Summary
このビデオでは、ターゲット·タスク/プロセスによって係認知制御ネットワークの機能的接続性の加齢変化を調べる方法を提示します。技術は、fMRIのデータの多変量解析に基づいている。
Abstract
環境の急激な変化への行動を調整する能力は、小児期および青年期に徐々に開発しています。例えば、寸法変化カードソート作業では、参加者は彼らに色などの異なる方法を、仕分けし、このような形状のようなカードの一つの方法を、ソートに切り替える。このように動作を調整することで、小さなパフォーマンスコストを強要するか、スイッチのコスト、応答は仕分けルールが同じままである臨床試験を繰り返すと比較して、仕分けルールの変更のスイッチ裁判上のエラーが発生しやすく、通常より遅く、よりであるように。柔軟に行動を調整する能力は、多くの場合、スイッチのコストなどの行動のコストは、通常、加齢とともに減少するので、部分的には、徐々に開発することが言われています。このような行動の柔軟性などの高次認知的側面には、そのように開発し、なぜ、徐々に未解決の問題のまま。 1つの仮説は、これらの変更は、幅広い規模の認知制御ネットワークにおける機能の変化と関連して発生していることである。このビューでは、このような切り替えなどの複雑な精神的な操作では、急速な業者は、更新およびタスクルールを維持するなど、いくつかの分散型脳領域間の相互作用、再オリエント注意、および選択行動を伴う。発展に伴い、それらの領域間の機能の接続は、より速く、より効率的なスイッチング動作につながる、強化する。現在のビデオは、異なる年齢の参加者からのfMRIデータを収集および多変量解析により、この仮説を試験する方法を記載している。
Introduction
行動を調節する能力は、（レビューのために、ダイヤモンド1を参照）、小児期および青年期に徐々に開発しています。寸法変化カードソートタスクでは、例えば、参加者は（ 図2を参照）、彼らにそのような色2のような異なる方法で、仕分けに、このような形状のようなカードの一つの方法を、ソートに切り替える。切り替えは応答が仕分けルールは同じ3残存する試験を繰り返して比較したソートルール変更スイッチ試験に関する一般的遅く、エラーが発生しやすい、よりであるように、小さなパフォーマンスコストを強要するか、スイッチのコスト。子どもたちは、行動調節のための容量は人生の早い段階で継続的な開発を受けているという事実を説明するための、4古い成長するにつれて、これらのコストの大きさは、一般的に小さくなる。
このような切り替えなどの複雑な精神的な操作は、複数の脳領域5間の迅速な相互作用を伴うため、relatiでの関心が高まっている広いスケール皮質ネットワーク6の機能組織の変化に高次認知の発達ngの。
広い規模ネットワークの発達の変化を調査する1つのアプローチは、シードベースの機能的結合分析6,7の使用によるものである。この技術の最初のステップは、利用可能な研究文献に相談し、問題の行動に関連すると思われる先験的関心領域、または関心領域を定義することです。これらのROI、またはノードは、ネットワークの基本骨格を定義します。次に、活性の低周波数変動（またはT2 *強調は、信号強度）、これらのROI内の参加者がMRIスキャナに静止している間に5〜10分間測定される。ネットワークの任意の2つのノード間の機能的接続は、次いで、それぞれのタイムコースの相関として定量化される。強力に機能的に接続されたノードは、類似有し、従って高度に、信号を相関されるべき時間のコース。一方、弱い機能的に接続されているノードは、似ていないので、弱い相関がある時間経過を通知する必要があります。ネットワークのモデルを完成させるために、エッジ（またはリンク）は、その時のコース選択された閾値を超える相関ノード間に描かれています。ネットワーク内の機能の接続性の加齢の違いのためのテストは、任意の単一のノードからノードへの接続、またはノードとエッジのセット全体のトポロジー上で行うことができる。機能的結合におけるこれらの違いは、オフライン収集認知能力の尺度に関連させることができる。
本論文では、異なるアプローチがタスクベースのfMRIのデータを8のグループ独立成分分析に基づくものであることが記載されている。独立成分分析（ICAまたは）盲目的に明らかにしたソースが最大限に独立しているような観察のセットの基礎となる隠れた情報源を明らかにするための統計的な手続きである。 fMRIのデータの分析はpに適用rocedureは、各ボリュームは、空間的に独立したソースの有限数の混合物であることを前提としています。そのようなインフォマックスアルゴリズムなどの異なるアルゴリズム、種々のいずれかを使用して、ICAは、元のデータに適用するときに最大限に独立した情報源、又はコンポーネントのセットを生じるアンミキシング行列を推定する。各コンポーネントは、共通の時間経過を共有するボクセル集合で構成する限り、ネットワークとして考えることができる。基ICAは、グループの構成要素の共通のセットが第全体のデータセットから推定されたICAの特定のタイプであり、基成分のその後参加者固有のセットが、バック再構築ステップで計算される。データセット全体がコンポーネントのセットに分解されると、次のステップは、雑音源を表す人工の成分を破棄して、関心対象のネットワークに対応する理論的に意味のあるコンポーネントを識別することである。これはIDEにGLMのコンテキストでモデリング·コンポーネント時間のコースのいずれかによって達成することができ空間的に関心のあるネットワークのテンプレート、またはその両方でコンポーネントを相関、予測的に活性化したネットワークをntify。コンポーネントの結果セットは、それから、理論的に興味深いネットワーク7,9,10内の機能の接続で可能な年齢に関連した違いをテストするために、グループの比較に提出することができます。
グループのICAを適用することにより、機能の接続性における加齢変化を研究するためにタスクベースのfMRIのデータは安静状態fMRIのデータへのシードに基づいた技術の適用に比べていくつかの利点があります。まず、 先験的に定義されたROIの小さなセットに焦点を当てるとは異なり、シードベースの技術は、現在のグループのICAアプローチは、容積時系列を構成するすべてのボクセルを利用しています。これは種子の小さなグループが関心領域として演繹的に選択された場合、必ずしも発生するバイアスの機会を減少させる。第二に、機能的結合分析（ICAベースまたはそれ以外）にタスクを付与休止状態のfMRIデータがネットワーク組織とネットワーク機能をより直接的に関連することができるという利点を有しているのではなく。例えば、（例えば、DCCS性能のばらつきなど）の機能的結合の認知または行動への影響を調べることが優先事項である場合には、関心対象のネットワークがタスク実行に関連していることを示すことが重要である。研究者は、任意のレコード、認知、行動、又はデータ収集中に参加者によって経験される感情状態をまだ有していないため、休止状態プロトコルでは、これは非常に困難である。これは、関心対象の任意のネットワークタスクのパフォーマンスに関連するという直接的な証拠を提供することは不可能である。例えばICAのような機能的結合分析は、タスク·データに適用されたときに対照的に、それが関心のあるネットワークは、少なくともタスクの実行に関連付けられていることを確認することができる。最後に、ICAは、ノイズの影響を受けにくい。このようなものに関連するウィットなどのノイズ源H被検体の動きと心臓のリズムが、独特の時空間プロファイルを有する。したがって、グループICAの文脈において、これらの供給源は、単離され、分散の歓迎されないこれらの供給源の比較的自由な残りの成分を残して、別々のコンポーネントに割り当てられる。シードベースの分析は、機能的結合の推定生の時間経過を使用し、時間のコースであるため、定義により、神経生理学的信号と人工ノイズの混合物は、機能的な接続性の見積りのグループの違いは基礎となる神経生理学、群差の真のグループの違いを反映することができますノイズの構造、またはその両方11。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1。ヒトを対象を操作するための承認を得る
2。fMRIのデータ収集
- （Raschle ら 12参照 ）幼児のための適切な方法以下のfMRIのデータを取得する。これらの違いは、脳の活性化と機能の接続性における発生的に関連の違いについての推論を描く1の能力を制限し、不要な交絡を導入として、タスクのパフォーマンスと動作で可能な年齢関連の相違を制限するためにあらゆる努力をする。
注：現在のプロトコルでは、DCCSの反復試験のバージョンはブロック設計13の形態で投与した。各ランは、2つの8トライアルスイッチブロックとスイッチブロックは4スイッチ試験および4の繰り返し試験で構成され、2つの8トライアルリピートブロックを備えており、リピートブロックは8繰り返し試験で構成されています。プロトコルは、事象関連fMRIのデータを使用するために完全に適している。しかし、ブロックの設計は、最初ACQUを取得するときで動作するようにいいですそれは、コンポーネントのタイムコースでタスク変調を簡単に確認することができように、ICAとainted。 - 標準fMRIの前処理手順を実行する前処理を行いfMRIのデータ。
- 同じ向きや位置へのすべての機能画像を再調整。典型的には、第一の機能ボリュームが整列される他のすべてのボリュームのための参照画像として用いられる。
- T2 *強調（機能）スキャンしたT1強調（解剖学的）イメージCoregister、活性化は正しい解剖学的位置に重畳されるように。
- 標準化されたサイズは、スペース、およびテンプレートの脳（ 例えばタライラッハ空間）の選択に位置するすべての画像を正規化する。これは、異なる被験者からの相同領域が比較されていることを確認するのに役立ちます。
注：他のテンプレートはまた、（例えば、MNI {モントリオール神経学研究所}空間）を使用することもできる画像は、現在のプロトコルでタライラッハ空間にワープされる。 - DAT内のすべての機能ボリュームを滑らかにカーネルを平滑6〜10ミリメートルとのセット。
- ディレクトリの別々のセットに前処理されたボリュームを封鎖。トップディレクトリとして「機能スキャン "を使用します。 「機能スキャン」内の別々の各参加者のディレクトリ、および各参加者ディレクトリ内の、それぞれの実行のための別のディレクトリが含まれています。データは今のICA分析のための準備ができています。
3。グループ独立成分分析（ICA）
- グループのICAのソフトウェアをダウンロードし、インストールします。 fMRIのを含む神経生理学的データ、様々なタイプの上のICAを実装するための利用可能なツールボックスがいくつかあります。グループのICAを実行する任意のツールボックスには潜在的に適切であろうが、現在のプロトコルで利用される1がギフトと呼ばれています。 GIFTは、ニューメキシコ大学のヴィンス·カルフーンらによって開発されました。ギフトツールボックスは、SPM、よく知られているfMRIの解析パッケージと連携したMATLABスクリプトのセットです。どちらも、できるBEは、インターネットから無料でダウンロード（ギフト：mialab.mrn.org /ソフトウェア/ギフト/ index.htmlの番号、SPM：www.fil.ion.ucl.ac.uk/spm/を）。ダウンロードした後は、MATLAB検索パスにギフトボックスおよびすべてのサブディレクトリを追加し、パスファイルを保存します。
- ギフトを使用するfMRIのデータのグループのICAを計算するRAMメモリに相当な要求をします。メモリ上の正確な要求は、参加者の数、各参加者から収集されたデータの量、およびデータの解像度に依存して変化する。メモリの問題を回避するには、サーバー上のICA解析を実行することをお勧めします。ローカルコンピュータ上で解析を実行している場合は、RAMの要件は、ギフトの一部であるスクリプト」icatb_mem_ica.m」を利用して推定することができる。
- アップ設定や分析をパラメータ化。 「icatb_batch_files」のギフトに格納されている「Input_data_subjects_1.m」と呼ばれる既存のバッチ·スクリプトを変更することによってこれを行います。
注：これは、ギフトのグラフィカルユーザーINTERFを使用してもし行うことができますエース。しかし、この既存のスクリプトを変更することによって、分析を設定するには、少し練習して、はるかに簡単です。- fMRIのようなデータ様式を指定する
- ICASSOと、ICAとして分析のタイプを指定します。これは、ICAはICASSO手順で実行されていることを確認します。 ICASSOは異なるランダムシードで始まるICA数回実行することによって、分解の信頼性を推定する。その後、クラスタリングによる各結果の類似度をテストします。 ICASSOの使用は、ICA分解の品質をチェックする手段として推奨されますが、かなりそれは分析を完了へのギフトを要する時間が長くなります。
- 「分析の種類」の下ICASSO手続きを選択'2 'でICAを実行し、設定ファイルの行以降にICASSOプロシージャをパラメータ化する。
- グループのPCAのパフォーマンス設定で'1 'を選択することで、グループのPCAのパフォーマンスを最大化します。 '2に、このパラメータを設定することを検討「不十分なRAMメモリの問題が発生する必要があります。
- 後で標準のSPM計画行列から予測因子を使用して結果の構成要素の並べ替えを有効にするには、別の科目ごとに異なる行列が存在するかどうかを指定します。
- 前処理された機能的なデータが保存され、計画行列を含むSPM.matファイルはプリプロセス、機能、データと一緒に格納されているか場所を指定します。
- すべての参加者が実行の同じ数を有し、fMRIのデータ取得の下に、ステップ2.3に記載のように、データディレクトリが構成されている場合、データを読み取るためにGIFTを得るための最も簡単な方法である。もしそうであれば、DataSelectionMethod下で、方法1のために'1 'を選択し、データが格納されるファイルパスに含めることによって、パラメータ「sourceDir_filePattern_flagLocation」を完了する、データのファイル形式、および個々のセッションは、サブディレクトリとして格納されていることを示す文各被験者フォルダ内の。
- すべての出力ファイルに追加されますプレフィックスを提供する。
- マスクにファイルパスを提供します。 ICAに提出されたすべてのボリュームがマスクされています。 GIFTは、デフォルトのマスクが用意されています。この作品、ICAに提出されるデータからマスクを生成するには、社内のスクリプトのため。最低でも、マスクは頭蓋骨、余分な脳の空間、特に眼球を排除する必要があります。眼球のボクセルからの信号が走行中に非常に大きな変動が表示されますので、最終的な部品の構造にかなりの影響を持つことになります。 図3は良いマスクがどのように見えるかを示しています。
- 使用するグループのPCAのタイプを指定します。 「対象の特定を。 'を使用
- バック再構成法を指定します。この段階では、個々の対象者のICおよびそれらに関連するタイムコースは往復計算される基分析の結果をメートル。この点に関する文献にはかなりの議論があるがGICAは、最高の時間のコースを取得することをお勧めします。
- データ前処理の種類を指定します。出力には非数値（ すなわち infinites、およびNaNの）を回避するために、強度の正規化を使用してください。この例では、'1 'のデフォルトを選択しました。
- PCAのタイプを指定します（我々は標準を使用します）と、PCAオプション]でデフォルト値を受け入れます。贈り物は各参加者の各実行に対して主成分分析を実行し、ICAに混合されていないようにする情報源の数と同じ成分の数を保持している。 PCAは、2つの重要な目的があります。第一に、各参加者および各実行に固有のノイズの発生源を排除するのに役立ちます。第二に、分析の計算要求は、より扱いやすくなります。
- ICA（2推奨）前のPCAは、データ上で実行する数を指定。だけでなく、実行している場合には（各PCAの後に保持するためにどのように多くのコンポーネントを指定2、それは）最初に、PCAの後に保持された成分の数が1秒間に2回後も保持数であることをお勧めします。
- データがスケーリング方法を指定します。この作業のために、Zスコアのスケーリングを使用した。
- ICAのためのブラインド音源分離アルゴリズムを選択してください。この作業のために、インフォマックスを使用した。 GIFTは、少なくとも10の異なるアルゴリズムを選択できます。
- で、残りのパラメータがままにすることができます。
- ICAが完了すると、使用可能なコンポーネントの中から、潜在的な理論的関心のあるものを選択します。ギフトGUIを使用して、コンポーネントの選択]を選択します。空間的なソートは、既存のテンプレートとの空間相関を用いて空間的な構成要素を並べ替えます。一時的なソートは（3.3.5を参照）を使用すると、データを格納することができたSPM計画行列から線形予測器を用いて部品の経時変化をソートします。
注：コンポーネントの選択するには、両方のアプローチは有用性がある。ただし、タスクのデータを操作する、一時的な選択彼らが選択したコンポーネントがタスクによって活性化されたことを検証する手段を提供するような基準は、特に有用である。 DCCSの場合には、時間的なソートの使用は、選択されたコンポーネントは、リピートブロックの間よりもスイッチブロック中のより活性であることを確認するために使用することができる。 - これらの選択されたコンポーネントの子供と大人バージョンが異なるかどうかをテストします。興味のある骨材子供と大人のコンポーネント部品が異なる場合2標本t検定領域によって2つの別々のグループとテストに。これは、ギフトGUIを介して行うことが比較的容易である。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
グループICAは、比較的小規模なfMRIのデータセットに、他の研究で観察されたものに匹敵するコンポーネントのセットを返します。4図 5このような構成要素と12の子供や13成人のサンプルから混合されていないそれに関連する時間のコースの重ね合わせである、参加者あたり約800ボリュームを持つ。 図4に示すように、デフォルトモード、前頭頭頂、cingulo、島状、および視覚的ネットワークは容易にこの分解の結果から分かる。だけでなく、それは視覚的で、デフォルトのモード成分の時間コースでブロックデザインを識別することがいかに簡単であるかに注目してください。
成功のICA分解は信頼できるものでなければならない。分解の信頼性がICASSO手順の出力を調べることによって評価することができる。 図5は、GIFTで行う信頼性の高い分解ICASSO出力の一部を示している。
空間correlatを使用している場合コンポーネント選択のための基礎として、イオンは、相関係数を報告し、テンプレートと目視比較のために一緒に選択したコンポーネントをプレゼントにもぴったりです。最近の論文では、空間的および時間的なソートは、両方の空間的実行制御ネットワークのテンプレートと相関し、DCCSでのリピートブロックよりもスイッチブロックのためのより積極的なだった前頭頭頂コンポーネントを識別するために使用された。 図6図テンプレート画像と選択されたコンポーネント。二つの画像間の良好な対応があることに注意してください。
成分マップの群の比較は、選択したコンポーネントのための機能的接続性の加齢の差を試験するために使用することができる。結果のマップに表示されたボクセルは、別の複数のグループのために選択したコンポーネントに関するより強く「ロード」のものである。換言すれば、これらのボクセルの時間経過は、時間の経過に対してより類似しているボクセルである別のための複数のグループのためのコンポーネント（ つまり、ネットワークへの強い機能的な接続性を見せる）。この手順の後、我々は右前頭頭頂コンポーネントを子供と大人を比較した - 我々は確認したコンポーネントは、空間的に実行制御ネットワークのテンプレートと相関していたし、DCCSによって活性化された - と横前頭前野、前帯状、および頭頂内のボクセルことがわかった皮質は、子ども14よりも成人ではこのコンポーネントでより強くロード。このコントラスト画像は、 図7に示されている。
図1。実験の全体的なスキーム。
d/51003/51003fig2ahighres.jpg "SRC =" / files/ftp_upload/51003/51003fig2a.jpg "/>
図2。寸法変化カードソート（DCCS）タスクのブロック·デザイン·バリアント。タスクの標準バージョンでは、単一のディメンションの各テストカードと一致して、二価のターゲットでマークされたビンに子供ソート価テストカードを。子供たちがカード（色による）1ウェイ少数を並べ替えるし、同じカードを（形状による）新しい方法を切り替えて並べ替えるように指示されています。アウトカム指標は、子どもたちが正しくソート条件を切り替えるかどうかである。（A）ブロックの設計変形例では、タスクがコンピュータ投与される。二価のターゲットは、タスク全体の画面に表示されます。 1750ミリ秒と参加者がボタンプレスによってカードを並べ替えるためのテストカードは中心部にされています。ソート基準は、前臨床試験には異なるである試験では、スイッチの試行である。ソート基準は、前臨床試験の場合と同じである試験は、繰り返し試験である。（B）個別試験は8トライアルブロックに示されている。スイッチブロックは4の繰り返しと4スイッチ試験が含まれている。リピートブロックが8反復試験。含 有の（c、d）の結果測定は、スイッチとリピートブロック間の応答時間と精度の差である。
。図3グループのICA結果：代表成分（A）11大人と12の子供の参加者のICAから5グループ代表部品の合成画像。モデル次数は20であった。ランが78ボリューム長かった。コンポーネントは、色分けされた（;青=左前頭頭頂;緑=デフォルト·モード、ピンク=右前頭頭頂、赤=視覚的なオレンジ色= cingulo-島国）である。（B）成分timecoursesとブロックデザインオーバーレイ。目視検査から、作業成績が視覚的および左前頭頭頂成分中の活性の増加およびデフォルトモードネットワークにおける活性の低下と関連していることは明らかである。これらの直感的な結果は、基本ブロックのデザインの使用は、ICA分解の品質を評価することが比較的容易に行う方法を示す。「https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg "ターゲット=" _blank ">この図の拡大版を表示するには、こちらをクリックしてください。
。図4グループのICA結果：代表成分（A）11大人と12の子供の参加者のICAから5グループ代表部品の合成画像。モデル次数は20であった。ランが78ボリューム長かった。コンポーネントは、色分けされた（;青=左前頭頭頂;緑=デフォルト·モード、ピンク=右前頭頭頂、赤=視覚的なオレンジ色= cingulo-島国）である。（B）成分の時間コースとブロックデザインオーバーレイ。目視検査から、作業成績が視覚的および左前頭頭頂成分中の活性の増加およびdにおける活性の低下と関連していることが明らかであるEFAULTモードネットワーク。これらの直感的な結果は、基本的なブロックデザインの使用は、ICA分解の品質を評価することが比較的簡単に行う方法を示しています。 この図の拡大版を表示するには、こちらをクリックしてください。
図5。信頼性の高い分解からの代表的なICASSO出力。任意の単一の分解の信頼性をテストするために、ICAは複数回実行され、別の実行間の結果がプロットされている。このプロットは、ICAのすべての反復の結果の簡潔な概要を提供し、1は、視覚的に、ICAの異なる反復から出てくる溶液中での類似性や相違を評価することができます。シングル·ポイントは、単一の実行推定を表す特定の構成要素。水色の円は、単一の観測値のクラスターのcentrotypesを表す。 centrotypeの境界内に収まるコンパクトで孤立したクラスタは、良好な信頼性を示唆している。 centrotypeの境界の外側に逸脱散乱クラスタは信頼性に乏しいことを示唆している。この図ではほとんどのコンポーネントでは、類似度の高いは、ICAの異なる繰り返し間でのコンポーネントにあった。コンポーネント58、59、および60は、異なる繰り返し間でいくつかのマイナーな変動を示した。 拡大画像を表示するにはここをクリックしてください。
図6。エグゼクティブコントロールテンプレート、選択し、右前頭頭頂コンポーネントは、高resolutioからの同一スライス上にオーバーレイN解剖学的スキャン、非常に匹敵するようである。空間相関関係が定量化し、統計的に、これらのマップの類似性をテストするために使用することができます。 この図の拡大版を表示するには、こちらをクリックしてください。
図7。大人から子供の右前頭頭頂コンポーネントを引くと、その機能的結合選ばエグゼクティブネットワークへの子供のためのより大人のための強力である領域を明らかにしている。これらの領域は、内側前頭前皮質と腹側被蓋領域（矢状スライスを参照）、背外側前頭前野が含まれており、下頭頂皮質（軸スライスを参照）。 クリックしてくださいここで、この図の拡大版を表示します。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
このような仕分けルールを切り替える機能などの高次精神操作は、小児期および青年期を通じて急速に開発しています。これらの精神的な動作は、複数の分散脳領域間の相互作用を伴うため、高次の認知および広域ネットワークの規模皮質組織の加齢変化の発症との関係を探索への関心が高まっている。我々は、グループの独立成分分析に基づく方法は、直接の関係を調べる手段として、タスクベースのfMRIデータに適用提示する。
いずれの群間比較研究についても同様であるように、この方法の成功は、大人と子供の両方から高品質のfMRIのデータを前提としている。運動関連の成果物のグループの違いは、ICA分解の質に深刻な影響を持っており、その結果部品におけるスプリアスの違いにつながることができます。タスク性能のグループの違いは、潜在的にproblemaすることができます彼らはすべてのグループのための一時的なソートの実行可能性を弱体化させるよう、またTIC。例えば1のグループは、実験群と対照臨床試験の間に大きなパフォーマンスの違いを示しているが、第二のグループにはない、それは1が主張することができるコンポーネントを特定するのは困難になる場合は、タスクに両方のグループのために同じようにリンクされています。そのため、適切にデータを収集するために時間がかかるようにしてください。 、。Raschleらによって十分に記述小児神経画像のプロトコルに従って2009年、およびパフォーマンス/戦略-使用中の群間の差異を軽減する認知行動方法を開発するには時間がかかる。
Trouble-shooting/Caveats
グループICAは、高度な多変量技術が、ノイズ除去、機能的な接続性の推定、およびイメージング動態脳の接続状態（下記参照）を含む、fMRIの解析アプリケーション、さまざまなますます頻繁に採用されているものである。初めてのユーザーのための、設定アップ·通訳グループのICAの出力は少し方向感覚になります。しかし、練習/試行錯誤ビットで、物事ははるかに簡単でなる。次の提案は、我々の最初の不確実性を乗り越えに途方もなく私たちを支援。
まず、小さな起動し、シンプルなデザインで、収集したデータを使用しています。ブロック間の10から20秒の休憩時間にブロックデザインは、この点で理想的である。開始するには、4または5の参加者からのブロックデータの3または4の100のボリュームの実行上のICAファイル名を指定して実行を実行してみてください。これは発行可能な調査結果が得られませんが、比較的迅速に実行し、賢明な空間成分が生成されます。同様に、これらの時間経過と後頭部のコンポーネントとデフォルトのコンポーネントの時間経過で表されるブロックデザインは正と負（ 図4を参照）、それぞれのタスクに関連付けられている参照することは比較的容易である必要があります。これはすぐにINCLUDに分析をスケールアップする前の手順で自信を得るための良い方法です。データセット全体を電子。物事は、この時点でワークアウトしてはならない、戻ってあなたの前処理された画像にアクセスし、データ品質の問題（ 例えば 、重度モーションアーチファクト、悪いスライスなど）を確認してください。空間成分（ すなわち空間的なICがボクセルの多くの小さな散乱のクラスタで構成されて）非常にまばらであれば、必ずボリュームが平滑化されたかチェックし- 8 mmの半値幅カーネルをお勧めします。
小規模なデータセットを起動すると、モデルに含めるモデルの次数、またはコンポーネントの数を選択するための感触を得るための良い方法です。この決定を行うために誰正しい方法はありませんが、考慮すべきガイドラインがいくつかあります。 GIFTは、空間ICAの形態を実装するように、まず、体積時系列から非混合することができる構成要素の最大数は、時系列内のボリュームの数に等しい。第二に、ギフトは、PCAを使用して、データの次元の推定値を算出し、これらの推定値は、範囲Oであるのが普通で18から22の構成要素F。一緒に、これらの考慮事項は、モデル次数のあなたの選択のための上限と下限を提供しています。その後、それはあなた次第です。単にモデルの次数を大きくすると、空間的に下位モデルの次数で集計されたコンポーネントが別々であるが、統計学的に関連のコンポーネントに分解分割することを覚えておいてください。あなたは他の研究グループからのテンプレートを使用してコンポーネントを選択するように計画している場合、これはあなたが探しているコンポーネントは、空間的に残っている可能性が高くなりますように、テンプレートを生成し、分析に使用されたものと同様のモデル次数を選択することを検討してあなたの分解にそのまま。
ICAを進め前に検討する価値があるかもしれないいくつかの注意点があります。まず、空間成分は機能的結合の加齢の違いを調べるための基礎を提供していますが、あなたにどのように、あるいは構成要素が相互作用を含んでいた領域かどうかについては何も言わない。 2つの領域がコンポーネントにロードすることができますなぜなら、双方向単方向、または間接的（ すなわち第三の領域を経由して）接続の、あるいは統計的な偶然。そのため、結論を引き出すには慎重であること。あなたの興味が地域が相互作用し、どのようにこれらの相互作用が開発にどのように変化するかについての特定の仮説をテストしている場合には第二に、あなたは追加の分析や方法を検討する必要があります。一つの可能性は、遅れ相関分析を用いてコンポーネント間の効果的な接続のためのIC時間コースとテストを使用することです。分析のこの種のためのツールは、ギフトの機能ネットワーク接続（またはFNC）ツールボックスの一部として使用できます。または、SPM8で利用できるような動的因果モデリング（DCM）などの全く異なるアプローチを検討する必要があります。
既存の方法の利点
現在のメソッドの主な強みは、対象となる脳のネットワークの機能を推定するための、少なくともいくつかの根拠を与えることであるS。ネットワークが異なるボクセルの信号時間のコースで共分散に基づいて識別され、これらの共分散推定値は、機能の接続性の安定した尺度であるアール程度に、ICAおよび種子ベースのアプローチは、それらが適用されているかどうかを皮質ネットワークの収束のイメージにつながるfMRIのデータ15をベースまたはタスクの状態休止。タスクデータ群ICAを適用することの重要な利点は、それが選択したネットワークの機能に関する予備的仮説を形成することが可能であるということである。特定のネットワークに - ルール - スイッチング - 現在の方法では、特定の認知操作をリンクする目的で、この事実を活用しています。参加者が静止していたが、それは、少なくとも直接ではなく、特定の動作を行う選択したネットワークを関連付けることが可能ではない画像化され、同一のネットワークであった。
追加のアプリケーションや将来の方向性
グループICAは、グループのdiffereを暴くための大きな可能性を示している年齢、診断ステータス、性格など16上に関連するものを含む皮質ネットワークの組織と機能においてNCES、。このようなICAなどの多変量手続きは、異なるデータモダリティ間で団体の同定に適している、特にICAはfMRIのと構造MRIデータ、fMRIの脳波とfMRIのと遺伝学17間の結合を識別するための、非常に実りあることが証明された。
一つのエキサイティングな新しい方向は、皮質の接続18のダイナミックな変化を模索中のICAを使用することである。これまでに、皮質ネットワークは、少なくとも短期の時間スケール上で、アーキテクチャ的に静的として概念化されてきた。最近の研究は、しかし、ネットワーク内との間で、両方の機能的結合は、おそらく認知と行動の変化に関連して、比較的短い時間スケール上で動的に変更するかどうかを検討し始めている。主に静止状態データに基づいて、予備的な知見は、その脳を示唆微視的、さまざまな異なる脳領域間の接続の明確な星座が特徴それぞれを順に切り替えます。現在の方法の一つの明白な拡張は、タスクデータにグループICAを適用することによって、認知需要の変化と関連してネットワーク接続のダイナミックな変化を調べることであろう。異なる年齢の参加者から収集したfMRIのデータに適用されると、結果は、潜在的に若く、古い脳は動的認知行動課題に適応する方法の違いを明らかにすることができます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
競合する金融利害関係はありません。
Acknowledgments
本研究は、J.ブルース·モートンに国立科学と工学研究評議会（NSERC）からの助成金の支援を受けて実現した。
Materials
| Name | Company | Catalog Number | Comments |
| SPM8 | The MathWorks, Inc. | R2013a |
References
- 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.
- 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.
- 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).
