simultaneous-fmri-and-electrophysiology-in-the-rodent-brain

Simultaneous fMRI and Electrophysiology in the Rodent Brain

To examine the neural basis of the blood oxygenation level dependent (BOLD) magnetic resonance imaging (MRI) signal, we have developed a rodent model in ...

Emory University

Georgia Institute of Technology

&#x8840;&#x6DB2;&#x6C27;&#x5408;&#x6C34;&#x5E73;&#x53D6;&#x51B3;&#x4E8E;&#x4FE1;&#x53F7;&#x7684;&#x76F8;&#x5173;&#x7684;&#x4F4E;&#x9891;&#x6CE2;&#x52A8;&#x4E86;&#x666E;&#x904D;&#x9075;&#x5B88;&#x5728;&#x9AD8;&#x5EA6;&#x8FDE;&#x63A5;&#x7684;&#x5927;&#x8111;&#x533A;&#x57DF;&#x548C;&#x88AB;&#x8BA4;&#x4E3A;&#x662F;&#x8868;&#x660E;&#x4E86;&#x5728;&#x8FD9;&#x4E9B;&#x5730;&#x533A;&#x5185;&#x7684;&#x534F;&#x8C03;&#x6D3B;&#x52A8;&#x3002;&#x5178;&#x578B;&#x529F;&#x80FD;&#x8FDE;&#x901A;&#x6027;&#x78C1;&#x5171;&#x632F;&#x6210;&#x50CF;&#x7814;&#x7A76;&#x7531;&#x6570;&#x4EE5;&#x767E;&#x8BA1;&#x7684;&#x6210;&#x5343;&#x4E0A;&#x4E07;&#x7684;&#x56FE;&#x50CF;&#x7D20;&#xFF0C;&#x4ECE;&#x83B7;&#x5F97;&#x7684;&#x65F6;&#x95F4;&#x70B9;&#x7EC4;&#x6210;&#xFF0C;&#x56E0;&#x6B64;&#x63A2;&#x7D22;&#x6027;&#x6570;&#x636E;&#x5206;&#x6790;&#x662F;&#x4E00;&#x9879;&#x91CD;&#x5927;&#x6311;&#x6218;&#x3002;&#x8FD9;&#x4EFD;&#x8C03;&#x67E5;&#x5229;&#x7528;&#x56FE;&#x8BBA;&#xFF0C;&#x53EF;&#x80FD;&#x53EF;&#x4EE5;&#x63D0;&#x4F9B;&#x6570;&#x636E;&#x9A71;&#x52A8;&#x7684;&#x65B9;&#x6CD5;&#x5BA1;&#x67E5;&#x5728;&#x7D20;&#x7EC4;&#x4E4B;&#x95F4;&#x7684;&#x5173;&#x7CFB;&#x4E3A;&#x57FA;&#x7840;&#x7684;&#x5206;&#x6790;&#x65B9;&#x6CD5;&#x3002;&#x63CF;&#x8FF0;&#x4E86;&#x4E09;&#x79CD;&#x7B97;&#x6CD5;&#xFF0C;&#x57FA;&#x4E8E;&#x8BBF;&#x95EE;&#x7FA4;&#x4F53;&#x3001; &#x8DEF;&#x5F84;&#x957F;&#x5EA6;&#x5206;&#x6790;&#x548C;&#x5C42;&#x6B21;&#x805A;&#x7C7B;&#x7684;&#x548C;&#x5728;&#x9F20;&#x8111;&#x7684;&#x76F8;&#x5BF9;&#x7B80;&#x5355;&#x7684;&#x4E0A;&#x4E0B;&#x6587;&#x4E2D;&#x8BA1;&#x7B97;&#x3002;&#x5206;&#x6790;&#x8868;&#x660E;&#xFF0C;&#xFF08;&#x57FA;&#x4E8E;&#x4EA4;&#x53C9;&#x76F8;&#x5173;&#x7CFB;&#x6570;&#xFF09; &#x76AE;&#x8D28;&#x7D20;&#x662F;&#x5927;&#x591A;&#x6570;&#x5F3A;&#x70C8;&#x8FDE;&#x63A5;&#x7684;&#x7F51;&#x7EDC;&#x8282;&#x70B9;&#x3002;&#x8FD9;&#x4E9B;&#x7D20;&#x8868;&#x73B0;&#x51FA;&#x66F4;&#x5F3A;&#x7684;&#x805A;&#x7C7B;&#x6BD4;&#x9884;&#x8BA1;&#x5728;&#x968F;&#x673A;&#x8FDE;&#x63A5;&#x56FE;&#x4E2D;&#xFF0C;&#x548C;&#x805A;&#x7C7B;&#x5206;&#x6790;&#x7684;&#x91CF;&#x53D6;&#x51B3;&#x4E8E;&#x9009;&#x62E9;&#x7684;&#x4E92;&#x76F8;&#x5173;&#x9608;&#x503C;&#x3002;&#x5206;&#x6790;&#x7B97;&#x6CD5;&#x8BC6;&#x522B;&#x4F53;&#x611F;&#x5730;&#x533A;&#x7684;&#x6838;&#x5FC3;&#x7FA4;&#x4F53;&#xFF0C;&#x5E76;&#x6307;&#x793A;&#x5230;&#x4E2D;&#x7EBF;&#x76AE;&#x8D28;&#x533A;&#x66F4;&#x5F3A;&#x70C8;&#x5730;&#x8FDE;&#x63A5;&#x5230;&#x5BF9;&#x65B9;&#x6BD4;&#x5DE6;&#x548C;&#x53F3;&#x4F53;&#x611F;&#x5730;&#x533A;&#x3002;&#x7ED3;&#x679C;&#x663E;&#x793A;&#x57FA;&#x4E8E;&#x56FE;&#x8BBA;&#x7684;&#x7B97;&#x6CD5;&#x975E;&#x5E38;&#x9002;&#x5408;&#x7684;&#x6570;&#x636E;&#x9A71;&#x52A8;&#x7684;&#x529F;&#x80FD;&#x8FDE;&#x901A;&#x6027;&#x7814;&#x7A76;&#x5206;&#x6790;&#x3002;

&#x6570;&#x636E;&#x9A71;&#x52A8;&#x7684;&#x7F51;&#x7EDC;&#x5206;&#x6790;&#x7684;&#x8BC4;&#x4EF7;&#x65B9;&#x6CD5;&#x529F;&#x80FD;&#x8FDE;&#x901A;&#x6027;&#x78C1;&#x5171;&#x632F;&#x6210;&#x50CF;&#x3002;

Correlated low frequency fluctuations in the blood oxygenation level dependent signal have been widely observed in highly connected brain regions and are considered to be indicative of coordinated activity within those regions. A typical functional connectivity MRI study consists of hundreds of time points acquired from thousands of image voxels, and thus exploratory data analysis is a significant challenge. This paper investigates the utilization of analytical methods based upon graph theory that can potentially provide a data-driven approach to examining the relationships between and within groups of voxels. Three algorithms, based on reachable groups, path-length analysis, and hierarchical clustering, are described and evaluated in the relatively simple context of the rodent brain. Analysis indicates that (based on the cross-correlation coefficient) cortical voxels are the most strongly connected network nodes. These voxels exhibit stronger clustering than would be expected in a randomly connected graph, and the amount of clustering is dependent on the cross-correlation threshold chosen. The analysis algorithms identify core groups in somatosensory areas and indicate that left and right somatosensory regions are more strongly connected to each other than to midline cortical areas. The results show that algorithms based on graph theory are well-suited for the data-driven analysis of functional connectivity studies.

Evaluation of data-driven network analysis approaches for functional connectivity MRI.

Corr&#xE9;l&#xE9;es fluctuations basses fr&#xE9;quences dans le signal de niveau d&#x26;#39;oxyg&#xE9;nation du sang &#xE0; charge ont &#xE9;t&#xE9; largement observ&#xE9;e dans les r&#xE9;gions c&#xE9;r&#xE9;brales tr&#xE8;s connect&#xE9;s et sont consid&#xE9;r&#xE9;es comme repr&#xE9;sentatives de l&#x26;#39;activit&#xE9; coordonn&#xE9;e au sein de ces r&#xE9;gions. Un typique connectivit&#xE9; fonctionnelle &#xE9;tude IRM se compose de centaines de points dans le temps acquis aupr&#xE8;s de milliers de voxels d&#x26;#39;image, et donc analyse exploratoire des donn&#xE9;es est un d&#xE9;fi de taille. Ce document explore l&#x26;#39;utilisation de m&#xE9;thodes analytiques bas&#xE9;es sur la th&#xE9;orie des graphes qui peuvent potentiellement fournir une approche ax&#xE9;e sur les donn&#xE9;es &#xE0; l&#x26;#39;examen des relations entre et au sein des groupes de voxels. Trois algorithmes, bas&#xE9;s sur des groupes accessible, de longueur de chemin d&#x26;#39;analyse et de clustering hi&#xE9;rarchique, sont d&#xE9;crits et &#xE9;valu&#xE9;s dans le contexte relativement simple du cerveau des rongeurs. L&#x26;#39;analyse indique que (bas&#xE9; sur le coefficient de corr&#xE9;lation crois&#xE9;e) voxels corticales sont les n&#x153;uds de r&#xE9;seau les plus fortement li&#xE9;es. Ces voxels pr&#xE9;sentent forte regroupement que pr&#xE9;vu dans un diagramme de fa&#xE7;on al&#xE9;atoire reli&#xE9;, et la quantit&#xE9; de regroupement est d&#xE9;pendante de la corr&#xE9;lation crois&#xE9;e de seuil choisie. Les algorithmes d&#x26;#39;analyse d&#x26;#39;identifier les groupes de base dans les zones somato-sensorielles et indiquent que gauche et droite r&#xE9;gions somatosensorielles sont plus fortement reli&#xE9;s les uns aux autres que de la ligne m&#xE9;diane aires corticales. Les r&#xE9;sultats montrent que les algorithmes bas&#xE9;s sur la th&#xE9;orie des graphes sont bien adapt&#xE9;s pour l&#x26;#39;analyse ax&#xE9;e sur les donn&#xE9;es des &#xE9;tudes de connectivit&#xE9; fonctionnelle.

&#xC9;valuation des donn&#xE9;es ax&#xE9;es sur les approches d&#x26;#39;analyse de r&#xE9;seau pour la connectivit&#xE9; fonctionnelle IRM

Korrelierte Niederfrequenz-Schwankungen im Blut Sauerstoffversorgung Ebene abh&auml;ngige Signal in hochgradig vernetzten Hirnregionen weithin eingehalten worden und gelten als Indikator f&uuml;r koordinierte Aktivit&auml;t innerhalb dieser Regionen. Eine typische funktionelle Konnektivit&auml;t MRI-Studie besteht aus Hunderten von Zeitpunkte, die aus Tausenden von Bild Voxel erworben und somit explorative Datenanalyse ist eine bedeutende Herausforderung. Dieses Paper untersucht die Nutzung analytischer Methoden basierend auf der Graphentheorie, die potenziell einen datengesteuerter Ansatz zur Untersuchung der Beziehungen zwischen und innerhalb der Voxel bereitstellen kann. Drei Algorithmen, basierend auf erreichbar Gruppen, Wegl&auml;nge Analyse und hierarchische Cluster, beschrieben und in relativ einfachen Rahmen das Nagetier Gehirn ausgewertet. Analyse angibt (basierend auf der Kreuz-Korrelationskoeffizient) kortikale Voxel sind die meisten stark verbundenes Netzwerk-Knoten. Diese Voxel zeigen st&auml;rkere Clusterbildung als in einem nach dem Zufallsprinzip verbundene Graphen zu erwarten w&auml;re, und der Umfang des clustering ist abh&auml;ngig von der Kreuzkorrelation Schwellenwert ausgew&auml;hlt. Die Analysealgorithmen Kerngruppen im somatosensorischen Bereiche zu identifizieren und darauf hinweisen, dass die linke und rechten somatosensorische Regionen st&auml;rker miteinander als Mittellinie kortikalen Bereiche verbunden sind. Die Ergebnisse zeigen die Algorithmen basierend auf der Graphentheorie zur Analyse von datengesteuerten funktionelle Konnektivit&auml;t Studien gut geeignet.

Bewertung von datengesteuerten Netzwerkanalyse Ans&auml;tze f&uuml;r funktionelle Konnektivit&auml;t MRI.

Fluttuazioni correlata bassa frequenza il segnale dipendente dal livello di sangue ossigenazione sono stati ampiamente osservate nelle regioni del cervello altamente connessi e sono considerate come indicativi di attivit&agrave; coordinato all&#39;interno di quelle regioni. Uno studio di connettivit&agrave; funzionale tipico MRI &egrave; costituito da centinaia di punti di tempo acquisiti da migliaia di immagini voxel e analisi esplorativa dei dati sono quindi una sfida significativa. Questo libro indaga l&#39;utilizzo di metodi analitici basati sulla teoria dei grafi che potenzialmente in grado di fornire un approccio data-driven per esaminare le relazioni tra e all&#39;interno dei gruppi di voxel. Tre algoritmi, basati su gruppi raggiungibile, analisi di lunghezza del percorso e clustering gerarchico, sono descritti e valutati nel contesto del roditore cervello relativamente semplice. L&#39;analisi indica che (basato sul coefficiente di correlazione incrociata) voxel corticali sono il maggior parte dei nodi di rete fortemente connesse. Questi voxels esibiscono clustering pi&ugrave; forte di quanto ci si aspetterebbe in un grafo connesso casualmente, e la quantit&agrave; di clustering dipende la cross-correlazione soglia scelta. Gli algoritmi di analisi individuare gruppi di base nelle aree somatosensoriali e indicano che sinistra e destra somatosensoriale regioni sono pi&ugrave; fortemente connessa a vicenda rispetto alle aree corticali della linea mediana. I risultati mostrano che gli algoritmi basati sulla teoria dei grafi sono adatti per l&#39;analisi basata sui dati degli studi di connettivit&agrave; funzionale.

Valutazione dell&#39;analisi di rete basata sui dati si avvicina per la connettivit&agrave; funzionale MRI.

&#x8840;&#x4E2D;&#x9178;&#x7D20;&#x30EC;&#x30D9;&#x30EB;&#x306B;&#x4F9D;&#x5B58;&#x3059;&#x308B;&#x4FE1;&#x53F7;&#x306E;&#x76F8;&#x95A2;&#x306E;&#x4F4E;&#x5468;&#x6CE2;&#x5909;&#x52D5;&#x304C;&#x5E83;&#x304F;&#x9AD8;&#x5EA6;&#x306B;&#x63A5;&#x7D9A;&#x3055;&#x308C;&#x305F;&#x8133;&#x9818;&#x57DF;&#x3067;&#x89B3;&#x5BDF;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3068;&#x3001;&#x305D;&#x308C;&#x3089;&#x306E;&#x5730;&#x57DF;&#x5185;&#x3067;&#x306E;&#x5354;&#x8ABF;&#x6D3B;&#x52D5;&#x306E;&#x6307;&#x6A19;&#x3067;&#x3042;&#x308B;&#x3068;&#x8003;&#x3048;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x3002;&#x5178;&#x578B;&#x7684;&#x306A;&#x6A5F;&#x80FD;&#x306E;&#x63A5;&#x7D9A;&#x6027;MRI&#x306E;&#x7814;&#x7A76;&#x3067;&#x306F;&#x3001;&#x753B;&#x50CF;&#x306E;&#x30DC;&#x30AF;&#x30BB;&#x30EB;&#x6570;&#x5343;&#x304B;&#x3089;&#x53D6;&#x5F97;&#x3057;&#x305F;&#x6642;&#x70B9;&#x306E;&#x4F55;&#x767E;&#x3082;&#x306E;&#x304B;&#x3089;&#x69CB;&#x6210;&#x3055;&#x308C;&#x3001;&#x305D;&#x306E;&#x7D50;&#x679C;&#x3001;&#x63A2;&#x7D22;&#x7684;&#x30C7;&#x30FC;&#x30BF;&#x89E3;&#x6790;&#x304C;&#x91CD;&#x8981;&#x306A;&#x8AB2;&#x984C;&#x3067;&#x3059;&#x3002;&#x672C;&#x8AD6;&#x6587;&#x3067;&#x306F;&#x3001;&#x6F5C;&#x5728;&#x7684;&#x306B;&#x9593;&#x306E;&#x30DC;&#x30AF;&#x30BB;&#x30EB;&#x306E;&#x30B0;&#x30EB;&#x30FC;&#x30D7;&#x5185;&#x306E;&#x95A2;&#x4FC2;&#x3092;&#x8ABF;&#x3079;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x99C6;&#x52D5;&#x578B;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x3001;&#x30B0;&#x30E9;&#x30D5;&#x7406;&#x8AD6;&#x306B;&#x57FA;&#x3065;&#x3044;&#x305F;&#x5206;&#x6790;&#x6CD5;&#x306E;&#x5229;&#x7528;&#x3092;&#x691C;&#x8A0E;&#x3057;&#x305F;&#x3002;&#x5230;&#x9054;&#x53EF;&#x80FD;&#x306A;&#x30B0;&#x30EB;&#x30FC;&#x30D7;&#x3001;&#x30D1;&#x30B9;&#x306E;&#x9577;&#x3055;&#x306E;&#x5206;&#x6790;&#x3001;&#x968E;&#x5C64;&#x7684;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30EA;&#x30F3;&#x30B0;&#x306B;&#x57FA;&#x3065;&#x304F;&#x4E09;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x9F67;&#x6B6F;&#x985E;&#x306E;&#x8133;&#x306E;&#x6BD4;&#x8F03;&#x7684;&#x5358;&#x7D14;&#x306A;&#x30B3;&#x30F3;&#x30C6;&#x30AD;&#x30B9;&#x30C8;&#x3067;&#x8A18;&#x8FF0;&#x3055;&#x308C;&#x3001;&#x8A55;&#x4FA1;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x89E3;&#x6790;&#xFF08;&#x76F8;&#x4E92;&#x76F8;&#x95A2;&#x4FC2;&#x6570;&#x306B;&#x57FA;&#x3065;&#x304F;&#xFF09;&#x76AE;&#x8CEA;&#x30DC;&#x30AF;&#x30BB;&#x30EB;&#x304C;&#x6700;&#x3082;&#x5F37;&#x304F;&#x63A5;&#x7D9A;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x30CE;&#x30FC;&#x30C9;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30DC;&#x30AF;&#x30BB;&#x30EB;&#x306F;&#x3001;&#x30E9;&#x30F3;&#x30C0;&#x30E0;&#x306B;&#x63A5;&#x7D9A;&#x3055;&#x308C;&#x305F;&#x30B0;&#x30E9;&#x30D5;&#x306B;&#x4E88;&#x60F3;&#x3055;&#x308C;&#x308B;&#x3088;&#x308A;&#x5F37;&#x529B;&#x306A;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30EA;&#x30F3;&#x30B0;&#x3092;&#x793A;&#x3057;&#x3001;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30EA;&#x30F3;&#x30B0;&#x306E;&#x91CF;&#x306F;&#x3001;&#x9078;&#x629E;&#x3055;&#x308C;&#x305F;&#x76F8;&#x4E92;&#x76F8;&#x95A2;&#x3057;&#x304D;&#x3044;&#x5024;&#x306B;&#x4F9D;&#x5B58;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x5206;&#x6790;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x4F53;&#x6027;&#x611F;&#x899A;&#x91CE;&#x306E;&#x30B3;&#x30A2;&#x30B0;&#x30EB;&#x30FC;&#x30D7;&#x3092;&#x8B58;&#x5225;&#x3057;&#x3001;&#x5DE6;&#x3068;&#x53F3;&#x306E;&#x611F;&#x899A;&#x306E;&#x9818;&#x57DF;&#x304C;&#x3088;&#x308A;&#x5F37;&#x304F;&#x76AE;&#x8CEA;&#x9818;&#x57DF;&#x3092;&#x6B63;&#x4E2D;&#x7DDA;&#x3088;&#x308A;&#x3082;&#x3001;&#x76F8;&#x4E92;&#x306B;&#x63A5;&#x7D9A;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x7D50;&#x679C;&#x306F;&#x30B0;&#x30E9;&#x30D5;&#x7406;&#x8AD6;&#x306B;&#x57FA;&#x3065;&#x304F;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x304C;&#x6A5F;&#x80FD;&#x63A5;&#x7D9A;&#x6027;&#x8A66;&#x9A13;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x99C6;&#x52D5;&#x578B;&#x306E;&#x89E3;&#x6790;&#x306B;&#x9069;&#x3057;&#x3066;&#x3044;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x308B;&#x3002;

&#x6A5F;&#x80FD;&#x63A5;&#x7D9A;MRI&#x306E;&#x305F;&#x3081;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x99C6;&#x52D5;&#x578B;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x5206;&#x6790;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306E;&#x8A55;&#x4FA1;

&#xC0C1;&#xD638; &#xAD00;&#xB828; &#xB41C; &#xB0AE;&#xC740; &#xC8FC;&#xD30C;&#xC218; &#xBCC0;&#xB3D9; &#xD608;&#xC561; &#xC0B0;&#xC18C; &#xC218;&#xC900; &#xC885;&#xC18D; &#xC2E0;&#xD638;&#xC5D0; &#xACE0;&#xB3C4;&#xB85C; &#xC5F0;&#xACB0; &#xB41C; &#xB1CC; &#xC601;&#xC5ED;&#xC5D0;&#xC11C; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xAD00;&#xCC30; &#xD558; &#xACE0; &#xADF8; &#xC9C0;&#xC5ED; &#xB0B4;&#xC758; &#xC870;&#xC815;&#xB41C; &#xD65C;&#xB3D9;&#xC744; &#xB098;&#xD0C0;&#xB0B4;&#xB294; &#xAC83;&#xC73C;&#xB85C; &#xAC04;&#xC8FC; &#xB429;&#xB2C8;&#xB2E4;. &#xC77C;&#xBC18;&#xC801;&#xC778; &#xAE30;&#xB2A5; &#xC5F0;&#xACB0; MRI &#xC5F0;&#xAD6C; &#xC218;&#xBC31; &#xC218;&#xCC9C; &#xAC1C;&#xC758; &#xC774;&#xBBF8;&#xC9C0; voxels&#xC5D0;&#xC11C;&#xC5D0;&#xC11C; &#xD68D;&#xB4DD; &#xD558;&#xB294; &#xC2DC;&#xAC04; &#xD3EC;&#xC778;&#xD2B8; &#xAD6C;&#xC131; &#xB418;&#xBA70; &#xB530;&#xB77C;&#xC11C; &#xD0D0;&#xC0C9;&#xC801; &#xB370;&#xC774;&#xD130; &#xBD84;&#xC11D;&#xC740; &#xC911;&#xC694; &#xD55C; &#xB3C4;&#xC804; &#xC774;&#xB2E4;. &#xC774; &#xC885;&#xC774; &#xC870;&#xC0AC; &#xC7A0;&#xC7AC;&#xC801;&#xC73C;&#xB85C; &#xC0AC;&#xC774; voxels&#xC758; &#xADF8;&#xB8F9; &#xB0B4; &#xAD00;&#xACC4; &#xAC80;&#xD1A0;&#xC5D0; &#xB300; &#xD55C; &#xB370;&#xC774;&#xD130; &#xAE30;&#xBC18; &#xC811;&#xADFC;&#xC744; &#xC81C;&#xACF5;&#xD560; &#xC218; &#xC788;&#xB294; &#xADF8;&#xB798;&#xD504; &#xC774;&#xB860;&#xC5D0; &#xB530;&#xB77C; &#xBD84;&#xC11D; &#xBC29;&#xBC95;&#xC758; &#xD65C;&#xC6A9;. &#xC5F0;&#xACB0;&#xD560; &#xC218; &#xC788;&#xB294; &#xADF8;&#xB8F9;, &#xACBD;&#xB85C; &#xAE38;&#xC774; &#xBD84;&#xC11D; &#xBC0F; &#xACC4;&#xCE35;&#xC801; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB9C1; &#xAE30;&#xBC18; 3 &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC124;&#xBA85; &#xB418;&#xBA70; &#xC124;&#xCE58;&#xB958; &#xB450;&#xB1CC;&#xC758; &#xBE44;&#xAD50;&#xC801; &#xAC04;&#xB2E8;&#xD55C; &#xB9E5;&#xB77D;&#xC5D0;&#xC11C; &#xD3C9;&#xAC00;. &#xBD84;&#xC11D; &#xB098;&#xD0C0;&#xB0C5;&#xB2C8;&#xB2E4; (&#xAC04; &#xC0C1;&#xAD00; &#xACC4;&#xC218;&#xC5D0; &#xB530;&#xB77C;) &#xD558;&#xB294; &#xB300;&#xB1CC; &#xD53C; &#xC9C8;&#xC758; voxels&#xB294; &#xAC00;&#xC7A5; &#xAC15;&#xB825; &#xD558; &#xAC8C; &#xC5F0;&#xACB0; &#xB41C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xB178;&#xB4DC;. &#xC774;&#xB7EC;&#xD55C; voxels &#xC804;&#xC2DC; &#xBB34;&#xC791;&#xC704;&#xB85C; &#xC5F0;&#xACB0; &#xB41C; &#xADF8;&#xB798;&#xD504;&#xC5D0; &#xC608;&#xC0C1; &#xB418;&#xB294; &#xAC83; &#xBCF4;&#xB2E4; &#xB354; &#xAC15;&#xD55C; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB9C1; &#xBC0F; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB9C1;&#xC758; &#xAE08;&#xC561; &#xC120;&#xD0DD; &#xAC04; &#xC0C1;&#xAD00; &#xAD00;&#xACC4; &#xC784;&#xACC4;&#xAC12;&#xC5D0; &#xB530;&#xB77C; &#xB2EC;&#xB77C; &#xC9D1;&#xB2C8;&#xB2E4;. &#xBD84;&#xC11D; &#xC54C;&#xACE0;&#xB9AC;&#xC998; somatosensory &#xBD84;&#xC57C;&#xC758; &#xD575;&#xC2EC; &#xADF8;&#xB8F9;&#xC744; &#xC2DD;&#xBCC4; &#xD558; &#xACE0; &#xC67C;&#xCABD; &#xBC0F; &#xC624;&#xB978;&#xCABD; somatosensory &#xC9C0;&#xC5ED; &#xC911;&#xAC04; &#xB300;&#xB1CC; &#xD53C; &#xC9C8;&#xC758; &#xC601;&#xC5ED;&#xC5D0; &#xBCF4;&#xB2E4; &#xC11C;&#xB85C; &#xAC8C; &#xB354; &#xAC15;&#xB825; &#xD558; &#xAC8C; &#xC5F0;&#xACB0; &#xB418;&#xC5B4; &#xB098;&#xD0C0;&#xB0C5;&#xB2C8;&#xB2E4;. &#xACB0;&#xACFC; &#xADF8;&#xB798;&#xD504; &#xC774;&#xB860;&#xC744; &#xAE30;&#xBC18;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC740; &#xAE30;&#xB2A5;&#xC801; &#xC5F0;&#xACB0;&#xC131; &#xC5F0;&#xAD6C; &#xB370;&#xC774;&#xD130; &#xAE30;&#xBC18; &#xBD84;&#xC11D;&#xC5D0; &#xC801;&#xD569; &#xD569;&#xB2C8;&#xB2E4;.

&#xB370;&#xC774;&#xD130; &#xAE30;&#xBC18; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBD84;&#xC11D;&#xC758; &#xD3C9;&#xAC00; &#xAE30;&#xB2A5; &#xC5F0;&#xACB0; MRI&#xC5D0; &#xB300; &#xD55C; &#xC811;&#xADFC;.

Correlacionadas fluctuaciones de baja frecuencia en la se&#xF1;al de nivel de oxigenaci&#xF3;n sangu&#xED;nea dependiente han sido ampliamente observada en regiones del cerebro altamente conectados y se consideran indicativos de actividad coordinada dentro de dichas regiones. Un t&#xED;pico estudio de resonancia magn&#xE9;tica de conectividad funcional se compone de cientos de puntos de tiempo adquiridos de miles de voxels de la imagen, y por lo tanto an&#xE1;lisis exploratorio de datos es un reto importante. En este trabajo se investiga la utilizaci&#xF3;n de m&#xE9;todos anal&#xED;ticos basados &#x200B;&#x200B;en la teor&#xED;a de grafos que potencialmente puede proporcionar un enfoque impulsado por los datos para examinar las relaciones entre y dentro de los grupos de voxels. Tres algoritmos, basados &#x200B;&#x200B;en grupos accesibles, el an&#xE1;lisis de la longitud del recorrido, y la agrupaci&#xF3;n jer&#xE1;rquica, se describen y eval&#xFA;an en el contexto relativamente simple del cerebro de roedores. El an&#xE1;lisis indica que (basado en el coeficiente de correlaci&#xF3;n cruzada) voxels corticales son los nodos de la red m&#xE1;s fuertemente conectado. Estos voxels exhiben fuerte agrupamiento que ser&#xED;a de esperar en una gr&#xE1;fica conectada aleatoriamente, y la cantidad de agrupaci&#xF3;n es dependiente del umbral de correlaci&#xF3;n cruzada elegido. Los algoritmos de an&#xE1;lisis de identificaci&#xF3;n de los grupos principales en las &#xE1;reas somatosensoriales e indican que las regiones somatosensoriales izquierda y derecha est&#xE1;n m&#xE1;s fuertemente conectados entre s&#xED; que a la l&#xED;nea media &#xE1;reas corticales. Los resultados muestran que los algoritmos basados &#x200B;&#x200B;en la teor&#xED;a de grafos son bien adaptado para el an&#xE1;lisis por datos de los estudios de conectividad funcionales.

Garth Thompson

Biography

JoVE Journal Publications

Other Publications