Un metodo per indagare le differenze di età-correlate nella connettività funzionale delle reti di controllo cognitivo associato al cambiamento dimensionale Carta ordine di Performance

Summary

Questo video presenta un metodo di esaminare i cambiamenti legati all'età nella connettività funzionale delle reti di controllo cognitive impegnate da mirate task / processi. La tecnica si basa su un'analisi multivariata dei dati fMRI.

Abstract

La possibilità di regolare il comportamento ai cambiamenti improvvisi dell'ambiente si sviluppa gradualmente durante l'infanzia e l'adolescenza. Ad esempio, nel Change Card compito ordine dimensionale, partecipanti passare da carte classificare in un modo, come forma, a cernita loro un modo diverso, ad esempio colore. Regolazione del comportamento in questo modo esige un piccolo costo delle prestazioni, o il costo switch, in modo tale che le risposte sono in genere più lenti e più soggetto a errori sugli studi di switch in cui il cambiamento delle regole di ordinamento, rispetto a ripetere prove in cui la regola di ordinamento rimane la stessa. La possibilità di regolare in modo flessibile comportamento è spesso detto di sviluppare progressivamente, in parte perché i costi comportamentali come i costi di switch di solito diminuiscono con l'aumentare dell'età. Perché aspetti della cognizione di ordine superiore, come ad esempio la flessibilità comportamentale, si sviluppano in modo rimane gradualmente una questione aperta. Una ipotesi è che questi cambiamenti si verificano in associazione con alterazioni funzionali larga scala reti di controllo cognitivo. Su questo punto di vista,operazioni mentali complesse, come la commutazione, comportano rapidi interazioni tra le diverse regioni del cervello distribuiti, compresi quelli che aggiornare e mantenere le regole di attività, l'attenzione ri-orientare e selezionare comportamenti. Con lo sviluppo, connessioni funzionali tra queste regioni rafforzare, portando a manovre più efficienti e più veloce. Il video corrente descrive un metodo per testare questa ipotesi attraverso l'analisi e la raccolta multivariata dei dati fMRI dai partecipanti di diverse età.

Introduction

La possibilità di regolare il comportamento si sviluppa gradualmente durante l'infanzia e l'adolescenza (per una rassegna, vedi Diamante ^1). Nella Change Card compito ordine dimensionale, per esempio, i partecipanti passano da carte classificare in un modo, come forma, a cernita loro un modo diverso, ad esempio di colore ² (vedi figura 2). Commutazione esige un piccolo costo delle prestazioni, o il costo switch, in modo tale che le risposte sono in genere più lenti e più soggetto a errori sugli studi di switch in cui il cambiamento delle regole di ordinamento, rispetto a ripetere prove in cui la regola di ordinamento rimane la stessa ^3. L'entità di tali costi in genere diminuisce con figli crescono ^4, che illustra il fatto che la capacità di regolazione del comportamento subisce proseguito lo sviluppo presto nella vita.

Poiché le operazioni mentali complesse, come la commutazione, comportano rapidi interazioni tra molteplici regioni cerebrali ^5, vi è un crescente interesse in relazionng lo sviluppo di ordine superiore cognizione di cambiamenti nell'organizzazione funzionale di larga scala reti corticali ^6.

Un approccio per indagare cambiamento evolutivo in reti a larga scala è attraverso l'uso di analisi funzionale connettività ^6,7 basato seme. Il primo passo in questa tecnica è quello di consultare disponibile letteratura di ricerca e definire le regioni priori di interesse, o ROI, che sembrano essere rilevanti per il comportamento in questione. Questi ROI, o nodi, definiscono la struttura di base della rete. Successivamente, le fluttuazioni a bassa frequenza dell'attività (o T2 *-ponderazione intensità del segnale) in questi ROI sono misurati per 5 a 10 minuti, mentre i partecipanti sono a riposo in uno scanner MRI. Connettività funzionale tra due nodi della rete viene quindi quantificato come la correlazione dei rispettivi andamenti temporali. Nodi che sono fortemente collegati funzionalmente dovrebbero avere simili, e quindi altamente correlati, segnalecorsi a tempo. D'altra parte, i nodi che sono debolmente collegati funzionalmente dovrebbero avere dissimili e quindi poco correlato, segnalare l'andamento nel tempo. Per completare un modello di rete, i bordi (o link) sono disegnate tra nodi il cui andamento nel tempo correlare sopra di una soglia scelto. I test per differenze correlate all'età connettività funzionale all'interno di una rete possono essere effettuate su qualsiasi connessione singolo nodo a nodo, o sulla topologia di tutto l'insieme di nodi e archi. Queste differenze nella connettività funzionale possono quindi essere collegati a misure di performance cognitiva raccolti offline.

In questo lavoro, un approccio diverso è descritto che si basa sul gruppo di analisi delle componenti indipendenti basati su attività dati fMRI ^8. Indipendente analisi delle componenti (o ICA) è una procedura statistica per rivelare ciecamente fonti nascoste sottostanti una serie di osservazioni tali che le fonti rivelate sono massimamente indipendenti. Applicato alla analisi dei dati fMRI, la pROCEDURA presuppone che ogni volume è una miscela di un numero finito di fonti spazialmente indipendenti. Utilizzando uno di una varietà di diversi algoritmi, come l'algoritmo Infomax, ICA poi calcola una matrice unmixing, che, applicato ai dati originali produce un insieme di sorgenti massimo indipendenti o componenti. Ogni componente può essere pensato come una rete, in quanto comprende un insieme di voxel che condividono un corso temporale comune. Gruppo ICA è un particolare tipo di ICA in cui un insieme comune di componenti del gruppo viene prima stima di un intero set di dati, e quindi i set-specific partecipanti dei componenti del gruppo sono calcolati in un passo indietro-ricostruzione. Una volta che un intero set di dati viene scomposto in una serie di componenti, il passo successivo è quello di eliminare componenti artefatti che rappresentano sorgenti di rumore, e identificare i componenti teoricamente significative che corrispondono con le reti di interesse. Ciò può essere ottenuto sia con l'andamento nel tempo dei componenti di modellazione nel contesto di un GLM a identify reti che attivano in modo previsto, spazialmente correlando componenti con un modello di una rete di interesse, o entrambi. L'insieme dei componenti può essere sottoposto a un confronto di gruppo per verificare possibili differenze legate all'età connettività funzionale all'interno di reti teoricamente interessanti ^7,9,10.

Dati fMRI basata su attività Studiare i cambiamenti legati all'età nel connettività funzionale attraverso l'applicazione di gruppo ICA ha diversi vantaggi rispetto all'applicazione di tecniche basate seme di riposo statali dati fMRI. In primo luogo, le tecniche di base di seme, a differenza che si concentrano su un piccolo set di a priori definito ROI, l'approccio di gruppo ICA corrente utilizza tutti i voxel comprendenti una serie temporale volumetrico. Questo riduce le opportunità di pregiudizio che necessariamente sorgono quando un piccolo gruppo di semi sono selezionati a priori come regioni di interesse. In secondo luogo, l'applicazione di analisi funzionale connettività (ICA-based o altro) per task-piuttosto che riposa-stato i dati fMRI ha il vantaggio di consentire l'organizzazione della rete e funzione di rete di essere associati in modo più diretto. Se, per esempio, esaminando le implicazioni cognitive o comportamentali della connettività funzionale (come variazione delle prestazioni DCCS) è una priorità, è importante mostrare che la rete di interesse deriva dalle prestazioni compito. Con i protocolli di riposo statali, questo è molto difficile perché il ricercatore ha alcuna traccia di eventuali stati cognitivi, comportamentali, affettivi o sperimentato dal partecipante durante l'acquisizione dei dati. E 'quindi impossibile fornire la prova diretta che qualsiasi rete di interesse rilevante per le prestazioni compito. Per contro, quando l'analisi connettività funzionale, come ICA, viene applicato compito-dati, è possibile confermare che la rete di interesse è almeno associata alla esecuzione di un compito. Infine, ICA è meno soggetto all'influenza avversa di rumore. Fonti di rumore, come quelli associati spiritoh movimento del soggetto e il ritmo cardiaco, sono unici profili spazio-temporale. Pertanto, nel contesto di un gruppo ICA, queste fonti sono isolati e assegnati a componenti separati, lasciando rimanenti componenti relativamente priva di queste fonti sgraditi varianza. Poiché le analisi a base di semi-usano corsi tempo prima per la stima della connettività funzionale, e corsi a tempo sono, per definizione, miscele di segnale neurofisiologico e del rumore artefatta, le differenze di gruppo nelle stime di connettività funzionali possono riflettere differenze tra i gruppi veri in neurofisiologia sottostante, differenze di gruppo nella la struttura di rumore, o entrambi ^11.

Protocol

1. Ottenere l'approvazione per Lavorare con soggetti umani

2. FMRI Data Acquisition

1. Acquisire dati fMRI seguendo le procedure idonee per i bambini (vedi Raschle, et al. ^12). Fare ogni sforzo per limitare i possibili differenze legate all'età nelle prestazioni delle applicazioni e di movimento, in quanto queste differenze introducono confonde indesiderati che limitano la propria capacità di trarre conclusioni sulle differenze evolutivamente rilevanti nei attivazione cerebrale e connettività funzionale.
   Nota: Nel protocollo attuale, una versione-prove ripetute del DCCS è stato somministrato in forma di design a blocchi di ^13. Ogni ciclo comprende due blocchi di switch 8-prova e due blocchi di ripetizione 8-prova, dove i blocchi interruttori consistono di 4 prove di commutazione e 4 prove ripetute, e blocca ripetizione composto da 8 prove ripetute. Il protocollo è perfettamente adatto per l'uso con dati fMRI evento-correlati. Tuttavia, i disegni a blocchi sono bello lavorare con quando prima ottenere acquainted con ICA, come è facile vedere modulazioni attività nei corsi a tempo componenti.
2. Dati Preprocess fMRI seguenti procedure di pre-elaborazione fMRI standard.
   1. Riallineare tutte le immagini funzionali allo stesso orientamento e la posizione. Tipicamente, il primo volume funzionale è utilizzata come immagine di riferimento per tutti gli altri volumi per essere allineati.
   2. L'immagine T1-pesate (anatomico) con il T2 COREGISTER * ponderate (funzionali) scansioni, in modo che l'attivazione viene sovrapposta la posizione anatomica corretta.
   3. Normalizzare tutte le immagini a una dimensione standardizzata, spazio, e la posizione con la selezione di un cervello modello (ad esempio spazio Talairach). Questo aiuta a garantire che le regioni omologhe da soggetti diversi vengono confrontati.
      Nota: le immagini vengono deformati allo spazio Talairach nel protocollo attuale, anche se altri modelli possono anche essere utilizzati (per esempio, MNI {Montreal Neurological Institute} spazio).
   4. Smooth tutti i volumi funzionali in datun set con un 6 a 10 mm di smoothing kernel.
3. Sequestrare i volumi pre-elaborati in un insieme separato di directory. Utilizzare "scansioni funzionali" come directory superiore. All'interno di "scansioni funzionali" comprendono una directory separata per ogni partecipante, e all'interno di ogni directory partecipante, una directory separata per ogni esecuzione. Il dato è ora pronto per l'analisi ICA.

3. Gruppo Independent Component Analysis (ICA)

1. Scaricare e installare il software ICA gruppo. Ci sono un certo numero di cassette disponibili per attuare ICA su diversi tipi di dati neurofisiologici, compresi fMRI. Mentre qualsiasi cassetta degli attrezzi che esegue gruppo ICA potrebbe potenzialmente essere adatto, quello utilizzato nel protocollo attuale si chiama REGALO. GIFT è stato sviluppato da Vince Calhoun e colleghi presso l'Università del New Mexico. La casella degli strumenti GIFT è un insieme di script MATLAB che funziona insieme ad SPM, un noto pacchetto di analisi fMRI. Entrambi possono be scaricato gratuitamente da Internet (GIFT: mialab.mrn.org / software / regalo / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Una volta scaricato, aggiungere la casella degli strumenti GIFT e tutte le sotto-directory al percorso di ricerca di MATLAB e salvare il file percorso.
2. Calcolo di un gruppo ICA su dati fMRI utilizzando REGALO esige sostanziali sulla memoria RAM. Le richieste precise su memoria variano a seconda del numero di partecipanti, la quantità di dati raccolti da ciascun partecipante, e la risoluzione dei dati. Per evitare problemi di memoria, si consiglia di eseguire l'analisi ICA su un server. Se si esegue l'analisi su un computer locale, i requisiti di RAM possono essere stimati attraverso l'utilizzo di uno script "icatb_mem_ica.m" che fa parte di GIFT.
3. Set-up o parametrizzare l'analisi. Farlo modificando uno script batch preesistente denominato "Input_data_subjects_1.m" che è memorizzato in REGALO sotto "icatb_batch_files".
   Nota: Questo può essere fatto anche utilizzando grafica utente di REGALO Interface. Tuttavia, è molto più facile, con un po 'di pratica, per impostare l'analisi modificando questo script preesistente.
   1. Specificare modalità dati fMRI
   2. Specificare il tipo di analisi da ICA con ICASSO. Ciò garantirà la ICA viene eseguito con la procedura ICASSO. ICASSO stima dell'affidabilità della decomposizione eseguendo più volte ICA iniziano con differenti numeri casuali. Quindi verifica la somiglianza di ogni risultato per mezzo di clustering. Uso di ICASSO è raccomandato come mezzo di controllo della qualità della decomposizione ICA, ma di ampliare notevolmente il tempo necessario GIFT per completare l'analisi.
      1. Per eseguire l'ACI la procedura ICASSO, selezionare '2 'sotto "Tipo di analisi" e quindi parametrizzare la procedura ICASSO nelle righe successive del file di installazione.
   3. Massimizzare le prestazioni del gruppo PCA scegliendo '1 'sotto impostazioni delle prestazioni di Gruppo PCA. Provare a impostare questo parametro su '2'Dovrebbero verificarsi problemi di memoria RAM insufficiente.
   4. Per consentire successivamente l'ordinamento della risultante di componenti tramite predittori di una matrice standard di SPM disegno, specificare se ci sono diverse matrici per i soggetti diversi.
   5. Specificare dove i dati funzionali pre-elaborati vengono memorizzati e se un file SPM.mat contiene la matrice di progettazione vengono memorizzati insieme ai dati funzionali pretrattati.
      1. Il modo più semplice di ottenere GIFT per leggere i dati è se ogni partecipante ha lo stesso numero di piste, e la directory dati è strutturata come descritto al punto 2.3 sotto l'acquisizione dei dati fMRI. Se è così, allora sotto DataSelectionMethod, ha scelto '1 'per il Metodo 1, e completare il parametro "sourceDir_filePattern_flagLocation" inserendo il percorso file in cui sono memorizzati i dati, il formato file dei dati, e l'indicazione che le singole sessioni vengono memorizzati come sottodirectory all'interno di ogni cartella argomento.
      Indicare la directory in cui l'output dell'analisi dovrebbe essere scritto. Non scrivere il risultato nella stessa directory in cui sono memorizzati i dati.
   6. Fornire un prefisso che verrà aggiunto a tutti i file di output.
   7. Fornire un filepath a una maschera. Tutti i volumi inviati al ICA sono mascherati. REGALO fornisce una maschera di default. Per questo lavoro, uno script in-house per generare una maschera dai dati che verrà presentata al ICA. Come minimo, la maschera dovrebbe eliminare cranio, spazio extra-cerebrale, e soprattutto i bulbi oculari. Segnale dal voxel bulbo oculare mostrerà molto ampie fluttuazioni durante una corsa e pertanto avere un'influenza considerevole sulla struttura dei componenti finali. Figura 3 illustra quanto una buona maschera dovrebbe essere simile.
   8. Specificare il tipo di gruppo PCA da utilizzare. Utilizzare 'oggetto specifico.'
   9. Specificare il metodo di back-ricostruzione. In questa fase, soggetto individuale IC e propri corsi tempo associati sono calcolati from i risultati dell'analisi di gruppo. GICA è consigliato per ottenere i migliori corsi di tempo, anche se vi è una notevole discussione in letteratura su questo punto.
   10. Specificare il tipo di dati pre-elaborazione. Utilizzare normalizzazione intensità per evitare valori non numerici (cioè infiniti, e Nan) in uscita. In questo esempio, abbiamo scelto il default di '1 '.
   11. Specificare il tipo di PCA (usiamo standard) e accettare i valori di default in Opzioni PCA. GIFT esegue una PCA ad ogni ciclo di ciascun partecipante e mantenuto un numero di componenti pari al numero di fonti per essere miscelato nella ICA. L'APC serve a due scopi importanti. In primo luogo, aiuta a eliminare le fonti di rumore che sono unici per ogni partecipante e ogni esecuzione. In secondo luogo, essa rende esigenze computazionali dell'analisi più trattabile.
   12. Specificare il numero di APC per eseguire sui dati prima della ICA (2 raccomandata). Come pure, specificare il numero di componenti da mantenere dopo ogni PCA (se in esecuzione2, si raccomanda che il numero di componenti considerati dopo la prima PCA è il doppio del numero conservato dopo il secondo).
   13. Specificare come i dati devono essere scalati. Per questo lavoro, è stato utilizzato z-score di scala.
   14. Scegliere un algoritmo di separazione alla fonte cieco per l'ACI. Per questo lavoro, Infomax è stato usato. REGALO offre una scelta di almeno 10 diversi algoritmi.
   15. Rimanenti parametri possono essere lasciati così come sono.
4. Una volta che l'ACI è completata, selezionare tra componenti disponibili quelli che sono di potenziale interesse teorico. Attraverso l'interfaccia grafica REGALO, scegli la scelta dei componenti: l'ordinamento spaziale ordina i componenti spaziali mediante correlazione spaziale con un modello pre-esistente; ordinamento temporale ordina i corsi a tempo componente per mezzo di predittori lineari dalla matrice disegno SPM che è possibile memorizzare i dati (vedi 3.3.5).
   Nota: Entrambi gli approcci alla selezione dei componenti hanno utilità. Tuttavia, quando si lavora con i dati delle attività, la selezione temporalecriteri sono particolarmente utili, in quanto forniscono un mezzo per verificare che il componente selezionato è stato attivato dal compito. Nel caso del DCCS, uso di ordinamento temporale può essere utilizzato per confermare che il componente selezionato era più attivo durante blocchi contatti che durante blocchi di ripetizione.
5. Verificare se le versioni bambino e adulto di questi componenti selezionati sono diversi. Bambino Aggregate e componenti adulti di interesse in due gruppi e prova per mezzo di un due campioni regioni t-test in cui i componenti variano separati. Questo è relativamente facile da fare attraverso la GUI REGALO.

Representative Results

Gruppo ICA, anche su un relativamente piccolo insieme di dati fMRI, restituirà un insieme di componenti analoghi a quelli osservati in altri studi. Figura 4 è una sovrapposizione di 5 tali componenti e loro andamenti temporali associati preparati da un campione di 12 bambini e 13 adulti , con circa 800 volumi per partecipante. Come mostrato in Figura 4, la modalità predefinita, fronto-parietale, reti cingulo-insulare, e visivo può facilmente essere visto dai risultati di questa decomposizione. Come pure, notare come è facile discernere il disegno di blocco nei corsi temporali dei componenti in modalità visive e di default.

Una decomposizione ICA di successo deve essere affidabile. L'affidabilità della decomposizione può essere valutata esaminando l'output della procedura ICASSO. Figura 5 mostra una parte della produzione ICASSO di decomposizione affidabile eseguita in GIFT.

Quando si utilizza correlat spazialeione come base per la selezione dei componenti, è bene segnalare il coefficiente di correlazione e presentare il modello e il componente insieme per confronto visivo selezionato. In un recente lavoro, l'ordinamento spaziale e temporale sono stati sia utilizzato per identificare un componente fronto-parietale che era sia spazialmente correlata con un modello di una rete di controllo esecutivo, ed è stato più attivo per i blocchi di interruttori di blocchi ripetuti nel DCCS. Figura 6 mostra l'immagine modello e il componente selezionato. Si noti che vi è una buona corrispondenza tra le due immagini.

Confronti di mappe componente del gruppo possono essere utilizzati per verificare le differenze legate all'età connettività funzionale per il componente selezionato. Voxel che appaiono sulla mappa risultanti sono quelli che "carico" più fortemente sulla componente selezionato per un gruppo di un altro. In altre parole, questi sono voxel in cui l'andamento temporale dei voxel sono più simile a quello del tempo componente (cioè mostra forte connettività funzionale alla rete) per un gruppo rispetto a un'altra. Seguendo questa procedura, abbiamo confrontato bambini e adulti componenti di destra fronto-parietali - un componente che è stato confermato spazialmente correlata con un modello di una rete di controllo esecutivo ed è stato attivato dal DCCS - e abbiamo scoperto che voxel all'interno prefrontale laterale, cingolo anteriore, e parietale corteccia caricato più fortemente questa componente negli adulti che nei bambini ^14. Questo contrasto immagine è mostrata in Figura 7.

Figura 1. Schema generale dell'esperimento.

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

Figura 2. La variante block-design della dimensionale Sort Change Card (DCCS) compito. Nella versione standard del compito, i bambini carte di prova in ordine bivalenti in contenitori contrassegnati da obiettivi bivalenti che corrispondono ciascuna scheda di prova su una sola dimensione.Bambini ordinare un piccolo numero di carte con una direzione (ad esempio colore), e poi vengono istruiti a commutare e ordinare le stesse carte un nuovo modo (ad esempio forma). La misura di esito è se i bambini passano correttamente criteri di ordinamento. (A) Nella variante blocco-design, il compito è del computer-somministrato. Due obiettivi bivalenti appaiono sullo schermo durante l'operazione. Carte di prova sono presentati centralmente per 1.750 msec e partecipanti ordinare le carte per mezzo di un pulsante premere. Trials in cui il criterio di ordinamento è diverso rispetto al precedente processo sono prove di switch; prove in cui il criterio di ordinamento è la stessa del precedente processo sono prove ripetute. (b) prove individuali sono presentati in blocchi di 8-trial. Blocchi interruttori contengono 4 ripetizione e 4 studi di switch; blocchi di ripetizione contengono 8 prove ripetute. (c, d) le misure di outcome sono la differenza di tempo di risposta e la precisione attraverso l'interruttore e ripetere blocchi.

. Figura 3 risultati Gruppo ICA:. Componenti rappresentative (a) Una immagine composita di 5 componenti rappresentativi del gruppo da un ICA di 11 adulti e 12 partecipanti figlio. L'ordine di modello era 20. Funziona erano lunghe 78 volumi. I componenti sono colorati (rosso = visivo, blu = sinistra fronto-parietale; verde = default-mode; rosa = destra fronto-parietale, arancio = cingulo-insulare). (B) timecourses componenti e design a blocchi di overlay. Da ispezione visiva, è evidente che le prestazioni compito è associato ad un aumento dell'attività in componenti fronto-parietali visive e sinistra e una diminuzione dell'attività della rete default-mode. Questi risultati intuitive illustrano come l'uso di un disegno a blocchi di base rende relativamente facile valutare la qualità di una decomposizione ICA."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Clicca qui per vedere una versione più grande di questa figura.

. Figura 4 risultati Gruppo ICA:. Componenti rappresentative (a) Una immagine composita di 5 componenti rappresentativi del gruppo da un ICA di 11 adulti e 12 partecipanti figlio. L'ordine di modello era 20. Funziona erano lunghe 78 volumi. I componenti sono colorati (rosso = visivo, blu = sinistra fronto-parietale; verde = default-mode; rosa = destra fronto-parietale, arancio = cingulo-insulare) (b) l'andamento nel tempo di componenti e bloccare il design overlay.. Da ispezione visiva, è evidente che le prestazioni compito è associato ad un aumento dell'attività in componenti fronto-parietali visive e sinistra e una diminuzione dell'attività del drete efault-mode. Questi risultati intuitive illustrano come l'uso di un disegno a blocchi di base rende relativamente facile per valutare la qualità di una decomposizione ICA. Cliccate qui per vedere una versione più grande di questa figura.

Figura 5. Rappresentante uscita ICASSO da una decomposizione altamente affidabile. Per testare l'affidabilità di ogni singolo decomposizione, l'ACI viene eseguito più volte ed i risultati attraverso esecuzioni separate sono tracciati. Questo grafico fornisce una breve sintesi dei risultati di tutte le iterazioni del ICA e permette di valutare visivamente la somiglianza o divergenza nelle soluzioni che emergono da diverse iterazioni della ICA. Singoli punti rappresentano le stime singola esecuzioneparticolari componenti. I cerchi azzurre rappresentano i centrotypes di grappoli di singole osservazioni. Cluster compatte e isolate che rientrano nel perimetro del centrotype suggeriscono buona affidabilità. Gruppi sparsi che randagi fuori del confine del centrotype suggeriscono scarsa affidabilità. Per la maggior parte dei componenti in questa figura, vi è stato un elevato grado di somiglianza nel componente attraverso diverse iterazioni del ICA. Componenti 58, 59, e 60 hanno mostrato una certa variabilità minore tra le varie iterazioni. Clicca qui per vedere l'immagine ingrandita.

Figura 6. Il modello del controllo esecutivo e la componente di destra fronto-parietale selezionato, sovrapposto a fette identici da un alto resolution scansione anatomica, sembra abbastanza simile. correlazione spaziale può essere utilizzato per quantificare e statisticamente testare per la somiglianza di queste mappe. Cliccare qui per vedere una versione più grande di questa figura.

Figura 7. Sottraendo giusti componenti fronto-parietali di bambini dagli adulti rivela regioni le cui connettività funzionale alla rete dirigente selezionata è più forte per gli adulti che per i bambini. Queste regioni comprendono corteccia mediale prefrontale e l'area tegmentale ventrale (vedi sezione sagittale) e prefrontale dorsolaterale e corteccia parietale inferiore (vedi sezione assiale). cliccatequi per vedere una versione più grande di questa figura.

Materials

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