Methodenartikel

Die Messung der Fronto-limbischen Aktivität unter Verwendung einer emotionalen Oddball Aufgabe bei Kindern mit familiärer High Risk for Schizophrenia

DOI:

10.3791/51484

⸱

2. Dezember 2015

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry, University of North Carolina at Chapel Hill School of Medicine, 2Duke-UNC Brain Imaging and Analysis Center, Duke University Medical Center, 3Curriculum in Neurobiology, University of North Carolina at Chapel Hill

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit beschreibt, wie die emotionale Oddball-Aufgabe und fMRT verwendet werden können, um die Gehirnaktivierung bei Kindern und Jugendlichen mit familiär hohem Risiko für Schizophrenie (FHR) zu messen. FMRI wurde verwendet, um Unterschiede in fronto-striato-limbischen Regionen während einer emotionalen Oddball-Aufgabe zu messen. Kinder mit FHR zeigten während der Adoleszenz eine abnormale funktionelle Aktivierung.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Adoleszenz ist eine kritische Entwicklungsphase, in der die frühen Symptome der Schizophrenie häufig auftreten. Verwandte ersten Grades von Menschen mit Schizophrenie, die ein familiäres Hochrisiko (FHR) haben, können ähnliche kognitive und emotionale Veränderungen zeigen. Die neurologischen Veränderungen, die der Entstehung dieser Symptome zugrunde liegen, sind jedoch unklar. In dieser Studie wurde versucht, Unterschiede in der frontalen, striatalen und limbischen Region bei Kindern und Jugendlichen mit FHR mittels funktioneller Magnetresonanztomographie zu identifizieren. Gruppen von 21 Kindern und Jugendlichen an der FHR und 21 gesunden Kontrollpersonen absolvierten eine emotionale Sonderaufgabe, die auf selektiver Aufmerksamkeit und der Unterdrückung aufgabenirrelevanter emotionaler Informationen beruhte. Die Standard-Sonderlingsaufgabe wurde dahingehend modifiziert, dass sie aversive und neutrale Distraktoren umfasste, um mögliche Gruppenunterschiede sowohl in der emotionalen als auch in der exekutiven Verarbeitung zu untersuchen. Diese Aufgabe wurde speziell entwickelt, um Kindern und Jugendlichen die Bearbeitung zu ermöglichen, indem der Schwierigkeitsgrad und der emotionale Bildinhalt altersgerecht gehalten werden. Darüber hinaus demonstrieren wir eine Technik zur geeigneten fMRT-Registrierung für Kinder und jugendliche Teilnehmer. Dieses Paradigma kann auch in zukünftigen Studien angewendet werden, um Veränderungen in der neuronalen Aktivität in anderen Populationen mit hypothetischen Entwicklungsveränderungen in der exekutiven und emotionalen Verarbeitung zu messen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Schizophrenie ist eine neurologische Entwicklungsstörung mit einer bekannten genetischen Komponente1,2 und Symptomen wie Defiziten sowohl in der exekutiven als auch in der emotionalen Verarbeitung3,4. Es wird angenommen, dass Verwandte ersten Grades ein erhöhtes Risiko haben, an Schizophrenie zu erkranken, und es hat sich gezeigt, dass sie einige dieser neurokognitiven Defizite sowohl im kognitiven als auch im sozial-emotionalen Bereich aufweisen5. Wir gehen daher davon aus, dass die Gehirnaktivität in Regionen, die mit exekutiver und emotionaler Verarbeitung verbunden sind, bei gefährdeten Familienmitgliedern vor dem Auftreten klinischer Symptome verändert sein kann.

Frühere Studien haben gezeigt, dass sowohl Erwachsene mit Schizophrenie als auch Erwachsene mit familiärem Hochrisiko abweichende Aktivitäten innerhalb von exekutiven und emotionalen Verarbeitungsnetzwerken zeigen; es bleibt jedoch unklar, wie diese Veränderungen während der Entwicklung zustande kommen. Der Nachweis, dass diese Veränderungen früh im Leben auftreten, wird ein wichtiger erster Schritt zum Verständnis der Pathophysiologie der Störung sein. Daher verwendet diese Studie ein emotionales Sonderlingsparadigma während der funktionellen MRT (fMRT), um die Gehirnaktivität während der Erledigung einer Aufgabe zu messen, die sowohl exekutive als auch emotionale Verarbeitung bei Jugendlichen erfordert, die ein Risiko für die Entwicklung von Schizophrenie haben. Oddball-Paradigmen werden häufig verwendet, um die Funktion der fronto-striaten Schaltkreise bei Schizophrenie6 und bei Personen mit familiärem Hochrisiko7 zu untersuchen, indem selektive Aufmerksamkeitsprozesse gemessen werden, die aufgabenrelevanten Zielreizen zugeordnet sind. Hier wurde eine Standard-Oddball-Aufgabe so modifiziert, dass sie aufgabenirrelevante aversive und neutrale Reize enthält, von denen gezeigt wurde, dass sie bei Patienten mit Schizophrenie Veränderungen in der Gehirnaktivität hervorrufen8.

Diese Arbeit misst funktionelle Unterschiede zwischen gesunden Jugendlichen und Jugendlichen mit hohem familiärem Risiko für Schizophrenie anhand einer emotionalen Sonderaufgabe. Das Aufgabendesign ähnelt dem von Fichtenholtz und Kollegen9, aber die Auswahl der aversiven emotionalen Bilder wurde so modifiziert, dass es für Kinder im Alter zwischen 9 und 18 Jahren geeignet ist. Die Verwendung dieser Aufgabe während der funktionellen MRT ermöglichte die Identifizierung spezifischer Hirnregionen, die bei Kindern und Jugendlichen mit FHR bei Schizophrenie Muster der Hyperaktivierung und Hypoaktivierung zeigten, zusätzlich zu altersbedingten Veränderungen der neuronalen Aktivität während der Entwicklung von Jugendlichen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Chapel Hill - Die Forschungstechniken in dieser Studie verwendet wurden durch die Institutional Review Boards (IRB) der Duke University und der University of North Carolina genehmigt.

1. Imaging Task-Entwurf

  1. Generieren Sie einen ereignisbasierten Verhaltens Aufgabe, seltene Zielreize (ein Kreis) innerhalb einer Sequenz von mehr häufige Standardreizen (Rührei Bilder) präsentiert. Eine schematische Darstellung der Aufgabe ist in Abbildung 1 dargestellt. Präsentieren Sie die Aufgabe mit Cigal Software 10.

figure-protocol-1
Abbildung 1. Schematische der Task-Entwurf. Diese Zahl wurde von Hart et al. 20 geändert wurden, mit Genehmigung. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

  1. Wählen Sie, wieet des aversiven Reizen und eine Reihe von neutralen Stimuli vom internationalen Affective Picture System-Datenbank (IAPS). IAPS Bilder werden auf einer Skala von 1-9, um Ebenen der Erregung und Valenz 11 reflektieren bewertet. Hohe Zahlen zeigen höhere positive Valenz und Erregung. Wählen Sie eine Reihe von Bildern, die altersgerecht an die Studiengruppe sind, wie beispielsweise Bilder von Schlangen, Spinnen oder andere Tiere.
    Hinweis: Die Stimuli Bilder aufgaben irrelevant aversiven für diese Studie verwendet hatte eine durchschnittliche Wertigkeit Rating von 3,38 (SD = 1,78) und einer mittleren Erregung Rating von 6,14 (SD = 2.08). Die neutrale Reize Bilder hatten eine durchschnittliche Wertigkeit von 6,21 (SD = 0,26) und einer mittleren Erregung Rating von 3,72 (SD = 2.15).
  2. Programm der Task-Skript, so dass Bilder in einer pseudo-randomisiert Auftrag für 1.500 ms mit 500 ms präsentiert bedeuten Inter-Stimulus-Intervall. Gegenwärtige Zielreize und aufgaben irrelevant neutrale Bilder nicht häufiger als alle 15 Sekunden und stellen jeweils etwa 4% der Reize. Jitter Ereignis Einsetzen mal, um eine bessere Auflösung der hämodynamischen Antwort Funktion bereitzustellen.
  1. Erstellen 8 Sätze von Bildern, eine für jeden der 8 funktionelle so verläuft, dass die Teilnehmer mit einem Gesamtvolumen von 40 Zielen und 40 aufgaben irrelevant neutralen Bilder im Verlauf aller 8 verläuft dargestellt.

2. Teilnehmer einrichten und Scannen

  1. Rekrutieren Kinder und Jugendliche im Alter von 9 und 18 Jahren, die entweder gesunden Kontrollpersonen oder Personen, die bei familiären hohes Risiko für Psychosen sind zwischen.
    1. Stellen Sie sicher, dass gesunde Menschen haben keine psychiatrischen Erkrankungen oder jegliche ersten Grades Familienmitglieder mit einer psychiatrischen Erkrankung. Stellen Sie sicher, dass familiäres Risiko Teilnehmer mindestens einen Verwandten ersten Grades (Eltern oder Geschwister) mit Schizophrenie haben. Auf das Vorhandensein von anderen psychiatrischen Erkrankungen im ersten Grades ausschließen Sie sie nicht.
    2. Alter und Geschlecht Spiel gesunde Teilnehmer mit familiärer Risikogruppe Teilnehmers.
  2. Erwerben Sie informierten Einwilligung der Teilnehmer im Alter von über 18. Bei Minderjährigen erwerben informierte Einwilligung von den Eltern / Erziehungsberechtigten. Zusätzlich erwerben schriftliche Zustimmung von Minderjährigen, die nehmen an der Studie teil.
  3. Legen Sie die Teilnehmer in einem nachgebauten MRI-Scanner, um sie mit der Umgebung vertraut zu machen. Spielen Sie eine Audio-Aufnahme von Scannerrauschen und haben ihnen einen Probelauf des Verhaltens Aufgabe abzuschließen, um sicherzustellen, dass sie die Aufgabe, Anweisungen zu verstehen.
  4. Legen Sie die Teilnehmer in der MRI-Scanner und die erforderlichen Gehirn Lokalisierung Scans und / oder anatomische Bilder zu erwerben.
  5. Mit Hilfe eines MRI-sicheren Eingabefeld, sagen die Teilnehmer auf eine Schaltfläche mit dem Zeigefinger in Reaktion auf alle Zielreize und eine andere Taste mit ihren Mittelfinger für alle anderen Reize zu drücken.
  6. Nach fMRI Scannen, sammeln subjektive Bewertungen von Erregung und Valenz für die in der Studie von einer Untergruppe von Teilnehmern verwendeten Bilder. Die current-Studie erhalten Bewertungen 15 Kontrollen und 13 mit familiärer hohes Risiko.

3. Image Acquisition

  1. Platz Teilnehmer in einen 3,0-Tesla-MRT. Zunächst erwerben eine Reihe von Strukturbildern einschließlich einer 3D-Bild anatomischen T1-Kontrast coplanar mit einem verdorbenen gradienten-wiederAkquisitionsPulsSequenz (TR: 5,16 ms, TE: 2,04 ms; FOV: 24 cm; Bildmatrix: 256 × 256; Flip Winkel: 20; Voxelgröße: 0,94 mm x 0,94 mm x 1,9 mm; 68 axiale Schichten).
  2. Erwerben funktionelle Bildgebung Daten unter Verwendung eines Gradienten-Echo-Echo-Planar-Bildgebungssequenz mit voller Hirn Abdeckung (TR: 2.000 ms, TE: 27 ms; FOV: 24 cm; Bildmatrix: 64 × 64; Flip-Winkel: 60; Voxelgröße: 3.75 mm × 3,75 mm × 3,8 mm; 34 axiale Schichten), so dass die Gehirnaktivität während der Leistung des Verhaltens Aufgabe gemessen werden. Führen Sie dieses Bildgebungssequenz für jeden Durchlauf des Verhaltens Aufgabe. Jeder Durchlauf sollte von 120 Bildgebungszeitpunkten bestehen.
  3. Präsentieren Sie die task in 8 Funktionsläufe von jeweils ca. 4 min.

4. Analysen

  1. Bildverarbeitung: Open fMRI Expert Analysis Tool (FEAT) in FSL 12. Wählen Sie zuerst Ebenenanalyse und Pre-stats.
    1. Auf der Registerkarte "Daten", wählen Sie die Anzahl der Eingabebilder und geben Sie den Pfad zu jedem der MR-Bilder, die Sie gehen, um zu verarbeiten sind. Stellen Sie das Ausgabeverzeichnis. Geben Sie die Gesamtmengen, die Anzahl der verworfen Übernahmen und die TR.
    2. Auf der Registerkarte "Pre-Statistik", stellen Bewegungskorrektur auf MCFLIRT, räumliche Glättung FWHM bis 5 mm, und "Slice-Zeitkorrektur". Wählen Sie "BET Gehirn-Extraktion" und "Highpass" zeitliche Filterung aber nicht B0 unwarping wählen (Uness Sie ein Gradientenfeld Karte haben) oder "Ich ntensitiy normaization". 12,14.
    3. Auf der Registerkarte "Registrierung", wählen Sie "Haupt structural Bild ". Geben Sie den Pfad Schädel-abgestreift T1-gewichteten Bild der Person. Nutzen Sie eine lineare normalen Suche mit mindestens 6 DOF. Wählen Sie den Platzkontrollkästchen Norm. Geben Sie den Pfad zu der MNI Bildatlas. Verwenden Sie einen normalen, linearen Suche mit 12 DOF. Drücken Sie Fortfahren.
    4. Teilnehmer mit mehr als 3 mm Kopfbewegung in der X-, Y- oder Z-Richtung aus.
  2. Ebene 1: Daten zwischen Aufgabe Bedingungen Vergleichen in einem einzigen Durchlauf. Offene FEAT. Wählen Sie "First-Level-Analyse" und "Statistiken + Post-Statistik".
    1. Auf der Registerkarte Daten, stellen Sie die Anzahl der Ein- und geben Sie den Pfad zu jedem der MR-Bilder. Geben Sie einen Pfad für die "Ausgabeverzeichnis". Geben Sie die "Gesamtvolumen", die Anzahl der verworfen Übernahmen und die TR.
    2. Auf der Registerkarte "Statistik", wählen Sie das Kontrollkästchen "FILM prewhitening" 16. Drücken Sie die "Full-Modell setup "-Taste. Stellen Sie die "Anzahl der Original EVs" auf die Anzahl der Aufgabenbedingungen. Für jede Bedingung, wählen Sie "Benutzerdefiniert (3 Spalten-Format)" aus dem Drop-Down-Menü Grundform und "Double-Gama HRF von der" Faltung "Dropdown-Menü 17,18 und wählen Sie eine Textdatei mit der Aufgabe Timing.
      1. Formatieren Sie diese Textdatei in 3 Spalten mit einem Eintrag für jedes "Ereignis" des angegebenen Typs. Die erste Spalte sollte den Beginn der Zeit (in Sekunden) enthalten, sollte der zweite die Dauer (in Sekunden) enthalten, und der dritte sollte die Veranstaltung Gewicht enthalten. Auf der Registerkarte Contrasts & F-Tests, erstellen Sie einen Kontrast für jede Aufgabe Zustand und eine für jeden Vergleich.
    3. Auf den "Post-Statistik", wählen Sie "Cluster" auf dem "Thresholding" Dropdown-Menü und stellen Sie die "Z Grenzwert" und Cluster P threshold bis 2,3 bzw. 0,05 8,19.
    4. Auf der Registerkarte "Registrierung", wählen Sie "Hauptstrukturbild". Geben Sie den Pfad Schädel-abgestreift T1-gewichteten Bild des Subjekts. Verwenden Sie einen linearen normalen Suche mit mindestens 6 DOF. Wählen Sie den "Standard space" Kontrollkästchen. Geben Sie den Pfad zu der MNI Bildatlas. Verwenden Sie eine normale, lineare Suche mit 12 DOF. Drücken Sie auf "Go".
  3. Stufe 2: Vergleichsdaten zwischen den Läufen für jeden Task Zustand. Offene FEAT. Wählen Sie "Übergeordnete Analyse" und "Statistiken + Post-Statistiken" aus dem Dropdown-Menü.
    1. Auf der Registerkarte Daten, wählen Sie "Eingänge sind untergeordnete FEAT-Verzeichnisse". Stellen Sie die Anzahl der Ein- und geben Sie den Pfad zu jedem der MR-Bilder. Geben Sie einen Pfad für die "Ausgabeverzeichnis".
    2. Auf der Registerkarte "Statistik", ändern Sie die "Mixed Effects: flame1" Auswahlfeld "Fixed EUSWIRKUNGEN ". Drücken Sie die" Model Setup-Assistent "klicken. Wählen Sie" Einzelgruppendurchschnitt "und klicken Sie auf" Bearbeiten "klicken.
    3. Auf der Registerkarte "Post-Statistik", wählen Sie "Cluster" auf dem "Thresholding" Dropdown-Menü und stellen Sie die "Z Grenzwert" und "Cluster P" Schwellenwert auf 2,3 und 0,05 bzw. 8,19. Drücken Sie auf "Go".
  4. Stufe 3: Vergleichsdaten zwischen Fächern für jede Aufgabe Zustand in allen Läufen. Offene FEAT. Wählen Sie "Übergeordnete Analyse" und "Statistiken + Post-Statistiken" aus dem Dropdown-Menü.
    1. Auf der Registerkarte Daten, wählen Sie "Eingänge sind 3D bewältigen Bilder von FEAT-Verzeichnisse." Stellen Sie die Anzahl der Ein- und geben Sie den Pfad zu jedem der MR-Bilder. Geben Sie einen Pfad für die "Ausgabeverzeichnis".
    2. Auf der "Statistik" tab, Drücken Sie die "Full-Modell-Setup". Stellen Sie die Anzahl von Elektrofahrzeugen, die der Anzahl der Gruppengrößen und Kovariaten wie Diagnosegruppe, Alter, Geschlecht, usw. Geben Sie die Werte für jedes Fach (Eingang 1 - Eingang n) für jeden EV. Sie können das Fenster "Einfügen", um eine Tabelle dieser Werte kopieren.
      1. Auf der Registerkarte "Kontraste & F-Tests", fügen Sie einen Kontrast für jeden Test variabel und für jeden Kontrast (zB Diagnosegruppe). Für jede Testvariable, stellen Sie den Kontrast, indem Sie den Wert 1 in der Spalte unter dem entsprechenden EV. Für jeden Kontrast, stellen Sie den ersten Wert auf 1 und die zweite auf -1. Wählen Sie "Fertig".
    3. Auf der Registerkarte "Post-Statistik", wählen Sie "Cluster" auf dem "Thresholding" Dropdown-Menü und stellen Sie die "Z Grenzwert" und "Cluster P" Schwellenwert auf 2,3 und 0,05 bzw. 8,19 Drücken Sie auf "Go".

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Es gab keine Unterschiede zwischen den Gruppen auf Basis von demografischen Merkmalen 20. Verhaltensdaten zeigten, dass die Zielerfassung Aufgabe ist bei einer geeigneten Schwierigkeitsgrad für Kinder und Jugendliche im Alter von 9 bis 18 zwischen. In der aktuellen Studie, Bedienungselemente richtig 82,36% der Ziele (SD = 0,14) identifiziert und die familiäre Risikogruppe 76,8% der Ziele (SD = 0.17) korrekt identifiziert. Beide Gruppen zeigten verringerte Genauigkeit bei der Identifizierung ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Es wurde gezeigt, dass das modifizierte emotionale Oddball-Paradigma in der aktuellen Studie Unterschiede in der neuronalen Rekrutierung während der selektiven Aufmerksamkeit und emotionalen Verarbeitung bei Kindern und Jugendlichen mit einem Risiko für Schizophrenie hervorruft. Während bestehende Paradigmen, die die emotionale Sonderlingsaufgabe verwenden, verwendet wurden, um neuronale Veränderungen in erwachsenen Populationen mit psychiatrischen Erkrankungenzu untersuchen 8, könnte das aktuelle Paradigma be...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dr. Perkins erhält derzeit Zuschüsse von Janssen und ist Berater von Dainippon. In der Vergangenheit war Dr. Perkins Mitglied des Sprecherbüros von Eli Lilly und AstraZeneca. Dr. Perkins hat zuvor Zuschüsse von AstraZeneca, Bristol-Myers Squibb, Otsuka, Eli Lilly, Janssen und Pfizer erhalten; sowie Beratungs- und Bildungskosten von AstraZeneca, Bristol-Myers Squibb, Eli Lilly, Janssen, Glaxo Smith Kline, Forest Labs, Pfizer und Shire. Alle anderen Autoren erklären keine biomedizinischen finanziellen Interessen oder potenziellen Interessenkonflikte.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir danken Erin Douglas, Anna Evans und Carolyn Bellion für ihre Beiträge zur Teilnehmerrekrutierung und klinischen Bewertung. Wir danken auch Michael Casp, Zoe Englander, Justin Woodlief und James Carter für ihre Beiträge zur Datenerfassung und -analyse sowie Robert M. Hamer für die Beratung bei der statistischen Analyse und Bearbeitung des Manuskripts. Abschließend danken wir den Einzelpersonen und ihren Familien, die an dieser Studie teilgenommen haben.

Diese Studie wurde durch das Conte Center Grant P50 MH064065 vom National Institute of Mental Health unterstützt. Dr. Hart wurde unterstützt von T32 HD040127 vom National Institute of Child Health and Human Development.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
3T MRT-ScannerGEBIAC 3T Scanner (ersetzt)

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kety, S. S., Rosenthal, D., Wender, P. H., Schulsinger, F. Mental illness in the biological and adoptive families of adpoted schizophrenics. Am J Psyc. 128, 302-306 (1971).
  2. Weinberger, D. R. Implications of normal brain development for the pathogenesis of schizophrenia. Arch Gen Psychia. 44, 660-669 (1987).
  3. Nuechterlein, K. H., Dawson, M. E. Information processing and attentional functioning in the developmental course of schizophrenic disorders. Schizophr Bul. 10, 160-203 (1984).
  4. Nuechterlein, K. H. The vulnerability/stress model of schizophrenic relapse: a longitudinal study. Acta Psychiatr Scand, Supp. 382, 58-64 Forthcoming.
  5. Keshavan, M. S. Premorbid cognitive deficits in young relatives of schizophrenia patients. Front Hum Neurosc. 3 (62), (2010).
  6. Kiehl, K. A., Liddle, P. F. An event-related functional magnetic resonance imaging study of an auditory oddball task in schizophrenia. Schizophr Re. 48, 159-171 (2001).
  7. Bramon, E. Is the P300 wave an endophenotype for schizophrenia? A meta-analysis and a family study. Neuroimag. 27, 960-968 (2005).
  8. Dichter, G. S., Bellion, C., Casp, M., Belger, A. Impaired modulation of attention and emotion in schizophrenia. Schizophr Bul. 36, 595-606 (2010).
  9. Fichtenholtz, H. M. Emotion-attention network interactions during a visual oddball task. Brain Res Cogn Brain Re. 20, 67-80 (2004).
  10. Voyvodic, J. T. Real-time fMRI paradigm control, physiology, and behavior combined with near real-time statistical analysis. Neuroimag. 10, 91-106 (1999).
  11. International affective picture system (IAPS): Digitized photographs, instruction manual and affective ratings. Technical Report A-6. , The Center for Research in Psychophysiology, University of Florida. (2005).
  12. Smith, S. M. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimag. 23, 208-219 (2004).
  13. Smith, S. M. Fast robust automated brain extraction. Hum Brain Map. 17, 143-155 (2002).
  14. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimag. 17, 825-841 (2002).
  15. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Med Image Ana. 5, 143-156 (2001).
  16. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimag. 14, 1370-1386 (2001).
  17. Beckmann, C. F., Jenkinson, M., Smith, S. M. General multilevel linear modeling for group analysis in FMRI. Neuroimag. 20, 1052-1063 (2003).
  18. Woolrich, M. W., Behrens, T. E., Beckmann, C. F., Jenkinson, M., Smith, S. M. Multilevel linear modelling for FMRI group analysis using Bayesian inference. Neuroimag. 21, 1732-1747 (2004).
  19. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimag. 15, 870-878 (2002).
  20. Hart, S. J. Altered fronto-limbic activity in children and adolescents with familial high risk for schizophrenia. Psychiatry Re. 212, 19-27 (2013).
  21. Hariri, A. R., Bookheimer, S. Y., Mazziotta, J. C. Modulating emotional responses: effects of a neocortical network on the limbic system. Neurorepor. 11, 43-48 (2000).
  22. Gottesman, I. I., Gould, T. D. The endophenotype concept in psychiatry: etymology and strategic intentions. Am J Psyc. 160, 636-645 (2003).
  23. Glahn, D. C., Thompson, P. M., Blangero, J. Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Hum Brain Map. 28, 488-501 (2007).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Funktionelle MagnetresonanztomographieSchizophrenierisikoMRT bei Kindern und JugendlichenDesign verhaltensbasierter AufgabenfMRT DatenanalyseTraining am Mock Scanneraversive neutrale Stimuli

Verwandte Artikel