Name: Topographische Schätzung von Visual Bevölkerung rezeptiven Felder von fMRI (Video) | JoVE Journal
Uploaded: 2015-02-03T14:00:00.000+00:00
Duration: 6 min 2 s
Description: Erfahren Sie die topographische Schätzung visueller Population rezeptiver Felder mittels fMRI. Diese Methode ermöglicht unvoreingenommene pRF-Schätzungen ohne Annahmen zur Form und ist besonders für Patienten mit visuellen Bahnläsionen geeignet.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Wir danken der VISTA-Softwaregruppe (Brian Wandell und Mitarbeiter, in Stanford).
S. S. S. wurde gefördert von McNair 2280403105, NEI R01-EY109272 und NEI R01-EY024019 und als HHMI Early Carrer Award. A. P. und G. K. wurden gefördert von der Max-Planck-Gesellschaft, G. K. wurde gefördert durch das Projekt PLASTICISE des 7. Rahmenprogramms der Europäischen Kommission, Vertrags-Nr. HEATH-F2-2009-223524.

1. Datenerfassung <ol><li> Bereiten Sie einen Stimulus-Protokoll, das wirksam bei der Auslösung einer zuverlässigen retinotope visuelle Antwort wie zuvor in Dumoulin und Wandell 1 und Lee et al ist. 2. Jedoch sind auch andere etablierte Paradigmen auch anwendbar in Abhängigkeit von der spezifischen experimentellen Fragen angesprochen werden. </li><li> Präsentieren bar Reize driften über den Bildschirm nacheinander entlang 8 Richtungen des Raumes, in Schritten von 45 Grad. Stellen Sie sicher, dass die Bewegung synchron mit Scanner Rahmen Erwerb (TR ~ 2 sec), so dass der Balken bewegt sich einen Schritt einmal eine fMRI Rahmen beginnt und bleibt an der neuen Position, bis der Rahmen endet. </li><li> Um eine korrekte Ausgangssignal zu messen, fügen Epochen ohne Stimulation 1 bar. <ol><li> Definiert ein Sichtfeld (10 bis 15 ° Radius) in Sichtwinkel, über den der dargeboten wird. Präsentieren bewegenden oder flackerndes Schachbrettmuster (checker size = 0,94 x 0,94 Grad 2, pattern Aktualisierungsrate = 250 ms / Muster) in der Bar zu starken visuellen Reaktionen hervorrufen. </li><li> Geben Sie die folgenden spezifischen Parameter: 8 gleichmäßig verteilte Bewegungsrichtungen, Breite bar gleich 1,875 ° und Bars zu bewegen um die halbe Strichbreite pro Bild (2 sec). Weitere Details finden sich in Lee et al. 2. </li><li> Generieren Sie einen Ort (~ 0,25 °) in die Mitte des Bildschirms, auf dem die Augen der Person während des Experiments zu fixieren. Farbe des Spots ändern zufällig in der Zeit. </li></ol></li><li> Scannen Sie das Gehirn eines Subjekts in einem MRI-Scanner mit einem typischen Echo-Planar-Bildgebung (EPI) Scan, 192 Frames Dauer (24 Bilder in jede Bewegungsrichtung) hat. Wiederholen Sie die Scans 4-8 mal, um das Signal-Rausch-Verhältnis zu erhöhen. </li><li> Stellen Sie die Parameter für den EPI-Sequenz wie folgt: TR = 2 sec, TE = 40 ms, Matrixgröße = 64 x 64, 28 Scheiben, Voxelgröße = 3 x 3 x 3 mm 3, Flip-Winkel = 90 °, alternativ gelten Sequenzen mit einer feineren Auflösung (z.g., 2 x 2 x 2 mm 3) oder ein Kurz TR (beispielsweise 1-1,5 sec), die ausschließlich die Sehrinde 2. </li><li> Spur Augenbewegungen mit einem Augenverfolgungssystem während funktionellen Scans Fixierung sicherzustellen innerhalb 1-1,5 ° vom Fixationspunkt gehalten. Anmerkung: Hier wird ein Kopf-Koordinate basierend Augenverfolger in einer Schutzbrille System verwendet wird, aber andere geeignete Augenverfolgungssysteme können stattdessen verwendet werden. </li><li> Weisen Sie die Themen, um die Stelle auf die Mitte des Bildschirms in Schritt 1.3.2 erzeugt fixieren. Um sicherzustellen, dass die Probanden fixiert, sie anweisen, die Farbveränderungen der Befestigungspunkt zu melden. </li><li> Erhalten anatomischen Scans auf 1 x 1 x 1 mm 3 Auflösung (zB T1-MPRAGE; TR = 1900 ms, TE = 2,26 ms, TI = 900 ms, Flipwinkel = 9 °, 176 Partitionen). ANMERKUNG: Diese anatomischen Scans zur Segmentierung sowie zum Ausrichten der funktionellen Bilder der Anatomie sowohl innerhalb der Abtastungen verwendet werden. Für eine bessere Ausrichtung zwischen Funktional (EPI) von Bildern und die Anatomie, erhalten auch eine inplane Anatomie Scans mit einer Auflösung identisch mit der EPI, mit T1-gewichteten schnell verdorben Gradientenecho (SPGR) Folge 1. </li></ol> 2. Datenvorverarbeitung HINWEIS: Vor der Schätzung pRF Eigenschaften, einige typische fMRT-Daten vor, eine Bearbeitungsschritte benötigt werden, wie zum Beispiel Kopfbewegungskorrektur und die Ausrichtung der Funktionsvolumen der anatomischen Scan. In diesem Artikel werden alle Vorverarbeitung, Schätzung, Analyse und Präsentation der Ergebnisse erhalten werden unter Verwendung des Open-Source-MATLAB-basierte Software-Toolbox VISTA LAB auf der VISTA-Software zur Verfügung. http://white.stanford.edu/newlm/index.php/Main_Page. <ol><li> Laden Sie die anatomischen Scan in MATLAB und bereiten ein Volumen Anatomie mit einer Funktion namens createVolAnat. </li><li> Segment graue Substanz, weiße Substanz und CSF mit der Funktion "ItkGray". </li><li> Bereiten Funktionsdaten durch Umwandlung DICOM (dh (dh Standard-funktionellen MRT-Format) -Dateien, und Laden von Daten in VISTA mit einer Funktion namens mrInit. </li><li> Correct Kopf-Bewegung, und richten Funktionsaufnahmen der Anatomie in Schritt 2.1 mit rxAlign basierend auf einer affinen Matrix-Transformation geladen. </li><li> Durchschnittliche funktionelle Bewegungskorrigierten Scans für die Verbesserung der Signal-zu-Rausch-Verhältnis, indem Sie auf mrVISTA Analyse Timeseries Durchschnittliche tseries. Ausschließen von durchschnittlich Scans, während der Augenbewegungen weicht von Fixierung mehr als 1 bis 1,5 °. Wenn Signale von verschiedenen Läufen unterschiedliche DC-Drifts, durchschnittliche Funktions Scans nach dem Entfernen der DC-Drifts. </li><li> Berechnen Sie die Mapping-Koordinaten zwischen funktionalen Scans und graue Substanz und Bestimmung der entsprechenden Grau Sache Voxel in den funktionalen Scans, indem Sie die folgenden Menüs: mrVISTA Fenster öffnen Grau Fenster 3-View. Vergeben BOLD-Signale in der grauen Substanz Voxel durch Interpolation, die Wahl einer der Optionen einvailable in mrVISTA. </li></ol> 3. Die Einschätzung der pRF Topographie und Parametric Modeling <ol><li> Laden Sie sich die Code-Dateien über den folgenden Link: https://sites.google.com/site/leesangkyun/prf/codes.zip, extrahieren Sie die komprimierte Datei und legen Sie sie in einem bevorzugten Ort für den lokalen Computer. Fügen Sie den Pfad des Ordners, in MATLAB. </li><li> Stellen Sie die Stimulationsparameter in das Experiment, indem Sie die folgenden Menüs: mrVISTA Analyse retinotope Modell Parameter einstellen. Geben Sie die folgenden Parameter wie Stimulus Bilder, Stimulus Größe, die kanonische hämodynamischen Funktion, die Bildrate der fMRI-Scanner. </li><li> Vor der pRF Schätzung, bereiten die Anfangsparametersätze (Abbildung 1B). <ol><li> Stellen Sie die Kreuzvalidierung Sets in "tprf_set_params.m" aus den Codedateien. Teilen Sie Zeitreihen in mindestens zwei Teilmengen (ein Satz für die Prüfung und die verbleibenden Sätze für die Ausbildung), die lang genug für die Bar zu Swee sindp die ganze Reiz Raum. Alternativ ohne Mittelung Scans in Schritt 2.4, Validierung Scans durch das Weglassen von einem Scan zum Testen und mit den restlichen Scans für die Ausbildung. </li><li> Stellen Sie eine grobe Parametersatz (λ in 1; λ = [10 -2 10 -1 1 10 1 10 2]) in "tprf_set_params.m". Stellen Sie dann eine feine Skalenbereich ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) in "tprf_set_params.m". HINWEIS: Das Programm verwendet die Grob gesetzt, um den λ was zu den höchsten erklärte Varianz zu wählen. Dann sucht das Programm den Raum um den ausgewählten λ mit dem Feinmessbereich, weitere Verfeinerung der Auswahl von λ, die den höchsten erklärte Varianz ergibt. </li><li> Einen Schwellenwert (0,2) der erklärten Varianz für visuell ansprechende Voxel in "tprf_set_params.m". HINWEIS: Diese Schwelle wird als Referenz für die Auswahl von visuell ansprechenden Voxel verwendet. Alternativ können Sie einROI für eine nicht-optisch ansprechenden Bereich (beispielsweise durch Ziehen einer Kugel mit einem Radius von 1 cm in einer nicht optisch ansprechenden Bereich des Gehirns), wobei der Schwellenwert automatisch berechnet werden. </li><li> Festlegen eines Satzes von Schwellenwerten ([0,3, 0,5, 0,7]) zum Definieren der pRF Mittelbereich in dem normalisierten Topographie "tprf_set_params.m" (dh, [0-1] oder [-1 bis 1] mit Epochen ohne bar Stimulations in Schritt 1.3.1). HINWEIS: Aus dem Satz von Schwellenwerten das Programm vorgesehen wählt den "besten" Schwelle, dh die Schwelle, die eine pRF zentralen Region, für die das Zentrum pRF Modell erklärt die größte Signalvarianz definiert. Alternativ wählen Sie eine andere Menge von Schwellenwerten in Abhängigkeit von den Eigenschaften der Topographie. </li></ol></li><li> Ausführen "tprf_runpRFest.m" berechnen die pRF Topographie (1) entfernen und 2D anisotrope Gaußsche. Nach Angabe aller in diesem Protokoll beschriebenen Parameter, undAusführen des Codes, erhalten die endgültigen Schätzergebnisse. </li></ol><img alt="Figur 1" src="/files/ftp_upload/51811/51811fig1highres.jpg" width="700"> Abbildung 1: PRF Schätzverfahren. (A) Schematische Darstellung des Prozesses folgte für pRF Topographie Schätzung h (t):. Hämodynamischen Antwortfunktion A (t): Reiz, m: pRF, Reg. L2-Norm Regularisierung (B) Spezifische Schritte für pRF Topographie Schätzung und pRF Zentrum Modellierung. Die Menge der für die Bestimmung erforderlichen Parameter in jedem Schritt aufgelistet. Eine eindimensionale Abschnitt Topographie und sein Modell veranschaulicht. Unter "Modell Fitting", schwarze und rote Kurven stellen die Topographie und seiner pRF Zentrum-Modell mit einem Zentrum Schwelle von 0,5. Die blau gestrichelte Linie gibt einen Schwellenwert für die pRFZentralregion.

<ol><li>Dumoulin, S. O., Wandell, B. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Population+receptive+field+estimates+in+human+visual+cortex%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Population receptive field estimates in human visual cortex.</a> Neuroimage. 39, 647-660 (2008).</li>
<li>Lee, S., Papanikolaou, A., Logothetis, N. K., Smirnakis, S. M., Keliris, G. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+method+for+estimating+population+receptive+field+topography+in+visual+cortex%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">A new method for estimating population receptive field topography in visual cortex.</a> Neuroimage. 81, 144-157 (2013).</li>
<li>Hastie, T., Tibshirani, R., Friedman, J. H. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHastie%2C+T+%22The+elements+of+statistical+learning+%3A+data+mining%2C+inference%2C+and+prediction%22">The elements of statistical learning : data mining, inference, and prediction</a>. , 2nd edn, Springer. (2009).</li>
<li>Sereno, M. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Borders+of+multiple+visual+areas+in+humans+revealed+by+functional+magnetic+resonance+imaging%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging.</a> Science. 268, 889-893 (1995).</li>
<li>Engel, S. A., Glover, G. H., Wandell, B. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Retinotopic+organization+in+human+visual+cortex+and+the+spatial+precision+of+functional+MRI%5BTitle%5D)+AND+%22Cereb+Cortex%22%5BJournal%5D)">Retinotopic organization in human visual cortex and the spatial precision of functional MRI.</a> Cereb Cortex. 7, 181-192 (1997).</li>
<li>Engel, S. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((fMRI+of+human+visual+cortex%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">fMRI of human visual cortex.</a> Nature. 369, 525(1994).</li>
<li>DeYoe, E. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+striate+and+extrastriate+visual+areas+in+human+cerebral+cortex%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Mapping striate and extrastriate visual areas in human cerebral cortex.</a> Proc Natl Acad Sci U S A. 93, 2382-2386 (1996).</li>
<li>Greene, C. A., Dumoulin, S. O., Harvey, B. M., Ress, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measurement+of+population+receptive+fields+in+human+early+visual+cortex+using+back-projection+tomography%5BTitle%5D)+AND+%22J+Vis%22%5BJournal%5D)">Measurement of population receptive fields in human early visual cortex using back-projection tomography.</a> J Vis. , (2014).</li>
<li>Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+center-surround+configurations+in+population+receptive+fields+using+fMRI%5BTitle%5D)+AND+%22J+Vis%22%5BJournal%5D)">Modeling center-surround configurations in population receptive fields using fMRI.</a> J Vis. , (2012).</li>
<li>Harvey, B. M., Dumoulin, S. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+relationship+between+cortical+magnification+factor+and+population+receptive+field+size+in+human+visual+cortex%3A+constancies+in+cortical+architecture%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">The relationship between cortical magnification factor and population receptive field size in human visual cortex: constancies in cortical architecture.</a> J Neurosci. 31, 13604-13612 (2011).</li>
<li>Haak, K. V., Cornelissen, F. W., Morland, A. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Population+receptive+field+dynamics+in+human+visual+cortex%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Population receptive field dynamics in human visual cortex.</a> PLoS One. 7, e37686(2012).</li>
</ol>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

Dieser Artikel beschreibt, wie die Topographie der visuellen Bevölkerung rezeptiven Felder im menschlichen visuellen Kortex und wie man es benutzt, um eine geeignete parametrisches Modell für die rezeptiven Feld auswählen zu schätzen. Für eine erfolgreiche Retinotopie sollte eine geeignete Stimulationsprotokoll und eine effiziente Analyseverfahren ausgewählt werden, und Versuchsparameter des Subjekts (Bewegung und Fixierung) optimiert werden. Bar Reize Ablauf eines ganzen Gesichtsfeld sind eine effiziente Anregung Parad...

Die funktionelle Magnetresonanztomographie (fMRT) misst nicht-invasiv die funktionelle Organisation des visuellen Kortex auf makroskopischer Ebene (in der Regel in der Größenordnung von Millimetern). Frühe fMRI Retinotopie Studien eine Kohärenzmaßes zwischen Reiz Lage und löste BOLD Antworten 4-7. Diese Studien in der Regel nicht zu schätzen Bevölkerung rezeptiven Feld Größe. Später, Dumoulin und Wandell 1 ein Verfahren vorgeschlagen, eine solche Beschränkung durch die explizite Modellierung der pRF Lage und Größe, mit einer linearen Funktion des Modells, das BOLD Antwort vorhersagen zu überwinden. Allerdings ist eine Beschränkung dieser bahnbrechenden Verfahren, dass die parametrische pRF Modell muss a priori gewählt werden und kann zu fehlerhaften pRF schätzt, wenn sich herausstellt, nicht angemessen. Um Einschränkungen des parametrischen pRF-Modell-Methode zu überwinden, wurden neue Methoden vor kurzem entwickelt worden. Diese Methoden direkt sagen die BOLD Antwort auf die stimulus durch die Rekonstruktion der PRF-Topographie. Ein von Greene und Kollegen vorgeschlagene Methode 8 rekonstruiert die pRF Topographie durch Rückprojektion der BOLD-Antworten auf die einzelnen 1D Reiz Flächen und den Bau der pRF Topographie in der 2D-Stimulus Raum wie ein typischer Computer-Tomographie-Technik. Andererseits ist die von uns vorgeschlagene Verfahren 2 direkt schätzt den 2D pRF Topographie unter Verwendung linearer Regression und Anlegen einer Regularisierung Technik. In diesem Verfahren wird die PRF Topographie als ein Satz von Gewichten, die durch den Stimulus, multipliziert wird, um den neuronalen Population Antwort eines gegebenen Voxels Abschätzung dargestellt. Dann wird der endgültige Sauerstoffgehalt des Blutes-Dependent (fett) Reaktion des Stimulus hervorgerufen durch Faltung des neuronalen Population Antwort und die kanonische hämodynamischen Antwortfunktion geschätzt. Um die unter beschränkte Linearsystem zu lösen, zusätzlich Firstregressions Regularisierung wird zur Kargheit durchzusetzen (siehe Abbildung 1unten). Die Regularisierung Technik unterdrückt Rauschen und Artefakte und ermöglicht unsere Methode, um die Topographie pRF robuster zu schätzen. Die topographischen Methoden nicht pRF Form zu zwingen, eine bestimmte parametrische Form haben, und kann daher die tatsächliche pRF Struktur aufzudecken. Eine geeignete parametrische Modell kann dann auf der Basis der Topographie pRF gewählt werden. Beispielsweise kann die pRF Topographie verwendet, um die pRF Center- und Surround trennen, und dann können die anschließende pRF Zentrum Modellierung genauer zu sein, mit minimalem Einfluss von Surround-Unterdrückung sowie den Einfluss von anderen potenziellen Artefakte, die sich in Bereichen entfernt, um die werden pRF Zentrum. Wir haben vor kurzem durchgeführt, einen quantitativen Vergleich zwischen unseren Verfahren und verschiedene andere Verfahren, die direkt (dh vor der Schätzung der Topographie) fit isotropen Gaußschen 1, anisotrope Gaußsche und Differenz von isotropen Gauß an die pRF 9. Es wurde, dass der topogr gefundenO S-basierte Methode besser als diese Methoden im Hinblick auf pRF Zentrum Modellierung durch das Erreichen höherer erklärte Varianz des BOLD-Signal Zeitreihen. Genaue Schätzung pRF Eigenschaften in verschiedenen Bereichen zeigt, wie sie das Sichtfeld abdecken, und ist wichtig für die Untersuchung der funktionellen Organisation des visuellen Kortex insbesondere in Bezug auf die visuelle Wahrnehmung. Eigenschaften wie, wie pRF Größenänderungen mit Exzentrizität 1,10 und pRF Surround-Center-Organisation 9 sind in der menschlichen Literatur studierte. Das vorgeschlagene Verfahren zum Schätzen der pRF Topographie führt zu genaueren pRF Parameter Modellierung und eher unbekannten Gesetzmäßigkeiten offenbaren, nicht leicht in den Direkt parametrischer Modelle modelliert a-priori. Dieser Ansatz wird besonders für das Studium pRF Organisation bei Patienten mit Sehbahnläsionen, für die pRF Struktur ist nicht unbedingt vorhersehbar a priori sein. Im Folgenden wird beschrieben, wie man schätzen, the pRF Topographie und wie man die Topographie verwenden, um die pRF Zentrum zu modellieren.

<table><tbody><tr><td>MRT-Scanner</td><td>Siemens/Philips/GE</td><td></td><td></td></tr><tr><td>MATLAB</td><td>The Mathworks, Inc.</td><td></td><td>http://www.mathworks.com&nbsp;</td></tr><tr><td>VISTA-Software</td><td>VISTA-Softwaregruppe</td><td></td><td>http://white.stanford.edu/newlm/index.php/Software</td></tr><tr><td>PsychoToolbox</td><td>PsychoToolbox&nbsp;</td><td></td><td>http://psychtoolbox.org&nbsp;</td></tr><tr><td>Eye Tracker (VisuaStimDigital)</td><td>Resonance Technology Inc</td><td></td><td>http://mrivideo.com/</td></tr></tbody></table>

topographische schätzung von visual bevölkerung rezeptiven felder von fmri

Topographical Estimation of Visual Population Receptive Fields by fMRI

Sehrinde wird retinotop organisiert, so dass benachbarte Populationen von Zellen abzubilden, um benachbarte Teile des Gesichtsfeldes. Funktionelle Magnetresonanz-Bildgebung ermöglicht uns voxelbasierten Population rezeptiven Felder (PRF), dh zu schätzen, der Teil des Sichtfeldes, die die Zellen innerhalb jedes Voxel aktiviert. Vor, direkt, pRF Schätzmethoden 1 leiden unter gewissen Einschränkungen: 1) die pRF Modell ist a priori gewählt und können die tatsächlichen pRF Form nicht vollständig zu erfassen, und 2) pRF Zentren sind anfällig für Fehllokalisation der Nähe der Grenze des Stimulus Raum. Hier eine neue topographische pRF Schätzmethode 2 wird vorgeschlagen, die weitgehend umgeht diese Einschränkungen. Ein lineares Modell verwendet, um den Blutsauerstoffpegel-abhängiger (BOLD) Signal durch Faltung des linearen Antwort des pRF zur visuellen Stimulus mit der kanonischen hämodynamischen Antwortfunktion vorherzusagen. PRF Topographie wird als Gewichtsvektor, dessen Komponenten die str vertretenength der Gesamtreaktion der Voxel-Neuronen zu unterschiedlichen Gesichtsfeld Standorten präsentiert Reize. Die daraus resultierenden linearen Gleichungen können für die pRF Gewichtsvektor mit Firstregressions 3, was das pRF Topographie gelöst werden. Ein pRF Modell, das dem geschätzten Topographie angepassten können dann Post-hoc gewählt werden, so die Schätzungen der pRF Parameter wie pRF Stadtlage, pRF Ausrichtung, Größe, etc. zu verbessern. Mit der pRF Topographie vorhanden ermöglicht auch die visuelle Überprüfung der pRF Parameterschätzungen ermöglicht die Extraktion von verschiedenen pRF Eigenschaften, ohne a priori Annahmen über die pRF Struktur zu machen. Dieser Ansatz verspricht besonders nützlich für die Untersuchung der pRF Organisation von Patienten mit Störungen des visuellen Systems zu sein.

Genaue pRF Modellierung erfordert korrekt erfassen pRF Formen. Ohne Kenntnis der pRF Topographie, die Auswahl der kreissymmetrische Modelle in früheren Studien verwendet 1,9-11 ist eine vernünftige Wahl. Dies ist, weil, wenn die lokale retinotopic Organisation ist in allen Richtungen des Gesichtsfeldes homogen, könnte eine lokale Bevölkerung Antwort als eine kreissymmetrische kumulativen Summe von neuronalen Antworten dargestellt werden. Jedoch haben unsere Beobachtungen zeigen, dass dies nicht unbedingt der ...

Es ist wichtig, unverzerrte Schätzungen der rezeptiven Felder (pRFs) der Sehpopulation durch funktionelle Magnetresonanztomographie zu erhalten. Wir verwenden milde Regularisierungsbeschränkungen, um die pRF-Topographie ohne a-priori Annahmen über die pRF-Form zu schätzen, was uns ermöglicht, spezifische pRF-Modelle post-hoc auszuwählen. Dies ist besonders vorteilhaft bei Patienten mit Läsionen der Sehbahn.

Topographische Schätzung von Visual Bevölkerung rezeptiven Felder von fMRI

Visual cortex is retinotopically organized so that neighboring populations of cells map to neighboring parts of the visual field. Functional magnetic ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, die rezeptiven Felder der visuellen Population genau zu schätzen. Dies wird erreicht, indem zunächst effektive und effiziente visuelle Reize vorbereitet werden, die im visuellen Raum lokalisiert sind, um eine ausgeprägte und robuste Reaktion hervorzurufen. Der zweite Schritt besteht darin, die funktionelle Gehirnaktivität mit hoher visueller Aufmerksamkeit und minimalen Bewegungen von Auge und Kopf abzubilden.Der letzte Schritt besteht darin, die erfassten Daten vorzuverarbeiten. Letztendlich ergibt die Anwendung einer vorgeschlagenen Methode zur Modellierung der FMRI-Signalantwort auf visuellen Reiz die Topographie der visuellen Population, des rezeptiven Feldes und seines Modells. Der Hauptvorteil dieser Methode gegenüber bestehenden Methoden wie der Direktanpassungsmethode besteht darin, dass unsere Methode, die im Allgemeinen ein vorheriges PRF-Modell erfordert, ausgewählt wurde, um ein Stimulusprotokoll zu erstellen, das bei der Auslösung eines zuverlässigen Netzhautthemas wirksam ist.Die visuelle Reaktion: Der erste vorhandene Balkenstimulus, der sequenziell in 45-Grad-Schritten über den Bildschirm in acht Richtungen driftet, stellt sicher, dass die Bewegung synchron mit der Scanner-Frame-Erfassung ist, sodass sich der Balken einen Schritt bewegt. Sobald ein FMRI-Frame gestartet wird, verbleibt er an der neuen Position, bis der Frame endet. Um ein Sichtfeld im Blickwinkel zu definieren, über das der Stimulus präsentiert wird, präsentieren Sie die sich bewegenden oder flackernden Schachbrettmuster innerhalb des Balkens, um starke visuelle Reaktionen hervorzurufen.Geben Sie dann die spezifischen Parameter so ein, dass es acht gleichmäßig verteilte Bewegungsrichtungen gibt und sich die Balken pro Frame um die Hälfte des Balkens mit bewegen. Scannen Sie als Nächstes das Gehirn eines Probanden in einem MRT-Scanner mit einem typischen Echoplaner-Bildgebungsscan, der eine Bilddauer von 192 Bildern mit 24 Bildern in jeder Bewegungsrichtung hat. Wiederholen Sie die Scans vier- bis achtmal, um das Signal-Rausch-Verhältnis zu erhöhen.Legen Sie anschließend die Parameter für die EPI-Sequenz fest. Alle Verfahren werden mit der MATLAB-basierten Software-Toolbox Vista Lab durchgeführt, die auf der Vista-Software-Website verfügbar ist, bevor die PRF-Eigenschaften geschätzt werden. Es sind mehrere typische Schritte zur Vorverarbeitung von FMRI-Daten erforderlich, wie z. B. die Korrektur der Kopfbewegung und die Ausrichtung der Funktionsvolumina auf den anatomischen Scan.Laden Sie die Codedateien aus dem Internet herunter, extrahieren Sie die komprimierten Dateien, und platzieren Sie sie an einem bevorzugten Speicherort auf dem lokalen Computer. Fügen Sie dann einen Pfad zum Ordner in matlab hinzu. Stellen Sie als Nächstes die Stimulusparameter mithilfe des Experiments ein, indem Sie Mr.Vista auswählen.Dann die Analyse, dann das Netzhaut-Themenmodell, gefolgt von den eingestellten Parametern. Geben Sie die Parameter wie die Stimulusbilder, die Stimulusgröße, die kanonische hämodynamische Funktion und die Bildrate des FMRI-Scanners vor der PRF-Schätzung an. Bereiten Sie die anfänglichen Parametersätze vor, indem Sie die Kreuzvalidierungssätze in TPRF festlegen.Legen Sie paras M aus den Codedateien fest. Teilen Sie dann die Zeitreihe in mindestens zwei Teilmengen auf, die lang genug sind, damit der Balken den gesamten Stimulusraum durchdringen kann. Alternativ können Sie die Scans ohne Mittelwertbildung validieren, indem Sie einen Scan zu Testzwecken auslassen und die restlichen Scans für das Training verwenden.Geben Sie als Nächstes einen Kursparametersatz ein. Legen Sie anschließend einen feinen Skalenbereich fest und legen Sie einen Schwellenwert für die erläuterte Varianz fest, z. B. 0,2 für visuell ansprechende Voxel. Dieser Schwellenwert wird als Referenz für die Auswahl visuell ansprechender Voxel verwendet.Geben Sie dann einen Satz von Schwellenwerten für die Definition des PRF-Mittelbereichs in der normalisierten Topografie in der Datei ein. Führen Sie als Nächstes die Datei aus, um die PRF-Topographie zu berechnen und A 2D und isotropes Gian anzupassen. Nachdem Sie alle in diesem Protokoll beschriebenen Parameter angegeben und den Code ausgeführt haben, erhalten Sie die endgültigen Schätzergebnisse.Hier ist eine typische PRF-Topographie. In der Topographie. Die rote Farbe zeigt den reaktionsfreudigsten Bereich an, der das PRF-Zentrum zeigt, das auf dem mittleren rechten horizontalen Meridian in der PRF-Topographie liegt. Es werden manchmal Muster des Balkens in der PRF-Zentrumsstruktur mit geringen Gewichten beobachtet.Sie lassen sich im hier gezeigten Schwellenwertschritt leicht eliminieren. Als Vergleich zwischen einer vorherigen Methode und dem topographiebasierten PRF-Zentrumsmodell wird der entsprechende Prozentsatz der erklärten Varianz über jedem Modell angezeigt. In dieser Studie zeigen T-Modelle in allen Beispielen eine höhere erklärte Varianz mit einer genaueren PRF-Form.Diese Abbildung zeigt die Exzentrizitäts- und Polarwinkelkarten der linken Hemisphäre eines Motivs, und hier ist eine Beziehung zwischen PRF-Größe und Exzentrizität. Die PRF-Größe nimmt mit der Exzentrizität in den visuellen Bereichen V um eins bis drei zu. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie empfängliche Felder der visuellen Population in FMRI geschätzt werden.

topographical-estimation-of-visual-population-receptive-fields-by-fmri

Research

Forschung

JoVE Journal

Behavior

Verhalten

Dieser Artikel beschreibt Techniken zur hochauflösenden funktionellen Kernspintomografie mit 1,2 mm Probenahme in der menschlichen Mittelhirn und subkortikalen Strukturen mit einem 3T Scanner durchführen. Die Verwendung dieser Techniken, um topographische Karten der visuellen Stimulation in der menschlichen Colliculus superior (SC) zu lösen ist als ein Beispiel gegeben.

Hochauflösende Functional Magnetic Resonance Imaging Methods for Human Mittelhirn

Wir beschreiben einen neuartigen Ansatz für die gleichzeitige Analyse der Struktur und Funktion des Gehirns unter Verwendung der Kernspintomographie (MRI). Wir beurteilen Hirnstruktur mit hochauflösenden Diffusions-gewichteten Bildgebung und der weißen Substanz Faser Traktographie. Im Gegensatz zu Standard strukturelle MRT, ermöglichen diese Techniken uns direkt betreffen anatomischen Konnektivität zu funktionellen Eigenschaften des Gehirns Netzwerke.

Co-Analyse von Hirnstruktur und-funktion mittels fMRT und Diffusionsgewichtete Imaging

Quelle: Galenchik-Chan, A., et al{. Funktionelle Magnetresonanztomographie (fMRT) des visuellen Kortex mit Wide-View-retinotopischer Stimulation. J. Vis. Exp. (2023).  Das Video zeigt die funktionelle Magnetresonanztomographie (fMRT) des visuellen Kortex, um die Aktivität basierend auf der Sauerstoffversorgung des Blutes abzubilden. Als anatomische Referenz werden strukturelle MRT-Bilder aufgenommen, gefolgt von fMRT-Scans. Visuelle Reize werden angezeigt, um retinotopische Neuronen im...

Blutsauerstoffgehalt-abhängige funktionelle Magnetresonanztomographie des visuellen Kortex

Wir stellen eine Methode vor, um funktionelle Gehirnaktivität, die während einer naturalistischen Aufgabe mit fNIRS aufgezeichnet wurde, mit der während der fMRT aufgezeichneten Aktivität zu vergleichen.

fMRI Validierung fNIRS Messungen während einer naturalistischen Aufgaben

Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.

Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging

Ein detailliertes Protokoll, Objekt Selektivität der Parieto-Frontal Neuronen beteiligt antwortauslösung Transformationen zu analysieren wird vorgestellt.

Untersuchung von Objekt-Vertretungen in den Makaken dorsalen Visual Stream mit Monoblock-Aufnahmen

In diesem Artikel wird beschrieben, wie Sie ein Experiment einrichten, das es ermöglicht, Einflüsse auf die Objektwahrnehmung mithilfe der Magnetoenzephalographie (MEG) auf Quellenebene zu erkennen. Es umfasst Stimulusmaterial, experimentelles Design, MEG-Aufzeichnung und Datenanalyse.

Erkennung von Vor-Stimulus-Source-Level-Effekten auf die Objektwahrnehmung mit Magnetoenzephalographie

Wir stellen eine Methode zur gleichzeitigen Erfassung von fMRT- und fNIRS-Signalen von denselben Probanden mit Ganzkopf-fNIRS-Abdeckung vor. Das Protokoll wurde mit drei jungen Erwachsenen getestet und kann für die Datenerhebung für Entwicklungsstudien und klinische Populationen angepasst werden.

Gleichzeitige Datenerfassung von fMRT- und fNIRS-Messungen unter Verwendung eines Ganzkopf-Optodenarrays und Kurzstreckenkanälen

Wir haben Techniken entwickelt, um die Funktion des visuellen Kortex abzubilden und dabei mehr vom Gesichtsfeld zu nutzen, als üblicherweise verwendet wird. Dieser Ansatz hat das Potenzial, die Beurteilung von Sehstörungen und Augenerkrankungen zu verbessern.

Funktionelle Magnetresonanztomographie (fMRT) der Sehrinde mit retinotopischer Stimulation

Dieser Artikel zeigt ein optimiertes Verfahren zur Abbildung der neuronalen Substrate der auditiven Stimulation im Gehirn mit Hilfe der funktionellen Singvogel Magnetic Resonance Imaging (fMRI). Es beschreibt die Herstellung der akustischen Stimuli, die Positionierung des Motivs und der Erwerb und die anschließende Analyse der fMRI-Daten.

Functional Magnetic Resonance Imaging (fMRI) mit Auditive Stimulation in Singvögel

Erfahren Sie die topographische Schätzung visueller Population rezeptiver Felder mittels fMRI. Diese Methode ermöglicht unvoreingenommene pRF-Schätzungen ohne Annahmen zur Form und ist besonders für Patienten mit visuellen Bahnläsionen geeignet.

Topographische Schätzung von Visual Bevölkerung rezeptiven Felder von fMRI

Weitere Videos entdecken