ويعرض هذا الفيديو وسيلة لدراسة التغيرات المرتبطة بالعمر في الاتصال وظيفية من شبكات السيطرة المعرفية تعمل من خلال استهداف المهام / العمليات. وتستند هذه التقنية على تحليل متعدد VARIATE لبيانات الرنين المغناطيسي الوظيفي.
مقالة منهجية
منهج في التحقيق المتعلقة العمر الاختلافات في الربط الوظيفي للتحكم الشبكات المعرفية المرتبطة بتغير الأبعاد بطاقة الأداء ترتيب
في هذه المقالة
ملخص
الملخص
القدرة على ضبط السلوك إلى تغيرات مفاجئة في البيئة يتطور تدريجيا في مرحلة الطفولة والمراهقة. على سبيل المثال، في ترتيب مهمة بطاقة تغيير الأبعاد، والتحول من المشاركين فرز البطاقات في اتجاه واحد، مثل الشكل، لفرزها بطريقة مختلفة، مثل اللون. تعديل السلوك في هذا الطريق يوقع خسائر أداء صغير، أو تكلفة التبديل، مثل أن الاستجابات عادة ما تكون أبطأ وأكثر على تجارب التحول عرضة للخطأ في الحكم الذي التغييرات الفرز بالمقارنة مع تكرار التجارب التي حكم الفرز لا يزال هو نفسه. غالبا ما يقال إن القدرة على التكيف بمرونة السلوك تتطور تدريجيا، ويرجع ذلك جزئيا تكاليف السلوكية مثل تكاليف التبديل تقليل عادة مع زيادة العمر. لماذا جوانب العليا الإدراك، مثل المرونة السلوكية، وتطوير ذلك تدريجيا يبقى السؤال مفتوحا. واحد الفرضية هو أن هذه التغييرات تحدث بالاشتراك مع تغييرات وظيفية في شبكات التحكم المعرفية على نطاق واسع. على هذا الرأي،العمليات العقلية المعقدة، مثل التبديل، تنطوي على التفاعل السريع بين العديد من مناطق الدماغ توزيعها، بما في ذلك تلك التي التحديث والحفاظ على قواعد مهمة، والانتباه إعادة توجيه، والسلوكيات حدد. مع التنمية، وصلات وظيفية بين هذه المناطق تعزيز، مما يؤدي إلى عمليات أسرع وأكثر كفاءة التحويل. يصف الفيديو الحالي وسيلة لاختبار هذه الفرضية من خلال جمع وتحليل البيانات متعدد المتغيرات الرنين المغناطيسي الوظيفي من المشاركين من مختلف الأعمار.
المقدمة
القدرة على تنظيم السلوك يتطور تدريجيا في مرحلة الطفولة والمراهقة (للمراجعة، انظر الماس 1). في ترتيب مهمة بطاقة تغيير الأبعاد، على سبيل المثال، التبديل المشاركين من فرز بطاقات اتجاه واحد، مثل الشكل، لفرزها بطريقة مختلفة، مثل لون 2 (انظر الشكل 2). التبديل يوقع خسائر أداء صغير، أو تكلفة التبديل، مثل أن الاستجابات عادة ما تكون أبطأ وأكثر على تجارب التحول عرضة للخطأ في الحكم الذي التغييرات الفرز بالمقارنة مع تكرار التجارب التي لا تزال في حكم فرز نفسه 3. حجم هذه التكاليف عادة ما يحصل على أصغر كما ينمو الأطفال الأكبر سنا 4، مما يدل على أن القدرة على التنظيم السلوكي يخضع استمرار التنمية في وقت مبكر من الحياة.
لأن العمليات العقلية المعقدة، مثل التبديل، تنطوي على التفاعل السريع بين مناطق الدماغ متعددة 5، هناك اهتمام متزايد في relatiنانوغرام تنمية العليا الإدراك للتغيرات في التنظيم الوظيفي للشبكات القشرية واسعة النطاق 6.
نهج واحد للتحقيق التغيير التنموية في الشبكات واسعة النطاق من خلال استخدام وظيفي تحليل الربط 6،7 القائم على البذور. الخطوة الأولى في هذه التقنية هو للتشاور مع الأدب البحوث المتاحة وتحديد المناطق بداهة المصالح، أو رويس، التي يبدو أنها تكون ذات صلة السلوك في السؤال. هذه رويس، أو العقد، وتحديد الهيكل الأساسي للشبكة. المقبل، وتقلبات منخفضة التردد في النشاط (أو T2 * المرجحة كثافة إشارة) في هذه رويس يتم قياسها لمدة 5 إلى 10 دقيقة بينما في بقية المشاركين في الماسح الضوئي التصوير بالرنين المغناطيسي. ثم يتم كميا الربط الوظيفي بين أي عقدتين من الشبكة مثل ارتباط دوام كل منهما. ينبغي أن العقد التي ترتبط وظيفيا بقوة مماثلة لها، وبالتالي يرتبط بعلاقة متبادلة، إشارةدورات الزمن. من ناحية أخرى، ينبغي أن العقد التي ترتبط وظيفيا لديهم ضعيفة متباينة، وبالتالي ترتبط ضعيفة، إشارة دورات الزمن. لإكمال نموذج الشبكة، يتم رسمها الحواف (أو وصلات) بين العقد الذي ربط فوق عتبة اختيار دورات الزمن. ويمكن إجراء اختبارات الفروق المرتبطة بالعمر في اتصال ضمن شبكة وظيفية على أي عقدة إلى عقدة اتصال واحد، أو على طوبولوجيا من مجموعة كاملة من العقد والحواف. هذه الاختلافات في الربط وظيفية ثم يمكن المتعلقة بتدابير الأداء المعرفي جمعها حاليا.
في هذه الورقة، وصفت نهجا مختلفا يستند مجموعة تحليل عنصر مستقل من البيانات المستندة إلى المهام الرنين المغناطيسي الوظيفي 8. تحليل عنصر مستقل (أو ICA) هو إجراء الإحصائية للكشف عن مصادر عمياء الخفية الكامنة وراء مجموعة من الملاحظات مثل أن مصادر كشفت مستقلة الحد الأقصى. تطبيق لتحليل البيانات الرنين المغناطيسي الوظيفي، عrocedure يفترض أن كل وحدة تخزين هو خليط من عدد محدود من مصادر مستقلة مكانيا. باستخدام واحدة من مجموعة متنوعة من خوارزميات مختلفة، مثل خوارزمية إنفوماكس، ICA ثم يقدر مصفوفة unmixing، والتي عند تطبيقها على البيانات الأصلية ينتج مجموعة من مصادر مستقلة إلى الحد الأقصى، أو المكونات. ويمكن اعتبار كل مكون من كشبكة، بقدر ما تتكون من مجموعة من voxels التي تشترك في دوام المشتركة. مجموعة ICA هو نوع معين من ICA الذي يقدر مجموعة مشتركة من عناصر المجموعة الأولى من مجموعة البيانات بالكامل، ومن ثم يتم احتساب مجموعات مشارك محددة من مكونات المجموعة في خطوة إلى الوراء التعمير. مرة واحدة تتحلل مجموعة البيانات بالكامل إلى مجموعة من المكونات، فإن الخطوة التالية هي لتجاهل مكونات مصطنعة التي تمثل مصادر الضوضاء، وتحديد مكونات ذات مغزى من الناحية النظرية التي تتوافق مع شبكات المصالح. ويمكن تحقيق ذلك إما عن طريق الدورات الوقت عنصر النمذجة في سياق GLM إلى IDEntify الشبكات التي تنشط بطريقة توقع، ربط مكانيا المكونات مع قالب شبكة من المصالح، أو كليهما. مجموعة الناتجة من مكونات يمكن بعد ذلك قدمت لمقارنة مجموعة لاختبار الفروق المرتبطة بالعمر ممكن في الاتصال وظيفية ضمن شبكات للاهتمام من الناحية النظرية 7،9،10.
البيانات الرنين المغناطيسي الوظيفي على أساس مهمة دراسة التغيرات المرتبطة بالعمر في الاتصال وظيفية من خلال تطبيق مجموعة ICA لديها العديد من المزايا أكثر من تطبيق التقنيات المعتمدة على البذور لبيانات الرنين المغناطيسي الوظيفي يستريح للدولة. الأولى، التقنيات المعتمدة على البذور خلافا التي تركز على مجموعة صغيرة من بداهة تعريف رويس، ومجموعة ICA النهج الحالي يستخدم جميع voxels تضم سلسلة زمنية الحجمي. هذا يقلل من فرص التحيز التي تنشأ بالضرورة عندما يتم اختيار مجموعة صغيرة من بذور بداهة كما المناطق المثيرة للاهتمام. الثانية، وتطبيق تحليل الربط وظيفية (المستندة إلى ICA أو غير ذلك) لمهمةبدلا من البيانات الرنين المغناطيسي الوظيفي للدولة يستريح له ميزة السماح منظمة شبكة وظيفة الشبكة لتكون مرتبطة بشكل مباشر أكثر. إذا، على سبيل المثال، دراسة الآثار المعرفية أو السلوكية للاتصال وظيفية (مثل التباين في الأداء DCCS) هو من الأولويات، من المهم أن تبين أن شبكة من الفائدة يرتبط أداء المهمة. مع بروتوكولات حالة الراحة، وهذا أمر صعب جدا لأن الباحث ليس لديه أي سجل من الدول المعرفية والسلوكية والعاطفية التي يمر بها أو المشارك خلال الحصول على البيانات. وبالتالي فإنه من المستحيل أن تقدم أي دليل مباشر على أن شبكة من المصالح هو ذات الصلة لأداء المهمة. على النقيض من ذلك، عندما ربط تحليل وظيفي، مثل ICA، يتم تطبيقها على البيانات المهمة، فمن الممكن للتأكد من أن شبكة من الفائدة على الأقل المرتبطة أداء مهمة. أخيرا، ICA هو أقل عرضة للتأثير السلبي للضجيج. مصادر الضوضاء، مثل تلك المرتبطة الطرافةح موضوع الحركة وإيقاع القلب، لمحات المكانية والزمانية فريدة من نوعها. لذلك، في سياق ICA المجموعة، يتم عزل هذه المصادر وتعيين لمكونات منفصلة، وترك المكونات المتبقية خالية نسبيا من هذه المصادر غير مرحب به من التباين. لأن التحليلات القائمة على استخدام البذور دوام الخام في تقدير الربط وظيفية، ودورات الوقت هي، بالتعريف، خليط من الإشارات العصبية والضوضاء مصطنعة، والاختلافات في تقديرات مجموعة الاتصال وظيفية يمكن أن تعكس الاختلافات الحقيقية في مجموعة الفسيولوجيا العصبية الأساسية، والاختلافات في مجموعة هيكل الضوضاء، أو كليهما 11.
البروتوكول
1. الحصول على الموافقة على العمل مع الموضوعات الإنسان
2. الرنين المغناطيسي الوظيفي الحصول على البيانات
- الحصول على البيانات الرنين المغناطيسي الوظيفي إجراءات مناسبة للأطفال الصغار التالية (انظر Raschle، وآخرون 12). بذل كل جهد ممكن للحد من الخلافات المتعلقة بالعمر ممكن في أداء المهمة والحركة، وهذه الاختلافات إدخال يفند غير المرغوب فيها التي تحد من قدرة المرء لاستخلاص استنتاجات حول الخلافات تنمويا ذات الصلة في تنشيط الدماغ والربط وظيفية.
ملاحظة: في البروتوكول الحالي، كانت تدار نسخة من التجارب المتكررة لDCCS في شكل تصميم كتلة 13. يتضمن كل تشغيل اثنين من كتل التبديل 8 للمحاكمة واثنين من كتل تكرار 8 للمحاكمة، حيث تتكون كتل التبديل من 4 محاكمات التبديل و4 تكرار التجارب، وتتكون كتل تكرار 8 تكرار التجارب. البروتوكول هو مناسبة تماما للاستخدام مع البيانات الرنين المغناطيسي الوظيفي ذات الصلة بالحدث. ومع ذلك، كتلة التصاميم لطيفة للعمل مع عند الحصول acqu الأولىainted مع ICA، لأنه من السهل أن نرى التحويرات المهمة في الوقت دورات المكون. - البيانات Preprocess الرنين المغناطيسي الوظيفي وفقا للإجراءات تجهيزها الرنين المغناطيسي الوظيفي القياسية.
- إعادة ترتيب كافة الصور وظيفية لنفس التوجه والموقف. عادة، يتم استخدام المجلد الأول وظيفية كصورة مرجعية لكافة وحدات التخزين الأخرى إلى الانحياز ل.
- Coregister وT1 المرجحة (التشريحية) صورة مع T2 * المرجحة (وظيفية) بالاشعة، بحيث يتم فرضه على أن تفعيل الموقع التشريحي الصحيح.
- تطبيع كل الصور إلى حجم موحد، والفضاء، وموقف مع اختيار قالب الدماغ (مثل Talairach الفضاء). هذا يساعد على ضمان أن مناطق متماثلة من مواضيع مختلفة ويجري مقارنة.
ملاحظة: يتم مشوه الصور إلى Talairach الفضاء في البروتوكول الحالي، على الرغم من القوالب الأخرى يمكن أيضا أن تستخدم (على سبيل المثال، MNI {معهد مونتريال العصبية} الفضاء). - على نحو سلس كافة وحدات التخزين وظيفية في داتمجموعة مع 6 إلى 10 ملم تمهيد النواة.
- عزل كميات preprocessed إلى مجموعة منفصلة من الدلائل. استخدام "المسح الوظيفي" كدليل أعلى. داخل "بمسح وظيفية" تشمل دليل منفصل لكل مشارك، وداخل كل دليل المشارك، دليل منفصل لكل شوط. البيانات جاهز الآن لتحليل ICA.
3. المجموعة المستقلة تحليل المكون (ICA)
- تحميل وتثبيت مجموعة برامج ICA. هناك عدد من أدوات العمل المتاحة لتنفيذ ICA على أنواع مختلفة من البيانات العصبية، بما في ذلك الرنين المغناطيسي الوظيفي. في حين أن أي الأدوات التي تنفذ مجموعة ICA أن يحتمل أن تكون مناسبة، ويسمى احد المستخدمة في البروتوكول الحالي هدية. وقد وضعت هدية من قبل فينس كالهون وزملاؤه في جامعة نيو مكسيكو. الأدوات هدية عبارة عن مجموعة من البرامج النصية MATLAB التي تعمل جنبا إلى جنب مع الحركة الوطنية الصومالية، مجموعة تحليل الرنين المغناطيسي الوظيفي المعروفة. كل من يمكن به تحميلها مجانا من الإنترنت (GIFT: mialab.mrn.org / البرمجيات / هدية / index.html و#؛ SPM: www.fil.ion.ucl.ac.uk/spm/). مرة واحدة تحميلها، إضافة الأدوات هدية وكافة الدلائل الفرعية إلى مسار البحث MATLAB وحفظ ملف المسار.
- الحوسبة ICA المجموعة على البيانات باستخدام الرنين المغناطيسي الوظيفي هدية يجعل مطالب كبيرة على ذاكرة RAM. فإن مطالب محددة على الذاكرة تختلف تبعا لعدد المشاركين، ومقدار البيانات التي تم جمعها من كل مشارك، وقرار من البيانات. لتجنب مشاكل الذاكرة، فمن الأفضل لتشغيل تحليل ICA على ملقم. إذا تشغيل تحليل على الكمبيوتر المحلي، يمكن تقدير الاحتياجات من ذاكرة الوصول العشوائي من خلال استخدام برنامج نصي "icatb_mem_ica.m" التي هي جزء من هدية.
- انشاء أو بالحدود التحليل. القيام بذلك عن طريق تعديل السيناريو دفعة الموجودة من قبل تسمى "Input_data_subjects_1.m" التي يتم تخزينها في هدية تحت عنوان "icatb_batch_files".
ملاحظة: يمكن أيضا أن يتم ذلك باستخدام هدية للالمستخدم الرسومية Interfالآس. ومع ذلك، فإنه هو أسهل من ذلك بكثير، مع قليل من الممارسة، لإعداد تحليل عن طريق تعديل هذا البرنامج النصي موجود مسبقا.- طريقة تحديد البيانات كما الرنين المغناطيسي الوظيفي
- تحديد نوع التحليل كما ICA مع ICASSO. وهذا ضمان تشغيل ICA مع الإجراء ICASSO. وتقدر ICASSO موثوقية التحلل عن طريق تشغيل ICA عدة مرات بدءا من البذور عشوائية مختلفة. بعد ذلك اختبارات تشابه كل نتيجة من خلال المجموعات. فمن المستحسن استخدام ICASSO كوسيلة من وسائل فحص جودة التحلل ICA، ولكن سيمتد إلى حد كبير من الوقت الذي يستغرقه هدية لاستكمال التحليل.
- لتشغيل ICA مع الإجراء ICASSO، حدد '2 'تحت "نوع من التحليل" ثم بالحدود الإجراء ICASSO في خطوط خلفا للملف الإعداد.
- تحقيق أقصى قدر من الأداء من مجموعة PCA باختيار '1 'تحت إعدادات الأداء المجموعة PCA. النظر في تعيين هذه المعلمة إلى '2'يجب أن يحدث مشاكل الذاكرة RAM غير كافية.
- في وقت لاحق لتمكين فرز الناتجة المكونات باستخدام تنبؤ من معيار SPM تصميم مصفوفة، تحديد ما إذا كان أو لم يكن هناك مصفوفات مختلفة لمواضيع مختلفة.
- تحديد حيث يتم تخزين البيانات وظيفية preprocessed وعما إذا كان ملف SPM.mat يحتوي على مصفوفة تصميم يتم تخزين جنبا إلى جنب مع بيانات وظيفية preprocessed.
- الطريق الأكثر مباشرة للحصول على هدية لقراءة البيانات هو إذا كان كل مشارك لديه نفس عدد أشواط، ويتمحور دليل البيانات كما هو موضح في الخطوة 2.3 تحت الحصول على البيانات الرنين المغناطيسي الوظيفي. إذا كان الأمر كذلك، ثم تحت DataSelectionMethod، اختار '1 'لأسلوب 1، وإكمال المعلمة "sourceDir_filePattern_flagLocation" من قبل بما في ذلك أسم دليل حيث يتم تخزين البيانات، وتنسيق ملف للبيانات، وبيانا يوضح أن يتم تخزين جلسات فردية كما الدلائل داخل كل مجلد الموضوع.
- إشارة إلى الدليل الذي يجب أن يكتب الناتج من التحليل. لا تكتب النتائج إلى نفس الدليل حيث يتم تخزين البيانات.
- توفير البادئة التي ستضاف إلى جميع ملفات الإخراج.
- توفير أسم دليل لقناع. يتم حجب كافة وحدات التخزين المقدمة إلى ICA. تقدم هدية قناع الافتراضي. لهذا العمل، وهو السيناريو في المنزل لتوليد قناع من البيانات التي ستقدم إلى ICA. كحد أدنى، ينبغي للقضاء على قناع الجمجمة، الفضاء خارج المخ، وبخاصة مقل العيون. سوف إشارة من voxels مقلة العين تظهر تقلبات كبيرة جدا خلال شوط وبالتالي سوف يكون لها تأثير كبير على هيكل مكونات النهائي. الشكل 3 يوضح ما قناع جيدة يجب أن تبدو.
- تحديد نوع مجموعة PCA لاستخدامها. استخدام 'محددة الموضوع.'
- تحديد طريقة العودة إعادة الإعمار. في هذه المرحلة، يتم حسابها الموضوع الفرد IC ودوام المرتبطة بها جيئة وذهابام نتائج تحليل المجموعة. ينصح GICA للحصول على أفضل الدورات الوقت، على الرغم من أن هناك نقاشا واسعا في الأدب حول هذه النقطة.
- تحديد نوع البيانات السابقة للتجهيز. استخدام كثافة تطبيع لتجنب القيم غير العددية (أي infinites، وعلى نان) في الإخراج. في هذا المثال، اخترنا الافتراضي '1 '.
- تحديد نوع PCA (نستخدم قياسي)، واستعرض القيم الافتراضية ضمن خيارات PCA. هدية ينفذ PCA على كل شوط من كل مشارك ويحتفظ عدد من المكونات مساو لعدد من المصادر أن تكون غير مخلوطة في ICA. يخدم غرضين PCA الهامة. الأولى، فإنه يساعد على القضاء على مصادر الضوضاء التي هي فريدة من نوعها لكل مشارك ولكل شوط. الثاني، فإنه يجعل مطالب الحسابية للتحليل أكثر لين العريكة.
- تحديد عدد PCAs لتشغيل على البيانات قبل ICA (2 مستحسن). كذلك، تحديد كيفية العديد من العناصر للاحتفاظ بعد كل PCA (إذا تشغيل2، فمن المستحسن أن عدد من العناصر المحتجزة بعد أول PCA هو ضعف عدد الاحتفاظ بعد الثانية).
- تحديد الكيفية التي ينبغي أن تقاس البيانات. لهذا العمل، وكان يستخدم ض النتيجة التحجيم.
- اختيار خوارزمية فصل مصدر أعمى لICA. لهذا العمل، تم استخدام إنفوماكس. هدية تقدم خيارا للا يقل عن 10 خوارزميات مختلفة.
- يمكن ترك المعلمات المتبقية كما هو.
- بمجرد الانتهاء من ICA، اختر من بين المكونات المتوفرة تلك التي تهم النظرية المحتملة. من خلال واجهة المستخدم الرسومية هدية، اختر اختيار العنصر: الفرز المكاني فرز المكونات المكانية عن طريق الارتباط المكاني مع قالب موجود مسبقا؛ فرز الفرز الزمني للدوام المكون عن طريق تنبؤ خطي من تصميم SPM المصفوفة التي يمكن تخزينها مع البيانات (انظر 3.3.5).
ملاحظة: كلا النهجين لاختيار عنصر لها فائدة. ومع ذلك، عند العمل مع البيانات المهمة، واختيار الزمنيةالمعايير هي مفيدة بشكل خاص، لأنها توفر وسيلة للتحقق من أنه تم تنشيط المكون المحدد من قبل المهمة. في حالة DCCS، واستخدام الفرز الزمنية يمكن استخدامها للتأكد من أن المكون المحدد كان أكثر نشاطا خلال كتل التبديل من خلال كتل تكرار. - اختبار ما إذا كانت إصدارات الأطفال والبالغين من هذه المكونات المحددة تختلف. الطفل الكلي ومكونات الكبار من الاهتمام إلى مجموعتين منفصلتين والاختبار عن طريق عينة منطقتين اختبار t حيث تختلف المكونات. هذا هو السهل نسبيا القيام به من خلال واجهة المستخدم الرسومية هدية.
النتائج
ICA المجموعة، حتى على مجموعة من البيانات الرنين المغناطيسي الوظيفي صغيرة نسبيا، سيعود مجموعة من المكونات مماثلة لتلك التي لوحظت في دراسات أخرى. الشكل 4 هو استعلاء من 5 هذه المكونات ودوام المرتبطة بها غير مخلوطة من عينة من 12 طفلا و 13 الكبار ، مع ما يقرب من 800 مجلدا لكل مشارك. كما هو مبين في الشكل (4)، الوضع الافتراضي، الجبهي الجداري، شبكات cingulo الانعزالية، والبصرية يمكن بسهولة أن ينظر إليه من نتائج هذا التحلل. كذلك، لاحظ كم هو سهل أن نستشف تصميم كتلة في الدورات الوقت من مكونات وضع البصرية والافتراضية.
وينبغي أن يكون التحلل ICA ناجحة موثوق بها. الاعتماد على التحلل يمكن تقييمها من خلال دراسة إخراج الإجراء ICASSO. الشكل 5 يظهر جزء من الانتاج ICASSO لتحلل موثوقية أجريت في هدية.
عند استخدام correlat المكانيةأيون كأساس لاختيار عنصر، انه لامر جيد للإبلاغ عن معامل الارتباط وتقديم قالب والمكون المحدد معا من أجل المقارنة البصرية. في ورقة حديثة، تم الفرز المكانية والزمانية على حد سواء المستخدمة لتحديد عنصر الجبهي الجداري الذي كان يرتبط مكانيا مع قالب من شبكة مراقبة السلطة التنفيذية، وكان أكثر نشاطا للكتل التبديل من تكرار الكتل في DCCS الشكل 6 البرامج الصورة القالب والمكون المحدد. لاحظت أن هناك مراسلات جيدة بين الصورتين.
مقارنات مجموعة من الخرائط عنصر يمكن استخدامها لاختبار الفروق المرتبطة بالعمر في الاتصال وظيفية للمكون المحدد. Voxels التي تظهر على الخرائط الناتجة هي تلك التي "تحميل" بقوة أكبر على العنصر المحدد لمجموعة واحدة من آخر. وبعبارة أخرى، وهذه هي voxels فيه مدار الساعة من voxels هي أكثر مشابهة لمدار الساعة من المكون (أي إظهار الربط وظيفية قوية للشبكة) لمجموعة واحدة من لآخر. بعد هذا الإجراء، قارنا الأطفال والكبار مكونات الحق الجبهي الجداري - مكون أكدنا ارتبط مكانيا مع قالب من شبكة سيطرة السلطة التنفيذية وكان تفعيلها من خلال DCCS - وجدت أن voxels داخل الفص الجبهي الجانبي، الحزامية الأمامية، والجداري القشرة محملة بقوة أكبر على هذا المكون عند البالغين من الأطفال 14. يتم عرض هذه الصورة التباين في الشكل 7.
الشكل 1. مخطط عموما التجربة.
d/51003/51003fig2ahighres.jpg "سرك =" / files/ftp_upload/51003/51003fig2a.jpg "/>
الشكل 2. البديل كتلة تصميم الأبعاد تغيير بطاقة الترتيب (DCCS) المهمة. في الإصدار القياسي من المهمة، والأطفال وبطاقات اختبار ثنائي التكافؤ الفرز في صناديق تميزت الأهداف ثنائي التكافؤ التي تطابق كل بطاقة الاختبار على بعد واحد.الأطفال فرز عدد قليل من بطاقات اتجاه واحد (مثلا عن طريق اللون)، ومن ثم يتم طلب للتبديل وفرز بطاقات نفس طريقة جديدة (مثلا عن طريق الشكل). التدبير النتيجة هي ما إذا كان الأطفال التبديل معايير الفرز بشكل صحيح. (أ) في متغير كتلة التصميم، فإن المهمة التي تديرها الكمبيوتر. تظهر هدفين الثنائي التكافؤ على الشاشة طوال المهمة. يتم تقديم بطاقات اختبار مركزيا ل1،750 ميللي ثانية والمشاركين فرز البطاقات عن طريق الصحافة زر واحدة. المحاكمات التي معيار الفرز يختلف عن السابق على المحاكمة هي محاكمة التبديل؛ المحاكمات التي معيار الفرز هو نفسه كما في المحاكمة السابقة هي التجارب تكرار. (ب) يتم عرض التجارب الفردية في كتل 8 للمحاكمة. كتل التبديل تحتوي على 4 وتكرار التجارب 4 التبديل؛ كتل تكرار تحتوي على 8 تكرار التجارب. (ج، د) تدابير النتيجة هي الفرق في زمن الاستجابة والدقة عبر التبديل وتكرار الكتل.
. الشكل 3 نتائج المجموعة ICA: مكونات ممثل (أ) صورة مركبة من 5 مكونات مجموعة ممثلة من ICA من 11 الكبار والأطفال 12 مشاركا. كان النظام نموذج 20. كان يعمل 78 مجلدات طويلة. المكونات هي مرمزة (أحمر = البصرية، أزرق = اليسار الجبهي الجداري؛ أخضر = الافتراضي الوضع، وردي = الحق الجبهي الجداري؛ البرتقال =-cingulo الانعزالية). (ب) المكون timecourses وتصميم كتلة تراكب. من الفحص البصري، فمن الواضح أن يرتبط أداء المهمة مع زيادة في النشاط في مكونات الجبهي الجداري البصرية واليسار وانخفاض في النشاط في الشبكة الافتراضية واسطة. وتوضح هذه النتائج بديهية كيفية استخدام تصميم القطاعات الأساسية يجعل من السهل نسبيا لتقييم جودة من التحلل ICA."https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" الهدف = "_blank"> الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.
الشكل 4 نتائج المجموعة ICA: مكونات ممثل (أ) صورة مركبة من 5 مكونات مجموعة ممثلة من ICA من 11 الكبار والأطفال 12 مشاركا. كان النظام نموذج 20. كان يعمل 78 مجلدات طويلة. المكونات هي مرمزة (أحمر = البصرية، أزرق = اليسار الجبهي الجداري؛ أخضر = الافتراضي الوضع، وردي = الحق الجبهي الجداري؛ البرتقال =-cingulo الانعزالية) (ب) دوام مكون وكتلة تصميم تراكب. من الفحص البصري، فمن الواضح أن يرتبط أداء المهمة مع زيادة في النشاط في مكونات الجبهي الجداري البصرية واليسار وانخفاض في النشاط في دشبكة efault الوضع. وتوضح هذه النتائج بديهية كيفية استخدام تصميم القطاعات الأساسية يجعل من السهل نسبيا لتقييم جودة من التحلل ICA. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.
الرقم 5. الممثل الناتج ICASSO من التحلل موثوق بها للغاية. لاختبار موثوقية أي التحلل واحد، يتم تشغيل ICA عدة مرات ويتم رسم النتائج عبر أشواط منفصلة. توفر هذه المؤامرة ملخصا موجزا للنتائج جميع التكرارات من ICA ويسمح احد لتقييم بصريا التشابه أو الاختلاف في الحلول التي تخرج من التكرارات مختلفة من ICA. تمثل نقطة واحدة المدى التقديرات واحدة منمكونات معينة. تمثل الدوائر الزرقاء ضوء centrotypes من مجموعات من الملاحظات واحد. مجموعات متراصة والمعزولة التي تقع ضمن الحدود من centrotype تشير موثوقية جيدة. مجموعات متناثرة أن تبتعد خارج الحدود من centrotype تشير الفقراء الموثوقية. بالنسبة لمعظم مكونات في هذا الرقم، كان هناك درجة عالية من التشابه في مكون عبر التكرارات مختلفة من ICA. وأظهرت مكونات 58، 59، و 60 طفيفة بعض التباين عبر التكرار مختلفة. اضغط هنا لمشاهدة صورة أكبر.
الرقم 6. القالب سيطرة السلطة التنفيذية وعنصر الحق الجبهي الجداري المختارة، مضافين على شرائح متطابقة من resolutio عاليةن فحص تشريحي، تظهر مقارنة تماما. الارتباط المكاني يمكن استخدامها لقياس واختبار إحصائيا لتشابه هذه الخرائط. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم.
الرقم 7. طرح مكونات الجبهي الجداري حق الأطفال عن البالغين يكشف المناطق التي الاتصال وظيفية لشبكة التنفيذية المحددة هي أقوى للبالغين من الأطفال. وتشمل هذه المناطق وسطي قشرة الفص الجبهي والمنطقة الغشائية البطنية (انظر شريحة السهمي) والفص الجبهي ظهراني و أدنى الجداري القشرة (انظر شريحة المحوري). الرجاء النقرهنا لمشاهدة نسخة أكبر من هذا الرقم.
المناقشة
العمليات العقلية العليا، مثل القدرة على تبديل قواعد الفرز، تتطور بسرعة طوال مرحلة الطفولة والمراهقة. لأن هذه العمليات العقلية تنطوي على التفاعلات بين عدة مناطق الدماغ توزيعها، هناك اهتمام متزايد في استكشاف العلاقة بين تنمية العليا الإدراك والتغيرات المرتبطة بالعمر في تنظيم شبكات القشرية واسعة النطاق. نقدم طريقة تقوم على مجموعة تحليل عنصر مستقل تطبيقها على البيانات الرنين المغناطيسي الوظيفي القائم على مهمة كوسيلة لدراسة هذه العلاقة مباشرة.
كما هي الحال في أي دراسة مقارنة بين شركات المجموعة، ويعتمد نجاح الطريقة على بيانات ذات جودة عالية الرنين المغناطيسي الوظيفي من كل من البالغين والأطفال. الاختلافات في مجموعة القطع الأثرية المرتبطة الحركة يمكن أن يكون لها آثار خطيرة على نوعية التحلل ICA وتؤدي إلى اختلافات زائفة في مكونات الناتج. الاختلافات في أداء مجموعة مهمة يمكن أن تكون محتملة problemaTIC كذلك، لأنها سوف يقوض إمكانية الفرز الزمنية لجميع الفئات. إذا على سبيل المثال يظهر مجموعة واحدة فرق كبير بين أداء التجارب التجريبية والضابطة، ولكن المجموعة الثانية لا، وسوف يكون من الصعب تحديد المكونات التي يمكن للمرء أن يدعي ترتبط مهمة بنفس الطريقة لكلتا المجموعتين. لذلك، تأكد من أن تأخذ الوقت الكافي لجمع البيانات بشكل صحيح. اتباع البروتوكولات تصوير الأعصاب للأطفال وصفها بشكل جيد من قبل Raschle وآخرون، 2009، ويستغرق وقتا طويلا لتطوير أساليب المعرفي السلوكي التي تخفف من بين المجموعة الاختلافات في الأداء / استخدام استراتيجية.
Trouble-shooting/Caveats
مجموعة ICA هو أسلوب متعدد المتغيرات المتقدمة، ولكن واحد هو أن يجري اعتمادها أكثر فأكثر لمجموعة متنوعة من التطبيقات تحليل الرنين المغناطيسي الوظيفي، بما في ذلك تقليل الضوضاء، وتقدير الربط وظيفية، والتصوير الديناميكي دول الربط الدماغ (انظر أدناه). بالنسبة للمستخدمين لأول مرة، ووضع المتابعة والترجمةوالناتج من مجموعة ICA يكون قليلا مربكا. ولكن، مع قليل من الممارسة / التجربة والخطأ، وتصبح الأمور أكثر وضوحا. الاقتراحات التالية بمساعدة لنا بشكل كبير في الحصول على أكثر من الشكوك الأولية لدينا.
أولا، تبدأ صغيرة واستخدام البيانات التي تم جمعها مع تصميم بسيط. تصاميم كتلة مع 10 إلى 20 ثانية فترات الراحة بين الكتل هي مثالية في هذا الصدد. للبدء، حاول تشغيل شوط ICA على 3 أو 4 أشواط 100 حجم البيانات كتلة من 4 أو 5 مشاركين. هذا لن تسفر عن النتائج للنشر، ولكن سيتم تشغيل بسرعة نسبيا وإنتاج المكونات المكانية معقولة. كذلك، ينبغي أن يكون من السهل نسبيا أن نرى تصميم كتلة ممثلة في مدار الساعة من مكونات القذالي والمكونات الافتراضية، مع هذه الدورات مرة إيجابا وسلبا المرتبطة بمهمة التوالي (انظر الشكل 4). هذا هو وسيلة جيدة لكسب الثقة بسرعة مع الإجراء قبل التوسع في تحليل ما يصل إلى امبالبريد مجموعة البيانات بالكامل. يجب أن الأشياء لا يمكن العمل بها في هذه المرحلة، والعودة إلى صور preprocessed الخاصة بك والتحقق من وجود قضايا جودة البيانات (مثل الحركة الفنية الشديدة، شرائح سيئة، الخ). إذا المكونات المكانية هي متفرق للغاية (أي تتكون المرحلية المكانية من العديد من مجموعات صغيرة متفرقة من voxels)، تحقق للتأكد تم ممهدة كميات متأكد - ينصح 8 ملم FWHM النواة.
بدءا من مجموعة البيانات صغيرة هو أيضا وسيلة جيدة للحصول على ملمس لاختيار نموذج النظام، أو عدد من العناصر لتضمينها في نموذج. في حين لا توجد وسيلة حق واحد لاتخاذ هذا القرار، وهناك عدد من المبادئ التوجيهية للنظر فيها. الأولى، كما ينفذ هدية شكل من أشكال ICA المكاني، والحد الأقصى لعدد العناصر التي يمكن غير مخلوطة من سلسلة زمنية الحجمي هو مساو لعدد من وحدات التخزين في timeseries. الثانية، هدية يحسب تقدير للأبعاد من البيانات باستخدام PCA، وهذه التقديرات وعادة ما تكون في حدود سو 18 إلى 22 المكونات. معا، وهذه الاعتبارات والعلوي والسفلي ملزمة لاختيارك من أجل نموذج. بعد ذلك، والامر متروك لك. ببساطة نتذكر أن المكونات التي تم تجميعها مكانيا في أقل أجل نموذج سوف تفكك في مكونات منفصلة ولكنها متصلة إحصائيا، كما أمر نموذج هو زيادة. إذا كنت تخطط لتحديد عنصر باستخدام قالب من مجموعة بحثية أخرى، قد تفكر في اختيار النظام نموذج مماثل لما كان يستخدم في التحليل التي ولدت القالب، حيث سيؤدي ذلك إلى زيادة احتمال أن المكون كنت تبحث عن بقايا مكانيا سليمة في التحلل الخاص بك.
هناك بعض المحاذير التي قد يكون من المفيد النظر قبل المضي قدما مع ICA. الأول، توفير المكونات المكانية أساسا لدراسة الفروق المرتبطة بالعمر في الاتصال وظيفية، ولكن أقول لك شيئا عن كيفية أو حتى ما إذا كانت المناطق التي يشكلون التفاعل المكون. يمكن تحميل منطقتين على مكونبسبب ثنائية الاتجاه، أحادي الاتجاه، أو غير مباشر (أي من خلال المنطقة الثالثة) الاتصال، أو حتى عن طريق الصدفة الإحصائية. لذلك، توخي الحذر في استخلاص النتائج. الثاني، إذا مصالحكم هي في اختبار فرضية معينة حول كيفية تفاعل المناطق وكيفية تغيير هذه التفاعلات مع التنمية، وسوف تحتاج إلى النظر في التحليلات أو أساليب إضافية. واحد الاحتمالات هو استخدام دوام IC واختبار للاتصال الفعال بين المكونات عن طريق تحليل الارتباط تخلفت. تتوفر كجزء من شبكة الربط وظيفية هدية (أو المجلس الوطني الاتحادي) الأدوات أدوات لهذه الأنواع من التحليلات. بدلا من ذلك، قد ترغب في النظر في نهج مختلف تماما مثل الحيوي السببية النمذجة (DCM)، وهي متاحة في SPM8.
مزايا الأساليب القائمة
قوة الرئيسي من الأسلوب الحالي هو أنه يتيح على الأقل بعض أساسا للاستنتاج وظيفة الدماغ الشبكة المستهدفةق. إلى حد أن يتم تحديد الشبكات على أساس التباين في دورات الوقت إشارة voxels مختلفة، وهذه التقديرات التغاير هي مقياس ثابت للاتصال وظيفية، ICA والنهج القائم على البذور تؤدي إلى صور تتلاقى شبكات القشرية ما إذا كانت تطبق على الدولة يستريح أو المهمة القائمة على البيانات الرنين المغناطيسي الوظيفي 15. ميزة هامة لتطبيق مجموعة ICA لمهمة البيانات هو أنه من الممكن لتشكيل الفرضيات الأولية حول وظيفة الشبكات المحددة. في الأسلوب الحالي، ونحن الاستفادة من هذه الحقيقة لغرض ربط عملية إدراكية معينة - حكم التحويل - إلى شبكة اتصال معينة. تم تصوير نفس الشبكة في حين كان المشاركون في بقية، فإنه لن يكون من الممكن ربط الشبكة المحددة مع سلوك معين، على الأقل ليس بشكل مباشر.
تطبيقات إضافية والاتجاهات المستقبلية
وقد أظهرت مجموعة ICA إمكانات كبيرة لكشف مجموعة احالامتحانات التنافسية الوطنية في تنظيم وسير عمل شبكات القشرية، بما في ذلك تلك المتعلقة العمر، الحالة التشخيصية، والشخصية، وهلم جرا 16. إجراءات متعدد المتغيرات مثل ICA أيضا مناسبة تماما لتحديد الجمعيات عبر طرائق مختلفة من البيانات، وعلى وجه الخصوص ICA أثبتت مثمرة للغاية لتحديد الروابط بين الرنين المغناطيسي الوظيفي والهيكلي بيانات التصوير بالرنين المغناطيسي، الرنين المغناطيسي الوظيفي والتخطيط الدماغي، والرنين المغناطيسي الوظيفي والوراثة 17.
واحد اتجاه جديد مثير هو استخدام ICA في استكشاف التغيرات الدينامية في الربط القشرية 18. حتى الآن، تم تصور شبكات القشرية كما ساكنة معماريا، على الأقل خلال فترات زمنية قصيرة. العمل الأخيرة ومع ذلك، فقد بدأت دراسة ما إذا كان الاتصال وظيفية داخل وبين شبكات كل من يغير بشكل حيوي على فترات زمنية قصيرة نسبيا، ربما بالتعاون مع التغيرات في الإدراك والسلوك. وتشير النتائج الأولية، تستند في المقام الأول على بيانات حالة الراحة، أن الدماغدورات من خلال مجموعة متنوعة من microstates، كل تميزت كوكبة متميزة من الاتصالات بين مناطق الدماغ المختلفة. واحد من شأنه تمديد واضح من الطريقة الحالية يكون لدراسة التغيرات الدينامية في اتصال الشبكة بالتعاون مع التغيرات في المطالب المعرفية من خلال تطبيق مجموعة ICA إلى البيانات المهمة. تطبيقها على البيانات التي تم جمعها من الرنين المغناطيسي الوظيفي المشاركين من مختلف الأعمار، فإن النتائج يمكن أن تكون تكشف الاختلافات في كيفية العقول الأصغر والأكبر سنا التكيف حيوي للتحديات المعرفية والسلوكية.
الإفصاحات
لا توجد المصالح المالية المتنافسة.
شكر وتقدير
تم إجراء هذا البحث ممكن بدعم من المنح المقدمة من مجلس البحوث الهندسية الوطنية للعلوم و(NSERC) لبروس J. مورتون.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| SPM8 | ذا MathWorks، Inc. | R2013a |
المراجع
- Diamond, A. Normal Development of Prefrontal Cortex from Birth to Young Adulthood: Cognitive Functions Anatomy, and Biochemistry. Principles of Frontal Lobe Function. , 1-38 (2002).
- Zelazo, P. D. The Dimensional Change Card Sort (DCCS): a method of assessing executive function in children. Nat Protoc. 1, 297-301 (2006).
- Monsell, S. Task switching. Trends Cogn Sci (Regul Ed. 7, 134-140 (2003).
- Crone, E. A., Bunge, S. A., van der Molen, M. W., Ridderinkhof, K. R. Switching between tasks and responses: a developmental study. Developmental Science. 9, 278-287 (2006).
- Cole, M. W., Schneider, W. The cognitive control network: Integrated cortical regions with dissociable functions. Neuroimage. 37, 343-360 (2007).
- Fair, D. A., et al. Development of distinct control networks through segregation and integration. Proc Natl Acad Sci USA. 104, 13507-13512 (2007).
- Uddin, L. Q., Supekar, K., Menon, V. Typical and atypical development of functional human brain networks: insights from resting-state FMRI. Frontiers in systems neuroscience. 4, (2010).
- Calhoun, V. D., Adali, T., Pearlson, G. D., Pekar, J. J. A method for making group inferences from functional MRI data using independent component analysis. Human brain mapping. 14, 140-151 (2001).
- Fransson, P., et al. Resting-state networks in the infant brain. Proceedings of the National Academy of Sciences of the United States of America. 104, 15531-15536 (2007).
- Supekar, K., Menon, V. Developmental maturation of dynamic causal control signals in higher-order cognition: a neurocognitive network model. PLoS computational biology. 8, (2012).
- Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59, 2142-2154 (2012).
- Raschle, N. M., et al. Making MR Imaging Child's Play - Pediatric Neuroimaging Protocol, Guidelines and Procedure. (29), (2009).
- Morton, J. B., Bosma, R., Ansari, D. Age-related changes in brain activation associated with dimensional shifts of attention: an fMRI study. Neuroimage. 46, 249-256 (2009).
- Ezekiel, F., Bosma, R., Morton, J. B. Dimensional Change Card Sort performance associated with age-related differences in functional connectivity of lateral prefrontal cortex. Developmental Cognitive Neuroscience. , (2013).
- Calhoun, V. D., Kiehl, K. A., Pearlson, G. D. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Human brain mapping. 29, 828-838 (2008).
- Allen, E. A., et al. A baseline for the multivariate comparison of resting-state networks. Front Syst Neurosci. 5, (2011).
- Calhoun, V. D., Liu, J., Adali, T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 45, (2009).
- Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. , (2012).
إعادة الطباعة والأذونات
