исходным кодом Информационно подключения Панель инструментов (http://www.informationalconnectivity.org) может импортировать данные МРТ в MATLAB. Z-оценка ВАСвременные ряды ч VOXEL в. Отделите моменты времени набора данных в независимых множеств ("складки"), таких как различные трасс сканера. Примечание: Использование сканера работает обеспечивает независимость между складок, которые в противном случае могут быть трудно гарантировать (например, зависимости могут быть созданы между моменты времени пробег во время предварительной обработки). Работает могут быть сгруппированы вместе, чтобы уменьшить количество складок (например, четные и нечетные работает 2), хотя использование один работает даст больше обучающие данные. Создание записи о состоянии этикеток, связанных с временных точках, генерируя вектор состояния этикеток, которое N временных точках долго. Сдвиг состояние этикетки вперед в каждой ведении ряда раз-до-повторения (TRS), эквивалентных 5 сек, для того, чтобы учесть гемодинамики лага между событиями и регистрируемых сигналов МРТ. 2. Выберите и анализ семенного Регион Выберите Ваш регион семян, изолируя анатомическогоаль область, функционально локализованы региона или наиболее эффективных 'отображение информации мозг "прожекторы 10. Примечание: Шаги 2,2 до 4,2 ниже, могут быть выполнены с открытым исходным кодом информационного Connectivity MATLAB Toolbox ( http://www.informationalconnectivity.org ). Сравните MVP каждого момента времени к прототипа MVP для каждого состояния (Примечание: это тот же самый подход, используемый в популярном корреляции на основе ближайшего соседа классификатора 2). Рисунок 1 (вверху) приводит пример из реальных данных, собранных в участники осмотрели блоки четырех типов искусственных объектов. Рассчитать прототипичный (среднее) MVP для каждого состояния путем усреднения временных точках каждого состояния всего-но-одно стадо. Это данные 'учебных' для каждой складки (например, для сгиба 2 5, средние-статусом MVP рассчитываются от временных точках в складках 1, 3, 4 и 5). Корреляция каждый временной точке '; С MVP со средним-MVP каждого условия по данным обучения. Это даст каждому временной точке одно значение корреляции для каждого условия (Примечание: состояние с наивысшим корреляции здесь будет предсказание популярной корреляции на основе MVPA классификатор 2) Фишер-преобразования R-значения Z-баллы. Количественная 'MVP discriminability' для каждой временной точке: Во-первых выявить корреляцию с 2.2.3, представляющий связь между MVP в временной точке и среднего-MVP состояния этой временной точке, а затем вычесть самая высокая из оставшихся корреляций (т.е. 'корреляция с правильными состояние "минус" максимальной корреляции с неправильной состоянии "). В результате MVP discriminability этой временной точке в. Альтернативный (и действует) подходом было бы вычесть среднюю корреляцию неправильных условиях. Примечание: Предлагаемый подход имеет интуитивно понятный AdvantaGE, что моменты времени с положительными значениями discriminability правильно классифицированы по корреляции на основе классификатора, в то время как моменты времени с отрицательными значениями не правильно предсказал. Пример полученных значений показан на рисунке 1 (внизу). Шаги до этой точки захватываются в приведенных ниже формул. X нормированный 1 на м вектор-строка со значениями активации м воксел на время точкой N, Y нормированный 1 на м вектор-строка о среднем учебном шаблон для правильной (в) или неправильных (I) условий для временной точке н. Функция artanh относится Фишер г преобразования. 3. Вычислить Временные ряды MVP Discriminability для каждого Searchlight Провести анализ прожектор 10: Место трехмерную грблеск вокруг каждого воксела в свою очередь ('прожектора'). Повторите шаги 2.2 и 2.3 для каждого прожектора, чтобы каждый прожектор имеет временной ряд значений discriminability MVP (по одному на временной точке). 4. Рассчитать Информационно подключения между семенем и Прожекторы Корреляция MVP discriminability временной ряд семени (из 2,3) с discriminability временных рядов каждого прожектора (из 3,2) с использованием ранговой корреляции Спирмена. Значение полученного в результате р с является IC между семенем и прожектора. Связать значение IC каждого прожектора, чтобы центральной вокселя прожектора и выписать карту результирующего человека мозга. 5. Рассчитать Группа Статистические Карта IC Если данные не сохранены в стандартизированной пространстве (например, Talairach или MNI), Transform участников отображает в том же пространстве. При желании сгладить лиц &# 39; прожектор карты. Создайте группу статистическую карту, используя один способ т-тест для того, значение IC каждого Searchlight является значительно больше нуля. 6. Значение теста Примечание: существуют многочисленные подходы для определения статистической значимости карт групповых МРТ. Как критерий перестановок можно определить значение с минимальных предположениях, а приходится уровне набора данных сглаживания (так как каждый переставляются группа карту претерпевает ту же обработку), эта опция изложены ниже. Для каждого из 1000 перестановок, случайно перемешать значения MVP-discriminability семя в по всему временному ряду. Хранить смежные моменты времени с временной автокорреляции (например, временных точках в пределах того же блока) вместе (например, путем перестановки блоков, а не смежных TRS). Рассчитать IC карты физических лиц для каждой перестановки (шаг 4 выше). Генерация 1000 переставленных групповые карты: RandomlŸ Выберите один переставляются карту диктофон от каждого участника и провести тест группы на этой случайного набора (шаг 5 выше). Порог каждый переставляются группа карту в желаемом порога (например, р <0,001) и извлечь максимальный размер кластера с карты. Сортировать результате 1000 томов предельно-кластера и определить размер кластера на 95-го процентиля (например, 50-й крупнейших за 1000 перестановок). Применить порог, используемый в 6,4 (например, р <0,001) и минимальный размер кластера от 6,5 до реальной (не переставляются) IC группы карте, с тем чтобы она кластер с коррекцией к р <0,05. Потому что каждый переставляются карту опирается на тех же значениях discriminability MVP (в другом порядке), это значение карту подчеркивает регионы с более синхронных значений discriminability чем ожидалось случайно.

Representative Results

Результаты IC теперь может отображаться с помощью предпочтительный МРТ программного обеспечения анализ пакет следователя. Рисунок 2 показывает результаты IC, рассчитанные из блоков визуально представленной человек сделал объектов (все подробности в соответствующей публикации 7). Анализ ИК является особенно ценным для условий как известно, связаны со статусом MVP: Условия с характерными MVPs, но без различий в одномерных ответов, скорее всего, есть различия между IC и ФК (показано с данными, которые были записаны в качестве участников рассматривать различные типы человека сделал объектов на рисунке 3). Рисунок 4 показывает, что прожекторы с значимая информация мульти-воксел могут иметь высокую IC, но в меньшей степени представлены в результатах FC. <img alt="Рисунок 1" fo:content-width="5in" src="/files/ftp_upload/51226/51226fig1highres.jpg" width = "500" /> .. Рисунок 1 Примеры образов discriminability с течением времени Топ:. Подложки MVP discriminability рассчитанной по субъекту, Haxby др. (2001) 2, как было проанализировано в Coutanche & Thompson-Schill (2013) 7. Синяя линия показывает г забила корреляцию между "MVPs и среднего временных точках ('подготовки') модель правильного класса. Зеленые линии представляют корреляции MVPS "с тремя неправильных классов. Внизу: Схема discriminability разница между корреляций для правильного класса и высокий неправильного класса. Время-точки с положительными значениями шаблон discriminability будет правильно классифицированы по корреляции на основе классификатора. Рисунок впервые опубликована в Coutanche & Thompson-Schill (2013 г.) 7. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры. Рисунок 2. Пример карты подключения. Каждая строка показывает регионы значительно связанные с семенем (показан синим цветом). Значение определяется группой Т-тест (р <0,001) с минимальным размером кластера из перестановок тестирования. Результаты IC отображаются с помощью Afni 1 1 на поверхности карты, составленные с FreeSurfer 1 2. Рисунок изменяется от Coutanche & Thompson-Schill (2013 г.) 7. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры. Фигура. 3 Синхронное MVP discriminability сравнению со средним активации Примеры MVP discriminability в двух регионах с синхронной MVP discriminability (т.е. информационно подключения) без синхронного среднего активации (т.е. функциональной связности).; данные поступают из субъекта от Haxby соавт. (2001) 2, как было проанализировано в Coutanche & Thompson-Schill (2013) 7. Эти точки данных были собраны в то время как предметом просматриваемые визуальные представления искусственных объектов, которые различимы моделей нескольких воксельных, но не значит, ответы. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры. Рисунок 4. Пример IC и значения FC между семени в ЛЕФт веретенообразной извилине и прожекторы по всему мозгу. Информационная и функциональные преимущества подключения (Z-оси) показаны между семенем и прожекторов, по отношению к средней ответ каждого прожектора в (х-оси) и точность классификации MVPA (ось у) до четырех типы искусственных объектов (шанс = 25%). Прожекторы обмена вокселы с регионом семян были удалены. IC график включает в себя примеры прожекторов с сильной связности, которые имеют высокую производительность классификации, но низкие средние уровни реагирования, которые не определена в подходе типичной ФК (видел в щель в левом верхнем октанте правом графике). Рисунок впервые опубликована в Coutanche & Thompson-Schill (2013) 7. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Discussion

Информационная связь имеет чувствительность MVPA делу распределенной информации образов, и дает возможность изучать между-региона взаимодействий с использованием подхода подключения. MVPA и стандартные одномерные анализ может каждый выявить причастность отдельных регионах, иногда с небольшим перекрытием между их результатов 1 3. Как и следовало ожидать в способе, который опирается на этих подходов анализа, ИК и ФК также дать дополнительных результатов 7. Решение о том, чтобы использовать IC конечном итоге будет зависеть от условий, находящихся под следствием и теоретические вопросы ставятся. Конструктивные соображения, которые влияют ли MVPA проводится на наборе данных также будет влиять, используется ли IC. Исследования, направленные с IC явно в виду захотят последовать рекомендации по MVPA 1 4, в то же время гарантируя, что данные суда уровня могут быть извлечены из всей timecourse сканирование в.

При рассмотрениии сообщения результатов IC, важно, что прожекторы перекрывающиеся с семенем будут удалены, чтобы избежать округлость. Кроме того, если непосредственно сравнения IC и результаты FC, рекомендуется также сравнить анализ FC на основании среднего активации прожекторов, а не просто вокселы. Этот дополнительный анализ может гарантировать, что любые различия между результатами не из-за различий в уровнях сигнала к шуму в прожекторами против вокселей.

Описанная здесь процедура сосредотачивается прежде всего на поисковом анализа, использующего прожекторы. Стоит отметить, что при замене прожекторов с регионами интересов,, IC также можете сравнить регионы, выбранные до я. Нынешний discriminability метрика – сравнение корреляцию A MVP для «истинного» состояния к корреляции для максимальной альтернативной состоянии – также изменению. Многие машинного обучения классификаторы имеют веса прогнозирования для изменениюотлична классы, которые могут легко заменить сравнений корреляции выполняемые здесь (например, для отслеживания "доверие" классификатора с течением времени). IC имеет множество потенциальных применений. Помимо того, что первичный анализ для исследования информационных сетей, СК может быть вторичный анализ период наблюдения к прожектора MVPA. Карты прожектор MVPA ценны для понимания, какие регионы можно выделить различные условия, но, как правило, не разбиваются на различных сетях. Подход IC может помочь в этом, путем выявления, какие наборы прожекторы имеют синхронный discriminability. Наконец, IC карты из разных задач можно сравнить, чтобы понять сетей задач, и пациенты могут быть по сравнению с контрольной, чтобы лучше понять, как мульти-воксельных различия 1 5 проявляются на сетевом уровне.

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Мы благодарим Джима Haxby и коллегам для принятия их данные доступны для дальнейшего анализа. Марк Н. Coutanche финансировалось за счет общения с Медицинского института Говарда Хьюза. Эта работа была поддержана NIH гранты R0i-DC009209 и R01-EY02171701 присуждена Шэрон Л. Томпсон-Schill.

Materials

MATLAB software package MathWorks
AFNI software package NIMH

Referenzen

  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

Diesen Artikel zitieren
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