Un método para investigar las diferencias relacionadas con la edad en la conectividad funcional de las redes de control cognitivo asociado con el cambio dimensional Card Ordenar Performance

Summary

Este video presenta un método de análisis de los cambios relacionados con la edad en la conectividad funcional de las redes de control cognitivo contratados por focalizadas tareas / procesos. La técnica se basa en el análisis multivariado de datos de la fMRI.

Abstract

La capacidad de ajustar el comportamiento a los cambios repentinos en el medio ambiente se desarrolla gradualmente durante la infancia y la adolescencia. Por ejemplo, en el Dimensional Ordenar tarea Cambiar tarjeta, los participantes cambian de clasificar las tarjetas de una manera, como la forma, para ordenarlos de una manera diferente, como el color. Ajuste de comportamiento de esta manera exige un pequeño costo de rendimiento, o el coste de conmutación, de tal manera que las respuestas son típicamente más lento y más propenso a errores en los ensayos de cambio en la que los cambios en las reglas de clasificación, en comparación con repetir ensayos en los que la regla de clasificación sigue siendo la misma. La capacidad de ajustar con flexibilidad comportamiento se dice a menudo para desarrollar gradualmente, en parte porque los costos de comportamiento tales como los costos de conmutación normalmente disminuyen con la edad. ¿Por qué aspectos de la cognición de orden superior, tales como la flexibilidad del comportamiento, por lo que sigue siendo desarrollar gradualmente una pregunta abierta. Una hipótesis es que estos cambios se producen en asociación con los cambios funcionales en las redes de control cognitivo a gran escala. Desde esta perspectiva,operaciones mentales complejas, como la conmutación, implican interacciones rápidos entre varias regiones del cerebro distribuidas, incluidas las que actualizar y mantener normas de trabajo, la atención reorientar y seleccione comportamientos. Con el desarrollo, las conexiones funcionales entre estas regiones refuerzan, lo que lleva a las operaciones de conmutación rápidos y más eficaces. El vídeo actual describe un método para probar esta hipótesis mediante el análisis de la recolección y multivariado de datos de la fMRI de los participantes de diferentes edades.

Introduction

La capacidad de regular la conducta se desarrolla gradualmente durante la infancia y la adolescencia (para una revisión, ver Diamond ^1). En el Dimensional Ordenar tarea Change Card, por ejemplo, los participantes cambian de clasificar las tarjetas de una manera, como la forma, para ordenarlos de una manera diferente, como el color ² (ver Figura 2). Conmutación cobra un costo de rendimiento pequeño, o el costo del interruptor, de manera que las respuestas suelen ser más lento y propenso a errores en los ensayos de cambio en el que los cambios en las reglas de clasificación en comparación con repetir ensayos en los que la regla de clasificación sigue siendo el mismo ^3. La magnitud de estos costos generalmente disminuye a medida que los niños crecen ^4, que ilustra el hecho de que la capacidad de regulación del comportamiento se somete el desarrollo continuó temprano en la vida.

Dado que las operaciones mentales complejas, tales como la conmutación, implican interacciones rápidos entre múltiples regiones del cerebro ^5, existe un creciente interés en relating el desarrollo de la cognición de orden superior a los cambios en la organización funcional de las redes corticales amplia escala ^6.

Un enfoque para la investigación de cambios en el desarrollo de redes a gran escala es a través del uso de semillas a base de análisis de conectividad funcional ^6,7. El primer paso en esta técnica es consultar con la literatura de investigación disponible y definir unas regiones a priori de intereses o rendimiento de la inversión, que parecen ser relevantes para la conducta en cuestión. Estas regiones de interés, o nodos, definen el esqueleto básico de la red. A continuación, las fluctuaciones de baja frecuencia en la actividad (o T2 *-ponderan intensidad de la señal) en estas regiones de interés se miden de 5 a 10 minutos, mientras que los participantes se encuentran en reposo en un escáner de resonancia magnética. La conectividad funcional entre dos nodos de la red se cuantifica entonces como la correlación de sus respectivos cursos de tiempo. Los nodos que están fuertemente conectados funcionalmente deben tener similares, y por lo tanto altamente correlacionados, señalcursos de tiempo. Por otra parte, los nodos que están débilmente conectados funcionalmente deben tener diferente y por lo tanto una correlación débil, la señal cursos de tiempo. Para completar un modelo de la red, los bordes (o enlaces) se dibujan entre nodos cuyos cursos de tiempo correlacionar encima de un umbral elegido. Las pruebas de las diferencias relacionadas con la edad en la conectividad funcional dentro de una red se pueden realizar en cualquier conexión de un solo nodo a nodo, o en la topología de todo el conjunto de nodos y aristas. Estas diferencias en la conectividad funcional entonces pueden estar relacionados con las medidas de desempeño cognitivo recogidos fuera de línea.

En este trabajo, un enfoque diferente se describe que se basa en grupo de análisis de componentes independientes de datos de la fMRI basadas en tareas ^8. El análisis de componentes independientes (o ICA) es un procedimiento estadístico para revelar ciegamente fuentes ocultas que subyacen a una serie de observaciones tales que las fuentes reveladas son máximamente independientes. Aplicado al análisis de datos de la fMRI, el pROCEDIMIENTO asume que cada volumen es una mezcla de un número finito de fuentes espacialmente independientes. Utilizando uno de una variedad de diferentes algoritmos, como el algoritmo Infomax, ACI a continuación, calcula una matriz de desmezcla, que cuando se aplica a los datos originales se obtiene un conjunto de fuentes de máximamente independientes, o componentes. Cada componente puede ser pensado como una red, en la medida en que se compone de un conjunto de voxels que comparten un curso de tiempo común. Grupo ICA es un tipo particular de ICA en el que un conjunto común de componentes del grupo se estima en primer lugar de un conjunto de datos completo, y luego los conjuntos participantes-específica de los componentes del grupo se calculan en un paso atrás-reconstrucción. Una vez que un conjunto de datos completo se descompone en un conjunto de componentes, el siguiente paso es descartar los componentes de artefactos que representan las fuentes de ruido, e identificar los componentes teóricamente significativas que se corresponden con las redes de interés. Esto se puede lograr ya sea por cursos de tiempo de componentes de modelado en el contexto de un GLM para identify redes que activan de una manera predicha, correlacionando espacialmente los componentes con una plantilla de una red de interés, o ambas. El resultado conjunto de los componentes puede ser sometido a un grupo de comparación para detectar posibles diferencias relacionadas con la edad en la conectividad funcional dentro de las redes teóricamente interesantes ^7,9,10.

Datos fMRI basa tarea Estudiar los cambios relacionados con la edad en la conectividad funcional mediante la aplicación de ICA grupo tiene varias ventajas con respecto a la aplicación de las técnicas basadas en semillas de datos de la fMRI en estado de reposo. En primer lugar, las técnicas basadas en semillas a diferencia de que se concentran en un pequeño conjunto de a priori definido ROI, el enfoque ICA grupo actual utiliza todos los voxels que comprenden una serie de tiempo volumétrica. Esto disminuye las oportunidades de sesgos que surgen necesariamente cuando un pequeño grupo de semillas se seleccionan a priori, como las regiones de interés. En segundo lugar, la aplicación de análisis de conectividad funcional (ICA-basado o no) a la tarea-en lugar de los datos de la fMRI-estado de reposo tiene la ventaja de permitir la organización de la red y la función de la red que se asocian de forma más directa. Si, por ejemplo, examen de las consecuencias cognitivas o de comportamiento de la conectividad funcional (por ejemplo, variación en el rendimiento DCCS) es una prioridad, es importante para mostrar que la red de interés está asociado con la ejecución de tareas. Con los protocolos del estado de reposo, esto es muy difícil porque el investigador no tiene constancia de ningún estados cognitivos, conductuales o afectivas experimentadas por el participante durante la adquisición de datos. Por tanto, es imposible proporcionar evidencia directa de que cualquier red de interés es relevante para el desempeño de tareas. Por el contrario, cuando el análisis de la conectividad funcional, tales como ICA, se aplica a los datos de tarea, es posible confirmar que la red de interés está asociado al menos con el desempeño de una tarea. Por último, la ACI está menos sujeto a la influencia adversa de ruido. Las fuentes de ruido, tales como los asociados ingenioh sujeta el movimiento y el ritmo cardíaco, tienen perfiles espaciotemporales únicas. Por lo tanto, en el contexto de un grupo ICA, estas fuentes se aíslan y se asignan a componentes separados, dejando los componentes restantes relativamente libre de estas fuentes no deseados de la varianza. Debido a que los análisis basados ​​en semillas utilizan los cursos de tiempo prima en la estimación de la conectividad funcional y cursos de tiempo son, por definición, las mezclas de señal neurofisiológica y el ruido de artefactos, las diferencias de grupo en las estimaciones de conectividad funcional pueden reflejar diferencias de grupo verdaderos en neurofisiología subyacente, las diferencias de grupo en la estructura de ruido, o ambos ^11.

Protocol

1. Obtener la aprobación para trabajar con sujetos humanos

2. FMRI Adquisición de Datos

1. Adquirir datos de la fMRI siguiendo los procedimientos adecuados para niños pequeños (ver Raschle, et al. ^12). Haga todo lo posible para limitar las posibles diferencias relacionadas con la edad en el desempeño de tareas y el movimiento, ya que estas diferencias introducen factores de confusión no deseadas que limitan la capacidad de uno para sacar conclusiones acerca de las diferencias de desarrollo pertinentes en la activación cerebral y la conectividad funcional.
   Nota: En el protocolo actual, una versión de pruebas repetidas del DCCS se administró en forma de un diseño de la casilla ^13. Cada serie incluye dos bloques de contactos 8 al juicio ya dos cuadras de la repetición 8 al juicio, donde bloques de contactos se componen de 4 ensayos de cambio y 4 ensayos de repetición, y la repetición de bloques constan de 8 ensayos repetidos. El protocolo es perfectamente adecuado para su uso con datos de la fMRI relacionados con el evento. Sin embargo, los diseños de bloques son agradables para trabajar con la primera vez que conseguir acquainted con ICA, ya que es fácil ver por modulaciones de tareas en la evolución temporal de los componentes.
2. Datos de preproceso fMRI siguientes procedimientos de preprocesamiento estándar fMRI.
   1. Vuelva a alinear todas las imágenes funcionales a la misma orientación y posición. Típicamente, el primer volumen funcional se utiliza como imagen de referencia para todos los demás volúmenes para ser alineados a.
   2. Coregister la imagen ponderada en T1 (anatómica) con el T2 * exploraciones (funcionales), de modo que la activación se superpone sobre la ubicación anatómica correcta.
   3. Normalizar todas las imágenes a un tamaño estandarizado, el espacio y la posición con la selección de un cerebro plantilla (por ejemplo, el espacio Talairach). Esto ayuda a asegurar que las regiones homólogas de diferentes temas se están comparando.
      Nota: Las imágenes se deforman al espacio Talairach en el protocolo actual, aunque otras plantillas también pueden ser utilizados (por ejemplo, MNI {Montreal Neurological Institute} espacio).
   4. Suavizar los volúmenes funcionales en el datun conjunto con unos 6 a 10 mm de suavizado kernel.
3. Secuestrar volúmenes pretratadas en un conjunto independiente de directorios. Utilice "exploraciones funcionales" como el directorio superior. Dentro de "exploraciones funcionales" incluyen un directorio independiente para cada participante, y dentro de cada directorio de participantes, un directorio independiente para cada ejecución. Los datos ya está listo para el análisis de la ACI.

3. Análisis de Componentes Independientes Group (ICA)

1. Descargue e instale el software ICA grupo. Hay una serie de cajas de herramientas disponibles para la aplicación de la ACI sobre diferentes tipos de datos neurofisiológicos, incluyendo resonancia magnética funcional. Mientras que cualquier caja de herramientas que realiza ICA grupo sería potencialmente adecuado, la utilizada en el protocolo actual se llama REGALO. REGALO fue desarrollado por Vince Calhoun y sus colegas de la Universidad de Nuevo México. La caja de herramientas GIFT es un conjunto de scripts de MATLAB que trabaja en conjunto con el SPM, un conocido paquete de análisis de fMRI. Tanto puede be descargados de forma gratuita desde Internet (GIFT: mialab.mrn.org / software / regalo / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Una vez descargado, agregue la caja de herramientas REGALO y todos los subdirectorios de la ruta de búsqueda de MATLAB y guardar el archivo de ruta.
2. Cálculo de una ICA grupo de datos de la fMRI utilizando REGALO hace demandas sustanciales en la memoria RAM. Las exigencias precisas sobre la memoria variarán en función del número de participantes, la cantidad de datos recogidos de cada participante, y la resolución de los datos. Para evitar problemas de memoria, lo mejor es ejecutar el análisis de ICA en un servidor. Si se ejecuta el análisis en un equipo local, los requisitos de RAM pueden ser estimadas a través del uso de una "icatb_mem_ica.m" script que es parte de REGALO.
3. Set-up o parametrizar el análisis. Para ello, la modificación de un archivo por lotes preexistente llamado "Input_data_subjects_1.m" que se almacena en el epígrafe "REGALO icatb_batch_files".
   Nota: Esto también se puede hacer mediante el uso de usuario gráfica de REGALO Interface. Sin embargo, es mucho más fácil, con un poco de práctica, para configurar el análisis mediante la modificación de este script pre-existente.
   1. Especifique la modalidad de datos como fMRI
   2. Especifique el tipo de análisis como ICA con ICASSO. Esto asegurará que el ICA se ejecuta con el procedimiento ICASSO. ICASSO estima la fiabilidad de la descomposición mediante la ejecución de los ICA en varias ocasiones a partir de diferentes semillas aleatorias. Luego evalúa la similitud de cada resultado por medio de la agrupación. El uso de ICASSO se recomienda como medio de control de la calidad de la descomposición de la ACI, pero se extenderá considerablemente el tiempo que tarda REGALO para completar el análisis.
      1. Para ejecutar el ICA con el procedimiento ICASSO, seleccione '2 'en "Tipo de análisis" y luego parametrizar el procedimiento ICASSO en las líneas siguientes del archivo de configuración.
   3. Maximizar el rendimiento del grupo de ACP por la elección de '1 'en la configuración de rendimiento del Grupo ACP. Considere establecer este parámetro en '2"En caso de problemas de la memoria RAM insuficiente.
   4. Para habilitar la clasificación después de resultar componentes utilizando predictores de una matriz de diseño estándar SPM, especificar si hay diferentes matrices para asignaturas diferentes.
   5. Especifique el lugar donde se almacenan los datos funcionales se procesan y si un archivo SPM.mat contiene la matriz de diseño se almacenan junto con los datos funcionales se procesan.
      1. La forma más directa de conseguir REGALO para leer los datos es si cada participante tiene el mismo número de carreras, y el directorio de datos está estructurada como se describe en el Paso 2.3 virtud de adquisición de datos fMRI. Si es así, entonces bajo DataSelectionMethod, eligió '1 'para el Método 1, y completar el parámetro "sourceDir_filePattern_flagLocation" mediante la inclusión de la ruta de archivo donde se almacenan los datos, el formato de archivo de los datos, y una declaración que indique que las sesiones individuales se almacenan como subdirectorios dentro de cada carpeta sujeto.
      Indique el directorio en el que el resultado del análisis debe ser escrito. No escriba los resultados en el mismo directorio donde se almacenan los datos.
   6. Proporcionar un prefijo que se añadirá a todos los archivos de salida.
   7. Proporcionar una ruta de archivo a una máscara. Todos los volúmenes presentados a ICA están enmascarados. REGALO proporciona una máscara por defecto. Para este trabajo, una secuencia de comandos en el local para generar una máscara a partir de los datos que se presentará a la ACI. Como mínimo, la máscara debería eliminar el cráneo, el espacio extra-cerebral, y especialmente a los globos oculares. Señal de voxels globo ocular mostrará muy grandes fluctuaciones durante una carrera, por lo que tendrá una influencia considerable sobre la estructura de los componentes finales. Figura 3 ilustra lo que es una buena máscara debe ser similar.
   8. Especifique el tipo de grupo de ACP a utilizar. Use 'específico de la materia. "
   9. Especifique el método de respaldo reconstrucción. En esta etapa, sujeto individual CI y sus cursos de tiempo asociados se calculan from los resultados del análisis de grupo. GICA se recomienda para la obtención de los mejores cursos de tiempo, aunque hay un considerable debate en la literatura sobre este punto.
   10. Especifique el tipo de datos de pre-procesamiento. Utilice la normalización intensidad para evitar valores no numéricos (es decir infinitos y NaN de) en la salida. En este ejemplo, elegimos la opción predeterminada de '1 '.
   11. Especifique el tipo de PCA (usamos estándar) y aceptar los valores por defecto en Opciones de PCA. REGALO realiza un PCA en cada ejecución de cada participante y retiene un número de componentes igual al número de fuentes para ser mezclado en el ICA. El PCA tiene dos propósitos importantes. En primer lugar, ayuda a eliminar las fuentes de ruido que son únicos para cada participante y cada ejecución. En segundo lugar, hace que las demandas computacionales de análisis más manejable.
   12. Especifique cuántos PCA para ejecutarse en los datos antes de la ICA (2 se recomienda). Además, especificar el número de componentes a retener después de cada PCA (si se ejecuta2, se recomienda que el número de componentes retenidos después de la primera PCA es dos veces el número retenido después de la segunda).
   13. Especifica cómo se deben escalar los datos. Para este trabajo, se utilizó la escala de puntuación z.
   14. Elegir un algoritmo de separación ciega de fuentes para el ICA. Para este trabajo, se utilizó Infomax. REGALO ofrece una selección de al menos 10 algoritmos diferentes.
   15. Parámetros restantes se pueden dejar como está.
4. Una vez completado el ICA, seleccione de entre los componentes disponibles aquellos que son de interés potencial teórico. A través de la interfaz gráfica de usuario REGALO, elija la selección de componentes: clasificación espacial ordena los componentes espaciales por medio de la correlación espacial con una plantilla pre-existente; ordenación temporal ordena los cursos de tiempo componente por medio de predictores lineales de la matriz de diseño SPM que puede almacenar los datos (véase 3.3.5).
   Nota: Los dos enfoques para la selección de componentes tienen utilidad. Sin embargo, cuando se trabaja con datos de la tarea, la selección temporalcriterios son particularmente útiles, ya que proporcionan un medio para verificar que el componente seleccionado se activó la tarea. En el caso de la DCCS, el uso de la clasificación temporal se puede utilizar para confirmar que el componente seleccionado fue más activo durante bloques de interruptores que durante bloques de repetición.
5. Pon a prueba si los niños y adultos versiones de estos componentes seleccionados difieren. Niño agregada y componentes adultas de interés en dos grupos separados y ensayo por medio de una muestra de dos t-test regiones donde los componentes varían. Esto es relativamente fácil de hacer a través de la interfaz gráfica de usuario REGALO.

Representative Results

Grupo ICA, incluso en un conjunto relativamente pequeño de datos fMRI, devolverá un conjunto de componentes comparables a los observados en otros estudios. Figura 4 es una superposición de 5 dichos componentes y sus cursos de tiempo asociados sin mezclar de una muestra de 12 niños y 13 adultos , con aproximadamente 800 volúmenes por participante. Como se muestra en la Figura 4, el modo por defecto, frontoparietal, redes-cíngulo insular, y visual fácilmente se puede ver a partir de los resultados de esta descomposición. Además, observe lo fácil que es para discernir el diseño de bloque en la evolución temporal de los componentes de modo visual y por defecto.

Una descomposición ICA exitosa debe ser confiable. La fiabilidad de la descomposición se puede evaluar mediante el examen de la salida del procedimiento de ICASSO. Figura 5 muestra parte de la salida ICASSO para una descomposición fiable realizado en el regalo.

Al utilizar correlacionar espacialion, como base para la selección de componentes, es bueno para reportar el coeficiente de correlación y presentar la plantilla y el componente seleccionado juntos para la comparación visual. En un artículo reciente, clasificación espacial y temporal se utiliza para identificar tanto un componente fronto-parietal que era tanto espacialmente correlacionada con una plantilla de una red de control ejecutivo, y fue más activo para bloques de contactos que los bloques de repetición en la DCCS. Figura 6 muestra la imagen de la plantilla y el componente seleccionado. Observe que no es buena correspondencia entre las dos imágenes.

Grupo comparaciones de mapas de los componentes pueden ser utilizados para probar las diferencias relacionadas con la edad en la conectividad funcional para el componente seleccionado. Los vóxeles que aparecen en los mapas resultantes son aquellos que "carga" con más fuerza en el componente seleccionado de un grupo que otro. En otras palabras, estos son los voxels en la que el curso temporal de los voxels son más similares a la evolución temporal de la componente (es decir, mostrando un fuerte conectividad funcional a la red) para un grupo que para otro. Siguiendo este procedimiento, se compararon niños y adultos componentes fronto-parietal derecho - un componente confirmamos se correlacionó espacialmente con una plantilla de una red de control ejecutivo y fue activado por el DCCS - y encontramos que dentro de los voxels lateral prefrontal, la corteza cingulada anterior y parietal corteza cargado con más fuerza en este componente en los adultos que en los niños ^14. Esta imagen de contraste se muestra en la Figura 7.

Figura 1. Esquema general del experimento.

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

Figura 2. La variante de bloque-diseño de la dimensional Ordenar Cambio Tarjeta (DCCS) tarea. En la versión estándar de la tarea, los niños tarjetas de prueba tipo bivalentes en contenedores marcados por objetivos bivalentes que coinciden con cada tarjeta de la prueba en una sola dimensión.Niños ordenar un pequeño número de tarjetas de una manera (por ejemplo, color) y, a continuación, se les instruye para cambiar y ordenar las mismas tarjetas de una nueva forma (por ejemplo, por la forma). La medida de resultado es si los niños cambian correctamente los criterios de clasificación. (A) En la variante de bloque diseño, la tarea es la computadora-administrada. Dos objetivos bivalentes aparecen en la pantalla durante toda la tarea. Tarjetas de prueba se presentan de forma centralizada para 1750 mseg y participantes ordenar las tarjetas por medio de una pulsación de botón. Ensayos en los que el criterio de clasificación es diferente que en el juicio anterior son los ensayos de cambio; ensayos en los que el criterio de clasificación es el mismo que en el juicio anterior son ensayos repetidos. (b) Los ensayos individuales se presentan en bloques de 8 ensayos. Bloques de interruptores contienen 4 de repetición y 4 ensayos de cambio; bloques de repetición contienen 8 ensayos repetidos. (c, d) Las medidas de resultado son la diferencia en el tiempo y la precisión en el interruptor de respuesta y repetir bloques.

. Figura 3 resultados Grupo ICA:. Componentes representativos (a) Una imagen compuesta de 5 componentes del grupo de representación de un convenio o acuerdo de 11 adultos y 12 niños participantes. El orden del modelo fue de 20. Runs eran 78 volúmenes de largo. Los componentes están codificados por colores (rojo = visual; azul = izquierdo fronto-parietal; = default-modo verde, rosa = derecha fronto-parietal, naranja =-cíngulo insular). (B) curso temporal de componentes y diseño de bloques de superposición. De la inspección visual, es evidente que la ejecución de tareas se asocia con un aumento de la actividad en componentes fronto-parietales visuales e izquierdo y una disminución de la actividad en la red de modo predeterminado. Estos resultados intuitivos ilustran cómo el uso de un diseño básico bloque hace que sea relativamente fácil de evaluar la calidad de una descomposición ICA."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Haga clic aquí para ver una versión más grande de esta figura.

. Figura 4 resultados Grupo ICA:. Componentes representativos (a) Una imagen compuesta de 5 componentes del grupo de representación de un convenio o acuerdo de 11 adultos y 12 niños participantes. El orden del modelo fue de 20. Runs eran 78 volúmenes de largo. Los componentes están codificados por colores (rojo = visual; azul = izquierdo fronto-parietal; = default-modo verde, rosa = derecha fronto-parietal, naranja =-cíngulo insular) (b) cursos de tiempo de componentes y diseño de bloque de superposición.. De la inspección visual, es evidente que la ejecución de tareas se asocia con un aumento de la actividad en componentes fronto-parietales visuales e izquierdo y una disminución de la actividad en el dde red en modo efault. Estos resultados intuitivos ilustran cómo el uso de un diseño básico bloque hace que sea relativamente fácil de evaluar la calidad de una descomposición ICA. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 5. Representante de salida ICASSO de una descomposición muy fiable. Para probar la fiabilidad de cualquier sola descomposición, el ICA se ejecuta varias veces y los resultados a través de ensayos independientes se representan. Esta parcela ofrece un resumen conciso de los resultados de todas las iteraciones de la ACI y permite evaluar visualmente la similitud o divergencia en las soluciones que surgen de distintas iteraciones del ICA. Las ventanillas únicas representan estimados de ejecución individuales decomponentes particulares. Los círculos de color azul claro representan los centrotypes de grupos de observaciones individuales. Racimos compactos y aisladas que se encuentran dentro de los límites del centrotype sugieren una buena fiabilidad. Grupos dispersos que se alejan fuera de los límites de la centrotype sugieren escasa fiabilidad. Para la mayoría de componentes de esta figura, existe un alto grado de similitud en el componente a través de diferentes iteraciones de la ACI. Componentes 58, 59 y 60 mostraron cierta variabilidad menor a través de diferentes iteraciones. Haga clic aquí para ver la imagen más grande.

Figura 6. La plantilla del control ejecutivo y el componente fronto-parietal derecho seleccionado, superpuesto en rodajas idénticas a partir de una alta resolution exploración anatómica, parece bastante comparable. correlación espacial puede ser utilizado para cuantificar y estadísticamente comprobar la similitud de estos mapas. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7. Restando componentes fronto-parietal derecho de los niños de los adultos revela regiones menos funcional de conectividad a la red ejecutiva seleccionado es más fuerte para los adultos que para los niños. Estas regiones incluyen la corteza medial prefrontal y el área tegmental ventral (ver corte sagital) y prefrontal dorsolateral y corteza parietal inferior (ver corte axial). Por favor, haga clic enaquí para ver una versión más grande de esta figura.

Discussion

Operaciones mentales de orden superior, tales como la capacidad de cambiar las reglas de ordenación, se desarrollan rápidamente durante la infancia y la adolescencia. Debido a que estas operaciones mentales implican interacciones entre múltiples regiones del cerebro distribuidas, existe un creciente interés en la exploración de la relación entre el desarrollo de la cognición de orden superior y los cambios relacionados con la edad en la organización de las redes corticales a gran escala. Se presenta un método basado en grupo de análisis de componentes independientes aplicado a datos de la fMRI basados ​​en tareas como un medio de examen de esta relación directamente.

Como ocurre con cualquier estudio de comparación entre grupos, el éxito del método se basa en la alta calidad de los datos de la fMRI de los adultos y los niños. Las diferencias de grupo en artefactos relacionados con el movimiento pueden tener graves consecuencias para la calidad de la descomposición ICA y dar lugar a diferencias espurias en los componentes resultantes. Las diferencias de grupo en el desempeño de tareas pueden ser potencialmente Problematic, así, ya que minarán la viabilidad de la ordenación temporal de todos los grupos. Si por ejemplo, un grupo muestra una gran diferencia de rendimiento entre los ensayos experimentales y de control, pero un segundo grupo no lo hace, será difícil identificar los componentes que se podía reclamar están vinculados a una tarea de la misma manera para ambos grupos. Por lo tanto, asegúrese de tomar el tiempo para recoger sus datos correctamente. Seguir los protocolos de neuroimagen pediátrica bien descritos por Raschle et al., 2009, y tener tiempo para desarrollar métodos cognitivo-conductuales que mitigan las diferencias entre grupos en el rendimiento / estrategia de uso.

Trouble-shooting/Caveats

Grupo ACI es una técnica multivariante avanzada, pero que se está adoptando cada vez más frecuentemente para una variedad de aplicaciones de análisis de resonancia magnética funcional, incluyendo eliminación de ruido, la estimación de la conectividad funcional, y de formación de imágenes estados dinámicos de conectividad cerebro (ver más abajo). Para los usuarios de primera vez, creación e interpretaciónla salida de un grupo de ICA será un poco desorientador. Pero, con un poco de práctica / ensayo y error, las cosas se hacen mucho más sencillo. Las siguientes sugerencias nos ayudaron enormemente en conseguir más de nuestras incertidumbres iniciales.

En primer lugar, iniciar pequeños y el uso de los datos recogidos con un diseño simple. Diseños de bloque con 10 a 20 períodos de descanso sec entre bloques son ideales en este sentido. Para empezar, trate de ejecutar una carrera de ICA en 3 o 4 corridas 100 volúmenes de datos de bloque de 4 o 5 participantes. Esto no va a producir resultados publicables, pero funcionará con relativa rapidez y producir componentes espaciales sensibles. Además, debería ser relativamente fácil ver el diseño de bloques representado en la evolución temporal de los componentes del occipital y componentes por defecto, con estos cursos a tiempo de manera positiva y negativamente asociado con la tarea, respectivamente (véase la Figura 4). Esta es una buena manera de obtener rápidamente la confianza con el procedimiento antes de ampliar el análisis hasta incluyendoenviar un conjunto de datos completo. En caso de que las cosas no estarán trabajando en este punto, volver a las imágenes pretratadas y comprobar si existen problemas de calidad de datos (por ejemplo, Objetos de movimiento intenso, malos cortes, etc.) Si los componentes espaciales son extremadamente escasa (es decir ICs espaciales consisten en muchos pequeños grupos dispersos de voxels), revise para asegurarse de que los volúmenes fueron suavizadas - Se recomienda un kernel FWHM de 8 mm.

A partir de un pequeño conjunto de datos es también una buena manera de tener una idea de elegir el orden del modelo, o el número de componentes que desea incluir en un modelo. Si bien no hay una manera correcta de tomar esta decisión, hay una serie de pautas a tener en cuenta. En primer lugar, como REGALO implementa una forma de ICA espacial, el número máximo de componentes que pueden ser sin mezclar a partir de una serie de tiempo volumétrico es igual al número de volúmenes en las series de tiempo. En segundo lugar, REGALO calcula una estimación de la dimensionalidad de los datos mediante PCA, y estas estimaciones son por lo general en el rango of 18 al 22 de componentes. En conjunto, estas consideraciones constituyen un límite superior e inferior para su elección de orden del modelo. Después de eso, le toca a usted. Simplemente recuerde que los componentes que se agregan en el espacio a una orden del modelo inferior se quebrará en componentes separados pero relacionados-a efectos estadísticos como orden del modelo es mayor. Si va a seleccionar un componente utilizando una plantilla de otro grupo de investigación, usted podría considerar la elección de un modelo de orden similar al que se utilizó en el análisis que generó la plantilla, ya que esto aumentará la probabilidad de que el componente que están buscando restos espacialmente intacta en su descomposición.

Hay algunas advertencias que pueden ser vale la pena considerar antes de seguir adelante con el ICA. En primer lugar, los componentes espaciales proporcionan una base para el examen de las diferencias relacionadas con la edad en la conectividad funcional, pero te dicen nada acerca de cómo, o incluso si las regiones que comprenden un componente interactúan. Dos regiones se pueden cargar en un componentedebido a (es decir, a través de una tercera región) conectividad bidireccional, unidireccional, o indirecta, o incluso por accidente estadístico. Por lo tanto, tenga cuidado al sacar conclusiones. En segundo lugar, si sus intereses están en probar una hipótesis particular acerca de cómo las regiones interactúan y cómo estas interacciones cambian con el desarrollo, se debe tener en cuenta los análisis o métodos adicionales. Una posibilidad es el uso de los cursos de tiempo IC y la prueba de conectividad efectiva entre componentes mediante análisis de correlación rezagada. Herramientas para estos tipos de análisis están disponibles como parte de la red de conectividad funcional de REGALO (o FNC) caja de herramientas. Alternativamente, es posible que desee considerar un enfoque totalmente diferente, como Dinámica Causal Modeling (DCM), disponible en SPM8.

Ventajas de los métodos existentes

La fuerza principal del método actual es que se presenten por lo menos algo de base para inferir la función de la red cerebral específicas. En la medida que las redes se identifican sobre la base de la covarianza en los cursos de tiempo de la señal de los diferentes elementos de imagen volumétrica, y estas estimaciones de covarianza son una medida estable de la conectividad funcional, ICA y enfoques basados ​​en semillas conducen a convergentes imágenes de redes corticales si se aplican a en estado de reposo o tarea basada datos de la fMRI ^15. La ventaja importante de la aplicación de la ACI grupo de-datos de tarea es que es posible formar hipótesis preliminares sobre la función de las redes seleccionadas. En el método actual, aprovechamos este hecho con el propósito de vincular una operación cognitiva en particular - regla de alternancia - a una red en particular. Fueron la misma red fotografiado mientras que los participantes estaban en reposo, no sería posible asociar una red seleccionada con un comportamiento particular, al menos no directamente.

Aplicaciones adicionales y futuras direcciones

Grupo ICA ha mostrado un gran potencial para el descubrimiento de difere gruporencias en la organización y funcionamiento de las redes corticales, incluyendo las relacionadas con la edad, el estado de diagnóstico, la personalidad, y así sucesivamente ^16. Procedimientos multivariantes como ICA también están bien adaptados a la identificación de las asociaciones a través de diferentes modalidades de datos, y el ICA, en particular, ha demostrado ser muy fructífera para la identificación de los vínculos entre los datos de MRI y fMRI estructurales, fMRI y EEG y fMRI y genética ^17.

Una dirección nueva y emocionante es el uso de ICA en la exploración de los cambios dinámicos en la conectividad cortical ^18. Hasta la fecha, las redes corticales se han conceptualizado como arquitectónicamente estática, por lo menos en escalas de tiempo cortas. Un trabajo reciente, sin embargo, ha comenzado a examinar si la conectividad funcional dentro y entre redes cambia dinámicamente en escalas de tiempo relativamente cortas, posiblemente en asociación con los cambios en la cognición y el comportamiento. Los resultados preliminares, basados ​​principalmente en los datos en estado de reposo, sugieren que el cerebrociclos a través de una variedad de microestados, cada uno caracterizado por una constelación distinta de conexiones entre las diferentes regiones del cerebro. Una extensión obvia del método actual sería examinar los cambios dinámicos en la conectividad de red en asociación con los cambios en las demandas cognitivas a través de la aplicación de ICA grupo de datos de la tarea. Aplicado a los datos de la fMRI obtenidas de participantes de diferentes edades, los resultados potencialmente podrían revelar diferencias en cómo los cerebros más jóvenes y mayores se adaptan de forma dinámica a los retos cognitivos y conductuales.

Materials

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