Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

Summary

Dieses Video stellt eine Methode zur Untersuchung altersbedingter Veränderungen der funktionellen Konnektivität der kognitiven Steuerungsnetzwerke durch gezielte Aufgaben / Prozesse beschäftigt. Die Technik basiert auf multivariate Analyse von fMRI-Daten.

Abstract

Die Fähigkeit, Verhalten zu plötzlichen Veränderungen in der Umwelt anzupassen entwickelt sich allmählich in Kindheit und Jugend. Zum Beispiel, in dem Dimensional Change Card Aufgabe Sortieren, wechseln die Teilnehmer von der Sortierung Karten eine Möglichkeit, wie Form, Sortierung ihnen eine andere Art und Weise, wie Farbe. Einstellen Verhalten auf diese Weise eine kleine Leistung abverlangt Kosten oder Kosten-Schalter, so dass Reaktionen sind in der Regel langsamer und fehleranfälliger Schalter auf Studien, in denen die Sortierregeländerungen im Vergleich zu Studien, in denen die Sortierregel bleibt das gleiche zu wiederholen. Die Fähigkeit, flexibel Verhalten anzupassen wird oft gesagt, nach und nach entwickeln, zum Teil wegen Verhaltens Kosten wie Schalter Kosten sinken in der Regel mit zunehmendem Alter. Warum Aspekte der Kognition höherer Ordnung, wie Verhaltensflexibilität, so nach und nach entwickeln, bleibt eine offene Frage. Eine Hypothese ist, dass diese Änderungen in Verbindung mit funktionalen Änderungen in breit angelegte kognitive Kontrolle Netzwerken auftreten. Aus dieser Sichtkomplexe geistige Vorgänge wie Schalten, beinhalten schnelle Interaktionen zwischen verschiedenen Hirnregionen verteilt sind, einschließlich derjenigen, aktualisieren und pflegen Aufgabe Regeln neu zu orientieren Aufmerksamkeit und wählen Verhaltensweisen. Mit der Entwicklung, funktionale Verbindungen zwischen diesen Regionen zu stärken, schneller und effizienter Schaltvorgänge zu führenden. Das aktuelle Video beschreibt ein Verfahren zur Prüfung dieser Hypothese durch die Sammlung und multivariate Analyse von fMRI-Daten von Teilnehmern verschiedener Altersstufen.

Introduction

Die Fähigkeit, Verhalten zu regulieren entwickelt sich allmählich in der Kindheit und Jugend (für eine Übersicht siehe Diamond ^1). In der Dimensional Change Card Aufgabe Sortieren, zum Beispiel wechseln die Teilnehmer von der Sortierung Karten eine Möglichkeit, wie Form, Sortierung ihnen eine andere Art und Weise, wie Farbe ² (siehe Abbildung 2). Schalt abverlangt einen kleinen Leistungskosten oder Kosten-Schalter, so dass Reaktionen sind in der Regel langsamer und fehleranfälliger Schalter auf Studien, in denen die Sortierregeländerungen im Vergleich zu Studien, in denen die Sortierregel bleibt gleich ³ wiederholen. Die Höhe dieser Kosten in der Regel immer kleiner als ⁴ Kinder älter wachsen, veranschaulicht die Tatsache, dass die Fähigkeit zur Verhaltensregulation erfährt weitere Entwicklung früh im Leben.

Da komplexe mentale Operationen, wie z. B. Schalt, beinhalten schnelle Interaktionen zwischen mehreren Hirnregionen ⁵ gibt es ein wachsendes Interesse in relating der Entwicklung von Kognition höherer Ordnung auf Veränderungen in der funktionellen Organisation des Breiten kortikaler Netzwerke ^6.

Ein Ansatz zur Untersuchung von Entwicklungs Änderung breit angelegte Netzwerke, ist die Verwendung von Saatgut-basierte funktionelle Konnektivität Analyse ^6,7. Der erste Schritt in diese Technik ist es, mit den verfügbaren Forschungsliteratur zu konsultieren und zu definieren A-priori-Regionen von Interesse, oder ROIs, die relevant für das Verhalten in Frage zu sein scheinen. Diese ROIs oder Knoten definieren das Grundgerüst des Netzwerks. Weiter, Niederfrequenz-Schwankungen in der Aktivität (oder T2 *-gewichteten Signalintensität) in diesen ROIs werden für 5 bis 10 Minuten gemessen, während die Teilnehmer in Ruhe in einem MRI-Scanner. Funktionale Verbindung zwischen zwei beliebigen Knoten des Netzwerks wird dann als die Korrelation der jeweiligen Zeitverläufe quantifiziert. Knoten, die stark funktionell verbunden sind, sollten ähnlich, und so hoch korreliert, SignalZeitkurse. Auf der anderen Seite sollten Knoten, die schwach funktionell verbunden sind, haben unterschiedliche und damit schwach korreliert sind, signalisieren Zeitkurse. Um ein Modell des Netzwerks zu vervollständigen, werden Kanten (oder Links) zwischen den Knoten, deren Zeit Kurse korrelieren über einer gewählten Schwelle gezogen. Tests für altersbedingte Unterschiede in der funktionellen Verbindungen innerhalb eines Netzes auf jedem einzelnen Knoten-zu-Knoten-Verbindung oder auf die Topologie des gesamten Satzes von Knoten und Kanten durchgeführt werden. Diese Unterschiede in der funktionellen Konnektivität kann dann zu Maßnahmen der kognitiven Leistungsfähigkeit offline gesammelt bezogen werden.

In dieser Arbeit wird ein anderer Ansatz beschrieben, die auf Gruppen unabhängige Analyse der Task-basierte fMRI-Daten ⁸ basiert. Independent Component Analysis (ICA oder) ist ein statistisches Verfahren für blind enthüllt verborgenen Quellen eine Reihe von Beobachtungen, dass die Quellen aufgedeckt maximal unabhängig sind zugrunde liegen. Um die Analyse der Daten fMRI, p angewendetERFAHREN setzt voraus, dass jeder Band eine Mischung aus einer endlichen Anzahl von räumlich unabhängigen Quellen. Verwendung einer aus einer Vielzahl von unterschiedlichen Algorithmen, wie die Infomax Algorithmus schätzt dann eine ICA-Mischmatrix, die, wenn sie zu den Originaldaten angewendet ergibt einen Satz von maximal unabhängigen Quellen oder Komponenten. Jede Komponente kann als ein Netzwerk betrachtet werden, soweit sie von einem Satz von Voxeln, die eine gemeinsame zeitliche Verlauf gemeinsam umfaßt. ICA-Gruppe ist eine besondere Art von ICA in dem ein gemeinsamer Satz von Gruppen Komponenten wird zunächst von einem gesamten Datensatzes geschätzt, und teilnehmerspezifische Sätze der Gruppe Komponenten werden in einem Back-Rekonstruktionsschritt berechnet. Sobald eine gesamte Datensatz wird in einen Satz von Komponenten zerlegt, ist der nächste Schritt die Artefakt-Komponenten, die Rauschquellen darstellen, zu verwerfen, und identifizieren theoretisch sinnvolle Komponenten, Netzwerke von Interesse entsprechen. Dies kann entweder durch Modellierungskomponente Zeitkurse im Rahmen eines GLM auf IDE erreicht werdenntify Netzwerke, die in einem vorhergesagten Weise zu aktivieren, räumlich korrelierende Bestandteile mit einer Schablone aus einem Netzwerk von Interesse, oder beides. Der resultierende Satz von Komponenten können dann an eine Gruppe Vergleich vorgelegt werden, um eine mögliche altersbedingte Unterschiede in der funktionellen Konnektivität innerhalb theoretisch interessante Netzwerke ^7,9,10 testen.

Studieren altersbedingte Veränderungen in der funktionellen Konnektivität durch die Anwendung der ICA-Gruppe zur Rede-basierte fMRI-Daten hat mehrere Vorteile gegenüber der Anwendung von Saatgut-basierte Techniken, um Ruhezustand-fMRI-Daten. Erste, im Gegensatz Saatgut-basierte Techniken, die auf einem kleinen Satz von a priori definierten ROIs zu konzentrieren, verwendet die aktuelle Gruppe ICA Ansatz alle Voxel, die eine volumetrische Zeitreihen. Dies verringert die Chancen für Bias zwangsläufig entstehen, wenn eine kleine Gruppe von ausgewählten Samen werden von vornherein als Regionen von Interesse. Zweitens, die Anwendung funktionelle Konnektivität Analysis (ICA-Basis oder anderweitig) aufgabeneher als Ruhezustand fMRI-Daten hat den Vorteil, dass die Netzwerkorganisation und Netzwerkfunktion, um mehr direkt zugeordnet werden. Wenn zum Beispiel die Untersuchung der kognitiven oder Verhaltens Auswirkungen funktionelle Konnektivität (z. B. Veränderung der DCCS Performance) ist eine Priorität, ist es wichtig zu zeigen, dass das Netzwerk von Interesse ist mit Aufgabenleistung verbunden. Mit Ruhe-State-Protokolle, das ist sehr schwierig, weil die Forscher keine Aufzeichnung aller kognitiven, Verhaltens-oder affektive Zustände durch den Teilnehmer während der Datenerfassung erlebt. Es ist daher unmöglich, einen direkten Nachweis, dass jedes Netzwerk von Interesse ist für die Ausführung der Aufgaben relevant sind. Wenn dagegen funktionellen Konnektivitätsanalyse, wie ICA wird aufgaben Daten angewendet wird, ist es möglich, zu bestätigen, dass das Netzwerk von Interesse zumindest mit der Durchführung der Aufgabe zugeordnet ist. Schließlich ist ICA weniger dem nachteiligen Einfluss von Rauschen. Rauschquellen, wie sie zugeordnet with Thema Bewegung und der Herzrhythmus, haben einzigartige Raum-Zeit-Profilen. Daher wird in dem Kontext einer Gruppe ICA, diese Quellen isoliert und getrennte Komponenten zugeordnet, so übrigen Komponenten relativ frei von diesen unerwünschten Quellen der Varianz. Da Saatgut-basierte Analysen verwenden Roh Zeitkurse in der Einschätzung der funktionellen Konnektivität und Zeitkurse sind, per Definition, Mischungen von neurophysiologischen Signal und Artefakt Lärm, Gruppenunterschiede in der funktionellen Konnektivität Schätzungen können wahr Gruppe Unterschiede in der zugrunde liegenden Neurophysiologie, Gruppenunterschiede in reflektieren die Struktur von Rauschen oder beides ^11.

Protocol

1. Erhalten Zulassung für Arbeiten mit menschlichen Probanden

2. FMRI Data Acquisition

1. Erwerben fMRI-Daten folgende Verfahren für kleine Kinder geeignet (siehe Raschle, et al. ^12). Alle Anstrengungen unternehmen, um mögliche altersbedingte Unterschiede in der Aufgabenerfüllung und der Bewegung zu begrenzen, da diese Unterschiede führen ungewollte verwechselt, dass man die Fähigkeit, Rückschlüsse auf entwicklungspolitisch relevante Unterschiede in der Hirnaktivierung und funktionelle Konnektivität ziehen zu begrenzen.
   Hinweis: In der aktuellen Protokoll wurde ein wiederholter Versuche Version der DCCS in Form eines Block-Design ¹³ verabreicht. Jeder Lauf besteht aus zwei 8-Studie Schalterblöcke und zwei 8-Studie Wiederholungsblöcke, wo Schalterblöcke bestehen aus 4 Schaltversuche und Studien 4 wiederholen, und wiederholen Sie die Blöcke bestehen aus 8 Wiederholungsversuchen. Das Protokoll ist perfekt für den Einsatz mit ereigniskorrelierten fMRI-Daten geeignet. Allerdings sind Block-Designs schön mit, wenn immer zuerst acqu arbeitenainted mit ICA, da es einfach zu Aufgabe Modulationen in den Komponentenzeitkurse zu sehen.
2. Vorverarbeitung fMRI-Daten folgende Standard-fMRI Vorverarbeitung Verfahren.
   1. Richten Sie alle Funktions Bilder in der gleichen Ausrichtung und Position. Typischerweise ist die erste funktionelle Volumen als Referenzbild für alle anderen Volumina ausgerichtet werden verwendet.
   2. Coregister der T1-gewichteten (anatomischen) Bild mit dem T2 *-gewichteten (funktionale)-Scans, so dass die Aktivierung auf der richtigen anatomischen Lage überlagert.
   3. Normalisieren alle Bilder auf eine standardisierte Größe, Raum und Position mit der Auswahl einer Vorlage Gehirn (zB Talairach Raum). Dies hilft sicherzustellen, dass die homologen Regionen aus verschiedenen Fächern verglichen werden.
      Hinweis: Bilder werden Talairach Raum, in dem aktuellen Protokoll verzogen, obwohl auch andere Vorlagen können auch verwendet werden (zB MNI {Montreal Neurological Institute} Raum) werden.
   4. Glatte alle Funktionsvolumen in der dateine Gruppe mit 6 bis 10 mm Glättungskern.
3. Sequester vorverarbeiteten Volumina in eine separate Gruppe von Verzeichnissen. Verwenden Sie "Funktionsprüfungen" als Top-Verzeichnis. Im Rahmen von "Functional Scans" gehören ein separates Verzeichnis für jeden Teilnehmer, und innerhalb der einzelnen Teilnehmerverzeichnis, ein separates Verzeichnis für jeden Lauf. Die Daten sind nun bereit für die ICA-Analyse.

3. Gruppe Independent Component Analysis (ICA)

1. Downloaden und installieren Sie Gruppe ICA-Software. Es gibt eine Reihe von Werkzeugkästen für die Umsetzung ICA auf verschiedenen Arten von neurophysiologischen Daten, einschließlich fMRI verfügbar. Während jede Toolbox, die ICA-Gruppe führt würde möglicherweise geeignet sein, wird der in der aktuellen Protokoll genutzt genannt GESCHENK. GIFT wurde von Vince Calhoun und Kollegen an der Universität von New Mexico entwickelt. Die GESCHENK-Toolbox ist eine Sammlung von MATLAB-Skripten, die zusammen mit SPM, einem bekannten fMRT-Analyse-Paket funktioniert. Beide können be zum kostenlosen Download aus dem Internet (GIFT: mialab.mrn.org / Software / Geschenk / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Einmal heruntergeladen, fügen Sie den GIFT Toolbox und alle Unterverzeichnisse in den MATLAB-Suchpfad und Dateispeicherpfad.
2. Berechnen einer Gruppe ICA auf fMRI-Daten mit GESCHENK macht erhebliche Anforderungen an RAM-Speicher. Die genauen Anforderungen an Speicher wird abhängig von der Anzahl der Teilnehmer, die Menge der Daten von jedem Teilnehmer gesammelt, und die Auflösung der Daten zu variieren. Um Speicherprobleme zu vermeiden, ist es am besten, um die ICA-Analyse auf einem Server laufen. Wenn Sie die Analyse auf einem lokalen Computer können die RAM-Anforderungen durch den Einsatz von einem Skript "icatb_mem_ica.m", die Teil des GIFT ist geschätzt werden.
3. Set-up oder die Analyse parametrieren. Tun Sie dies, indem Sie einen bereits vorhandenen Batch-Skript namens "Input_data_subjects_1.m", die in GESCHENK unter "icatb_batch_files" gespeichert ist.
   Hinweis: Dies kann auch durch die Verwendung des Graphical User GESCHENK Interf getan werdenAs. Allerdings ist es viel einfacher, mit ein bisschen Übung, um durch Änderung dieser bereits bestehenden Skript Einrichten der Analyse.
   1. Geben Sie Daten Modalität wie fMRI
   2. Geben Sie Art der Analyse als ICA mit ICASSO. Dadurch wird sichergestellt, der ICA ist mit der ICASSO Prozedur auszuführen. ICASSO schätzt die Zuverlässigkeit der Zersetzung, indem Sie die mehrfach ICA beginnend mit unterschiedlichen Zufalls Samen. Es prüft dann die Ähnlichkeit jedes Ergebnis durch Clustering. Verwendung ICASSO wird als Mittel der Überprüfung der Qualität des ICA Zersetzung empfohlen, wird aber deutlich die Zeit, die GESCHENK zum Abschluss der Analyse zu erweitern.
      1. Um die ICA mit der ICASSO Verfahren, wählen Sie '2 'unter "Art der Analyse" laufen und dann parametrieren ICASSO Verfahren in den folgenden Zeilen des Setup-Datei.
   3. Maximieren Sie die Leistung der Gruppe PCA, indem Sie '1 'unter Gruppen-PCA-Performance-Einstellungen. Betrachten Sie diesen Parameter auf '2'Sollte Probleme nicht genügend RAM-Speicher auf.
   4. Um später die Sortierung der resultierenden Komponenten mit Prädiktoren von einem Standard-SPM-Design-Matrix fest, ob oder nicht, es gibt verschiedene Matrizen für verschiedene Themen.
   5. Bestimmen Sie, wo die vorverarbeiteten funktionellen Daten werden gespeichert und ob ein SPM.mat Datei, die die Design-Matrix wird zusammen mit den vorverarbeiteten funktionellen Daten gespeichert.
      1. Die direkteste Weg, um das GESCHENK um den Daten zu lesen, ist, wenn jeder Teilnehmer die gleiche Anzahl an Pisten, und das Datenverzeichnis strukturiert wie in Schritt 2.3 unter fMRI Datenerfassung beschrieben. Wenn ja, dann unter DataSelectionMethod, wählte '1 'für Methode 1, und füllen Sie den Parameter "sourceDir_filePattern_flagLocation", indem der Dateipfad, wo die Daten gespeichert sind, das Dateiformat der Daten und einen Hinweis darauf, dass die einzelnen Sitzungen werden als Unterverzeichnisse gespeichert in jedem Fachordner.
      Geben Sie das Verzeichnis an, der Ausgang der Analyse sollte geschrieben werden. Die Ergebnisse Schreiben Sie nicht in das gleiche Verzeichnis, wo die Daten gespeichert sind.
   6. Geben Sie ein Präfix, das für alle Ausgabedateien hinzugefügt werden.
   7. Geben Sie einen Dateipfad zu einer Maske. Alle ICA vorgelegten Bände sind maskiert. GESCHENK stellt eine Standardmaske. Für diese Arbeit, einer Inhouse-Skript, um eine Maske aus den Daten, die ICA vorgelegt werden generieren. Zumindest sollte die Maske Schädel, extra-Hirn-Raum und vor allem die Augäpfel zu beseitigen. Signal vom Augapfel Voxel wird sehr großen Schwankungen während eines Laufes zeigen und daher einen beträchtlichen Einfluss auf die Struktur der endgültigen Komponenten. Abbildung 3 veranschaulicht, was eine gute Maske aussehen sollte.
   8. Geben Sie die Art der Gruppe PCA verwendet werden. Verwenden Sie "fachspezifische".
   9. Geben Sie die Back-Rekonstruktionsverfahren. In dieser Phase einzelnen Themen IC und ihre zugehörigen Zeitkurse werden berechnet herbin die Ergebnisse der Gruppenanalyse. GICA ist für den Erhalt der besten Zeitkurse empfohlen, obwohl es erhebliche Diskussionen in der Literatur zu diesem Punkt.
   10. Geben Datenvorverarbeitung Typ. Verwenden Intensität Normierung auf nicht-numerische Werte (dh Unendlichkeiten und NaN) in der Ausgabe zu vermeiden. In diesem Beispiel haben wir uns für die Rückstellung der '1 '.
   11. Geben Sie die Art des PKA (verwenden wir Standard) und Standardwerte unter PCA-Optionen zu akzeptieren. GIFT führt eine PCA bei jedem Durchlauf der einzelnen Teilnehmer und behält eine Anzahl von Komponenten gleich der Anzahl von Quellen ungemischt in den ICA sein. Die PCA dient zwei wichtigen Zwecken. Zunächst hilft es, Lärmquellen, die einzigartig für jeden Teilnehmer und jeden Lauf sind zu beseitigen. Zweitens macht es die Rechenanforderungen der Analyse gefügiger.
   12. Geben Sie, wie viele PKA, die Daten vor dem ICA laufen (2 wird empfohlen). Wie gut, anzugeben, wie viele Komponenten, die nach jeder PCA behalten (wenn läuft2, wird empfohlen, dass die Zahl der nach dem ersten PCA gehaltenen Komponenten zweimal der Zahl nach dem zweiten erhalten).
   13. Geben Sie, wie die Daten skaliert werden. Für diese Arbeit wurde z-Score-Skalierung verwendet.
   14. Wählen Sie ein Blind Source Separation Algorithmus für die ICA. Für diese Arbeit Infomax verwendet. GESCHENK bietet eine Auswahl von mindestens 10 verschiedenen Algorithmen.
   15. Übrigen Parameter können belassen werden.
4. Sobald die ICA abgeschlossen ist, aus den verfügbaren Komponenten wählen die, die von möglichen theoretischen Interesse sind. Durch die Gabe GUI, wählen Sie Komponentenauswahl: räumliche Sortierung sortiert die räumlichen Komponenten mittels der räumlichen Korrelation mit einem bereits existierenden Vorlage; zeitliche Sortierung sortiert die Komponente Zeitkurse durch lineare Vorhersagen vom SPM Design-Matrix, die Sie mit den Daten speichern kann (siehe 3.3.5).
   Hinweis: Die beiden Ansätze zur Komponentenauswahl haben Dienstprogramm. Allerdings, wenn die Arbeit mit Aufgabendaten, zeitliche AuswahlKriterien sind besonders nützlich, da sie ein Mittel zum Verifizieren, dass die ausgewählte Komponente von der Task aktiviert werden. In dem Fall der DCCS, kann die Verwendung von Zeitsortierung verwendet werden, um zu bestätigen, dass die ausgewählte Komponente war während Schalterblöcke als während der wiederholten Blöcke aktiver.
5. Testen Sie, ob Kinder-und Erwachsenen-Versionen dieser ausgewählten Komponenten unterscheiden. Aggregate Kinder-und Erwachsenen-Komponenten von Interesse in zwei separate Gruppen-und Test mittels eines Zwei-Stichproben-t-Test Regionen, in denen die Komponenten variieren. Dies ist relativ einfach, durch das GESCHENK GUI zu tun.

Representative Results

ICA-Gruppe, auch auf einem relativ kleinen fMRI-Daten-Set, wird eine Reihe von Komponenten, die denen in anderen Studien beobachtet zurückkehren. 4 ist eine Überlagerung von fünf solcher Bauteile und die damit verbundenen Zeitkurse ungemischten aus einer Stichprobe von 12 Kindern und 13 Erwachsenen , mit rund 800 Bände pro Teilnehmer. Wie in Fig. 4, Standardmodus, fronto-parietalen gezeigt, kann cingulo-Insel und visuellen Netzwerke ohne weiteres aus den Ergebnissen dieser Zersetzung gesehen werden. Wie gut, merken, wie einfach es ist, das Block-Design in den Zeitverläufen der visuellen Standardmodus und Komponenten zu erkennen.

Eine erfolgreiche ICA Zersetzung sollte zuverlässig sein. Die Zuverlässigkeit der Zersetzung kann durch Prüfen des Ausgangssignals des ICASSO Verfahren bewertet. Fig. 5 zeigt einen Teil des ICASSO Ausgang für eine zuverlässige Zersetzung GIFT geführt.

Bei der Verwendung von räumlichen korreIonen als Grundlage für die Komponentenauswahl, ist es gut, den Korrelationskoeffizienten berichten und die Vorlage und die ausgewählte Komponente gemeinsam zum visuellen Vergleich. In einem aktuellen Papier, räumliche und zeitliche Sortierung wurden beide verwendet, um eine fronto-parietalen Komponente, die sowohl räumlich als auch mit einer Vorlage einer Führungssteuerungsnetzwerk zu identifizieren korreliert war, und war für die Schalterblöcke als Wiederholungsblöcken in der DCCS mehr aktiv. Abbildung 6 zeigt das Vorlagebild und die ausgewählte Komponente. Feststellen, dass es eine gute Übereinstimmung zwischen den beiden Bildern.

Gruppenvergleiche der Komponente Karten können verwendet werden, um altersbedingte Unterschiede in der funktionellen Konnektivität für die ausgewählte Komponente zu testen. Voxel, die auf den resultierenden Karten angezeigt werden, sind diejenigen, die "Last" stärker auf die ausgewählte Komponente für eine Gruppe als eine andere. Mit anderen Worten sind diese Voxel, in dem der zeitliche Verlauf der Voxel sind ähnlich dem Zeitverlauf der Komponente (dh zeigen starke funktionale Anbindung an das Netzwerk) für eine Gruppe als für andere. Eine Komponente, die wir bestätigt wurde räumlich mit einer Vorlage einer Führungssteuerungsnetzwerk korreliert und wurde von der DCCS aktiviert - - Nach diesem Verfahren haben wir Kind und Erwachsener rechts fronto-parietalen Komponenten verglichen und festgestellt, dass Voxel innerhalb lateralen präfrontalen, anterioren cingulären und parietalen Cortex geladen stärker auf diese Komponente bei Erwachsenen als bei Kindern ^14. Diese Kontrastbild ist in Fig. 7 gezeigt.

Abbildung 1. Insgesamt Schema des Experiments.

d/51003/51003fig2ahighres.jpg "src =" / files/ftp_upload/51003/51003fig2a.jpg "/>

Abbildung 2. Der Block-Design-Variante des Dimensional Change Card Sort (DCCS) Aufgabe. In der Standardversion der Aufgabe, Kinder Art bivalenten Testkarten in Bins von zweiwertigen Ziele, die jeder Testkarte auf eine einzige Dimension entsprechen markiert.Kinder sortieren, eine kleine Anzahl von Karten einen Weg (zB durch Farbe), und dann sind angewiesen, Schalter und sortieren die gleichen Karten einen neuen Weg (zB durch Form). Das Ergebnis Maßnahme ist, ob Kinder Sortierkriterien richtig wechseln. (A) Im Block-Design-Variante ist die Aufgabe computer verabreicht. Zwei bivalenten Ziele erscheinen auf dem Bildschirm in der gesamten Aufgabe. Testkarten werden zentral für 1750 ms und Teilnehmer sortieren die Karten mit Hilfe einer Tastendruck vorgestellt. Studien, in denen die Sortierkriterium ist anders als auf der vorherigen Studie sind Schalter Studien; Studien, in denen die Sortierkriterium ist die gleiche wie auf der vorherigen Studie sind Wiederholungsversuchen. (b) Einzelne Studien sind in 8-Testblöcken vorgestellt. Schalter-Blöcke enthalten 4 wiederholen und 4 Schaltversuche; Wiederholungsblöcke enthalten 8 Wiederholungsversuchen. (c, d) Ergebnisse Maßnahmen der Unterschied in der Reaktionszeit und Genauigkeit über Schalter und wiederholen Blöcke.

. Abbildung 3 Gruppen ICA Ergebnisse:. Vertreter Komponenten (a) Ein zusammengesetztes Bild von 5 repräsentativen Gruppe von einer ICA-Komponenten von 11 Erwachsenen und 12 Kinder Teilnehmern. Das Modell war um 20. Läuft 78 Bände lang waren. Komponenten sind farblich gekennzeichnet (rot = optisch, blau = links fronto-parietalen, grün = Standard-Modus, rosa = rechts fronto-parietalen, orange = cingulo-Insel). (B) Komponente timecourses und Block-Design-Overlay. Aus visuellen Inspektion ist es offensichtlich, dass die Aufgabenausführung wird mit einer Zunahme der Aktivität im visuellen und links fronto-parietalen Komponenten und einer Abnahme der Aktivität im Standard-Modus-Netzwerk verbunden. Diese Ergebnisse veranschaulichen, wie intuitive Verwendung eines Basisblock-Design macht es relativ einfach, die Qualität eines ICA Zersetzung zu evaluieren."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

. Abbildung 4 Gruppe ICA Ergebnisse:. Vertreter Komponenten (a) Ein zusammengesetztes Bild von 5 repräsentativen Gruppe von einer ICA-Komponenten von 11 Erwachsenen und 12 Kinder Teilnehmern. Das Modell war um 20. Läuft 78 Bände lang waren. Komponenten sind farblich gekennzeichnet (rot = optisch, blau = links fronto-parietalen, grün = Standard-Modus, rosa = rechts fronto-parietalen, orange = cingulo-Insel) (b) Komponenten-Zeit-Verläufe und Block-Design-Overlay.. Aus visuellen Inspektion ist es offensichtlich, dass die Aufgabenausführung wird mit einer Zunahme der Aktivität im visuellen und links fronto-parietalen Komponenten und eine Abnahme der Aktivität in der zugehörigen dEFAULT Netzwerk-Modus. Diese Ergebnisse veranschaulichen, wie intuitive Verwendung eines Basisblock-Design macht es relativ einfach, die Qualität eines ICA Zersetzung zu evaluieren. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung 5. Vertreter ICASSO Ausgabe von einem sehr zuverlässigen Zersetzung. Um die Zuverlässigkeit eines einzelnen Zersetzung zu testen, wird der ICA mehrmals ausführen und die Ergebnisse in getrennten Läufen aufgetragen. Dieses Grundstück bietet eine kurze Zusammenfassung der Ergebnisse aller Iterationen der ICA und erlaubt es, visuell beurteilen die Ähnlichkeit oder Divergenz in den Lösungen, die aus verschiedenen Iterationen der ICA entstehen. Einzelpunkte stellen einzigen Lauf Schätzungen derbestimmten Komponenten. Die hellblauen Kreise stellen die centrotypes von Clustern von Einzelbeobachtungen. Kompakt und isolierten Clustern, die innerhalb der Grenze des centrotype fallen vorschlagen, gute Zuverlässigkeit. Aufgelockert Cluster, die außerhalb der Grenze des centrotype streun vorschlagen schlechte Zuverlässigkeit. Für die meisten Komponenten in dieser Figur gibt es einen hohen Grad an Ähnlichkeit in der Komponente in verschiedenen Iterationen der ICA. Komponenten 58, 59 und 60 zeigten einige kleinere Variabilität in verschiedenen Iterationen. Klicken Sie hier für eine größere Ansicht.

Abbildung 6. Die exekutive Kontrolle und die ausgewählte Vorlage rechts fronto-parietalen Komponente überlagert auf identischen Scheiben von einem hohen resolution anatomische Scan, erscheint durchaus vergleichbar. Räumliche Korrelation kann verwendet werden, zu quantifizieren und statistisch testen für die Ähnlichkeit dieser Karten werden. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung 7. Zieht rechts fronto-parietalen Komponenten der Kinder von den Erwachsenen zeigt Regionen, deren funktionale Anbindung an das ausgewählte Führungskräfte-Netzwerk ist stärker für Erwachsene als für Kinder. Diese Regionen gehören medialen präfrontalen Kortex und ventralen Tegmentum (siehe Sagittalschnitt) und dorsolateralen präfrontalen und inferioren parietalen Kortex (siehe axialen Schicht). Bitte klickenhier, um eine größere Version dieser Figur zu sehen.

Discussion

Höherwertige mentalen Operationen, wie z. B. die Möglichkeit, Sortierregeln zu wechseln, entwickeln sich schnell in der Kindheit und Jugend. Da diese mentalen Operationen beinhalten Wechselwirkungen zwischen mehreren Hirnregionen verteilt, gibt es ein wachsendes Interesse an der Erforschung der Beziehung zwischen der Entwicklung der Kognition höherer Ordnung und altersbedingte Veränderungen in der Organisation der breit angelegte kortikaler Netzwerke. Wir präsentieren eine Methode, die auf Gruppe Independent Component Analysis, um aufgabenbasierte fMRI-Daten als Mittel der direkten Untersuchung dieser Beziehung angewendet.

Da gilt für jeden zwischen Gruppenvergleichsstudie, wird der Erfolg der Methode auf hochwertige fMRI Daten von Erwachsenen und Kindern ausgesagt. Gruppenunterschiede in Bewegung bedingten Artefakt kann schwerwiegende Auswirkungen auf die Qualität des ICA Zersetzung haben und zu Fehl Unterschiede in den erhaltenen Komponenten. Gruppe Unterschiede in der Aufgabenerfüllung kann potenziell problema seintic als gut, da sie die Lebensfähigkeit der zeitlichen Sortierung für alle Gruppen zu untergraben. Wenn beispielsweise eine Gruppe zeigt eine große Performance-Unterschied zwischen Versuchs-und Kontrollversuche, aber eine zweite Gruppe nicht tut, wird es schwer sein, um Komponenten, die man könnte behaupten, sind zu einer Aufgabe auf die gleiche Weise für beide Gruppen verknüpft identifizieren. Daher sollten Sie sich die Zeit nehmen, um Ihre Daten richtig zu sammeln. Folgen pädiatrischen gut durch Raschle et al Neuroimaging-Protokolle., 2009, und die Zeit nehmen, kognitiv-verhaltenstherapeutischen Methoden, die Unterschiede zwischen den Gruppen in der Leistung / Strategie-Einsatz mildern zu entwickeln.

Trouble-shooting/Caveats

ICA-Gruppe ist eine fortgeschrittene multivariate Technik, aber eine, die immer häufiger für eine Vielzahl von fMRT-Analyse-Anwendungen, einschließlich Rauschunterdrückung, funktionelle Konnektivität Schätzung und dynamische Bildgebung Gehirn-Konnektivität Staaten (siehe unten) verabschiedet wird. Zum ersten Mal Nutzer, Einrichten und Dolmetschender Ausgang einer Gruppe ICA wird ein wenig verwirrend sein. Aber mit ein bisschen Übung / Versuch und Irrtum, werden die Dinge viel einfacher. Die folgenden Vorschläge gestützte uns enorm in immer über unsere anfängliche Unsicherheiten.

Zunächst klein anfangen und die Nutzung von Daten mit einem einfachen Design gesammelt. Block-Designs mit 10 bis 20 Sekunden Ruhezeiten zwischen den Blöcken sind ideal in dieser Hinsicht. Um zu beginnen, versuchen Sie, eine ICA-Lauf auf 3 oder 4 100-Volume-Läufe von Blockdaten von 4 oder 5 Teilnehmern. Dies wird nicht publikations Erkenntnisse ergeben, wird aber relativ schnell laufen und produzieren vernünftige Raumkomponenten. Wie gut, sollte es relativ einfach sein, zu sehen, das Block-Design vertreten in der Zeitverlauf der Hinterhauptkomponenten und Standardkomponenten, mit diesen Zeitkurse positiv und negativ mit der Aufgabe zugeordnet sind (siehe Abbildung 4). Dies ist ein guter Weg, um das Vertrauen dem Verfahren schnell zu gewinnen, bevor die Skalierung der Analyse bis einschließliche eine ganze Datensatzes. Sollten die Dinge nicht funktionieren an dieser Stelle, gehen Sie zurück zu Ihrem vorverarbeiteten Bilder und überprüfen Datenqualität (z. B. starke Bewegungsartefakte, schlechte Schnitte, etc.). Wenn räumlichen Komponenten äußerst spärlich (dh räumliche ICs bestehen aus vielen kleinen verstreuten Gruppen von Voxel) sind, stellen Sie sicher, Bände wurden geglättet - ein 8-mm FWHM Kernel wird empfohlen.

Beginnend mit einer kleinen Daten-Set ist auch ein guter Weg, um ein Gefühl für die Auswahl der Modellordnung, oder die Anzahl der Komponenten in einem Modell gehören zu bekommen. Zwar gibt es nicht nur einen richtigen Weg, um diese Entscheidung zu treffen, gibt es eine Reihe von Richtlinien zu beachten. Zuerst wird, wie GIFT implementiert eine Form der räumlichen ICA ist die maximale Anzahl von Bauteilen, die aus einer volumetrischen Zeitreihe ungemischt sein kann gleich der Anzahl von Datenträgern in den Zeitreihen. Zweitens berechnet GIFT eine Schätzung der Dimensionalität der Daten mittels PCA und diese Schätzungen sind in der Regel im Bereich von of 18 bis 22 Komponenten. Zusammen bieten diese Überlegungen eine obere und eine untere Schranke für die Wahl des Modellordnung. Danach ist es an Ihnen. Einfach daran denken, dass Komponenten, die räumlich zu einem niedrigeren Modellordnung zusammengefasst wurden auseinander in getrennte, aber statistisch bezogenen Komponenten aufgeteilt, um als Modell erhöht. Wenn Sie planen, eine Komponente mit einer Vorlage aus einer anderen Forschungsgruppe zu wählen, sollten Sie überlegen, die Wahl eines Modells, um ähnlich zu dem, was in der Analyse, die die Vorlage erzeugt verwendet, da dies die Wahrscheinlichkeit zu erhöhen, dass die Komponente, die Sie für die Suche bleibt räumlich intakt in Ihrem Zersetzung.

Es gibt ein paar Einschränkungen, die eine Überlegung wert sein kann, bevor er nach vorne mit ICA. Zunächst räumlichen Komponenten bilden die Grundlage für die Prüfung der altersbedingten Unterschiede in der funktionellen Konnektivität, aber sagen Sie nichts darüber, wie oder ob Regionen, die eine Komponente interagieren umfassen. Zwei Regionen können auf eine Komponente zu ladenwegen der bidirektionalen unidirektionale oder indirekt (dh über einen dritten Bereich) Verbindung oder auch durch statistische Unfall. Daher vorsichtig sein, in den Schlussfolgerungen. Zweitens, wenn Ihre Interessen sind beim Testen einer Hypothese über bestimmte Regionen, wie interagieren und wie diese Interaktionen mit der Entwicklung ändern, müssen Sie zusätzliche Analysen oder Methoden zu prüfen. Eine Möglichkeit ist es, die IC-und Testzeitkurse für die effektive Konnektivität zwischen Komponenten mittels verzögerten Korrelationsanalyse zu verwenden. Werkzeuge für diese Art von Analysen sind als Teil GESCHENK Functional Network Connectivity (oder FNC)-Toolbox zur Verfügung. Alternativ können Sie zu einen ganz anderen Ansatz wie Dynamic Causal Modelling (DCM), erhältlich in SPM8 berücksichtigen.

Vorteile der bestehenden Methoden

Die Hauptstärke der aktuellen Methode ist, dass es zumindest eine gewisse Grundlage für die Ableitung der Funktion des Gehirns gezielt Netzwerk bietets. In dem Maße, dass die Netze auf der Basis der Kovarianz der Signalzeitverläufe verschiedener Voxel identifiziert, und diese Kovarianz-Schätzwerte ein stabiles Maß der funktionellen Zusammenhang, ICA und Saatgut-basierte Ansätze führen zu konvergieren Bilder kortikaler Netzwerke ob sie angewendet werden Ruhezustand oder Aufgabe zugrunde fMRI-Daten ^15. Der wichtige Vorteil der Anwendung Gruppe ICA Task-Daten ist, dass es möglich ist, vorläufige Hypothesen über die Funktion des ausgewählten Netze bilden. In der aktuellen Methode, wir diese Tatsache nutzen, zum Zweck der Verknüpfung eines bestimmten kognitiven Betrieb - Regel-Schalt - an ein bestimmtes Netz. Wurden die gleichen Netzwerk abgebildet, während die Teilnehmer in Ruhe waren, würde es nicht möglich sein, eine ausgewählte Netzwerk mit einem bestimmten Verhalten zumindest nicht direkt zuzuordnen.

Zusätzliche Anwendungen und künftige Richtungen

ICA-Gruppe hat ein großes Potenzial für die Entdeckung Gruppe differe gezeigtnces in die Organisation und Funktionsweise der kortikalen Netzwerke, einschließlich derjenigen, Alter, Diagnose-Status, Persönlichkeit und so auf ¹⁶ stehen. Multivariate Verfahren wie ICA werden auch zur Identifizierung von Assoziationen zwischen verschiedenen Modalitäten Daten gut geeignet, und ICA hat insbesondere sehr fruchtbar für die Identifizierung Verbindungen zwischen fMRT und strukturelle MRT-Daten, fMRT und EEG und fMRT und Genetik ¹⁷ bewährt.

Eine spannende neue Richtung ist die Verwendung von ICA in der Erforschung dynamischen Veränderungen in der kortikalen Konnektivität ^18. Bisher wurden kortikale Netzwerke als architektonisch statische zumindest über kurze Zeiträume konzipiert worden. Neuere Arbeiten jedoch hat begonnen zu prüfen, ob funktionelle Konnektivität innerhalb und zwischen Netzwerken dynamisch ändert über relativ kurze Zeiträume, möglicherweise in Verbindung mit Veränderungen in Kognition und Verhalten. Die vorläufigen Ergebnisse, vor allem auf Ruhezustand-Daten basiert, legen nahe, dass das GehirnZyklen durch eine Vielzahl von Mikro, jeweils durch eine unterschiedliche Konstellation von Verbindungen zwischen verschiedenen Hirnregionen. Eine naheliegende Erweiterung der aktuellen Methode wäre, um dynamische Änderungen in der Netzwerkverbindung in Verbindung mit Veränderungen der kognitiven Anforderungen durch die Anwendung der ICA-Gruppe zu Auftragsdaten zu prüfen. Zu fMRI-Daten von Teilnehmern verschiedenen Alters gesammelt angewendet, könnten die Ergebnisse möglicherweise zeigen Unterschiede in der jüngeren und älteren Gehirnen dynamisch an kognitiven und Verhaltensstörungen Herausforderungen anzupassen.

Materials

Name	Company	Catalog Number	Comments
SPM8	The MathWorks, Inc.	R2013a