Name: Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen (Video) | JoVE Journal
Uploaded: 2019-03-21T13:30:00.000+00:00
Duration: 8 min 36 s
Description: Erfahren Sie, wie dynamische funktionelle Konnektivität mit fMRI und inter-subjektiver funktioneller Korrelation (ISFC) analysiert wird. Diese Methode ermöglicht den Vergleich von Hirnaktivitätsmustern zwischen gesunden Probanden und Patienten mit neuropsychiatrischen Erkrankungen wie Autismus und Schizophrenie.

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

Diese Arbeit wurde teilweise durch jede der folgenden unterstützt: der Swiss National Science Foundation (Grant Nummer 205321_163376 zu soll), die Bertarelli Foundation (TB und soll), das Zentrum für biomedizinische Bildgebung (CIBM) und der nationalen Agentur für Forschung ( Tempofront Grant-Nummer 04701, ALG). Die Autoren Roberto Martuzzi und Giulia Preti danken für ihren Beitrag zu den Videoinhalt dieser Arbeit als bzw. MRI Betreiber und freiwilligen gescannt.

Die Autoren haben nichts preisgeben.

Auf ein Dataset mit gesunden Probanden wir gezeigt wie synchrone fächerübergreifenden erhöht und sinkt im FC, die Transienten ISFC würde zeitlich lokalisierte Film Hinweise, Bereitstellung von Informationen, die über eine statische Beschreibung hinausgeht übereinstimmen. Obwohl die Verwendung von fächerübergreifenden Korrelation ermöglicht die Analyse auf funktionale Rekonfigurationen Reiz getrieben konzentrieren misst, muss auch man sich bewusst, dass es die Erkenntnisse zu den Auswirkungen begrenzt, die in der untersuchten Bevölkerung geteilt werden: daher Low-Level- sensorischen Verarbeitung wird voraussichtlich überrepräsentiert im Vergleich zum frontalen Verarbeitung40. Um diese Einschränkung zu umgehen, werden neue Methoden, die haben auch die Möglichkeit, die Regionen zu extrahieren, die am stärksten über Themen variieren entwickelten41.
Eine weitere Einschränkung von der eingeführten Methode ergibt sich aus der Schiebefenster Aspekt, wie zeitlicher Auflösung ISFC vorübergehende Zeit Kurse im Vergleich zu frame-wise Ansätze15gesenkt wird. Wie wir gezeigt haben, braucht man ein Trade-off zwischen einer ausreichend niedrigen Fensterlänge, dynamische ISFC Rekonfigurationen richtig zu lösen, und groß genug, robuste erhalten schätzt. Zwei wichtige Schritte in unserem Rahmen sicherstellen, dass die extrahierten ISFC Transienten in Verbindung wirklich auftretenden Änderungen: Erstens die Hochpass-Filterung der regionalen Zeit Kurse mit der inversen der Fenster Länge32; Zweitens die Verwendung von ruhenden Zustand ISFC Daten zur Erzeugung einer entsprechenden null Distribution mit identischen Aufnahmeparameter im Vergleich zu den Reiz-bezogenen Daten. Natürlich erfordert Letzteres auch eine längere globale Erfassungszeit damit ruhen Zustandsdaten über Stimulus-bezogene Sitzungen gesammelt werden können. Als ein alternativer Ansatz, die zusätzliche ruhenden Zustand Aufnahmen zu vermeiden bieten wir auch die Möglichkeit, randomisierte Phase-Daten direkt aus der Stimulus-bezogene Zeit Kurse, generieren eine Vorgehensweise in dynamischen funktionelle Verknüpfung Analysen 23 , 24. weitere Auswertung auf eine Teilmenge der Sitzungen ergab, dass zwar die ruhenden Zustand null Methode eher konservativ ist, und somit weniger anfällig für Fehlalarme, die globale Muster der ISFC Ausflug Erkennung ähnlich in beiden Systemen (siehe waren Zusätzliche Abbildung 5).
<img alt="Supplementary Figure 5" src="/files/ftp_upload/59083/59083sfig5.jpg"> Ergänzende Abbildung 5: Erkennung von ISFC Exkursionen durch null-Daten Generation Methoden. Für Ruhe-Zustand (linke Spalte, blaue Flächen) oder Phase Randomisierung (rechte Spalte, rote Grundstücke) null-Daten Generation Methoden, Prozentsatz der ISFC Ausflüge über Verbindungen extrahiert. Die unteren Parzellen sind ein Einschub für die Verbindungen, die aus den ersten drei betrachteten Gehirnregionen. Fehler darstellt Standardabweichung über Themen. <a href="https://www.jove.com/files/ftp_upload/59083/59083sfig5large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
Die Dauer der ruhenden Zustand übernahmen bezieht sich eigentlich auf ein kritischer Parameter der Analysen: der α-Wert. Wie oben veranschaulicht, wird zu einer großen Menge von false Positives in der erkannten ISFC Transienten zu nachsichtige Wahl führen. Je größer die Datenmenge zur Verfügung ruhenden Zustand, desto strenger die erreichbare falsche positiv bewerten, weil Schnittstellenüberwachung mehr Extremwerte aus der null-Distribution basieren kann. Als Anhaltspunkt für n = 299 Atlas Regionen wie hier und da unsere Tally 5.762 ruhenden Zustand Datenpunkte, wir könnten bestenfalls einen α-Wert in der Nähe von 0,01 % erreichen (siehe Schritt 5.2.6 für die mathematischen Details).
Ein weiterer wichtiger Punkt im Zusammenhang mit einer fMRT-Analyse liegt in der strengen Entfernung möglich Bewegung im Zusammenhang mit Artefakten aus der analysierten Daten30,42. Insbesondere, wenn eine eingeführte Rohrleitung zum erkrankten Bevölkerungen ausstellen markiert Bewegung im Scanner anwenden möchte, empfehlen wir auf Bewegung Variablen als Kovariaten in den durchgeführten statistischen Analysen, einschließlich weitere Vorverarbeitung Schritte ausgeführt werden, z. B. Wavelet denoising43 oder ICA-AROMA-44. Vergleich, zum Beispiel zu gruppieren um ISFC Transienten zwischen einer gesunden und erkrankten Gruppe zu vergleichen, kann leicht durch die beschriebene Vorgehensweise auf beide Gruppen von Interesse (siehe Bolton Et Al.25 ein Beispiel für eine Bevölkerung diagnostiziert parallel laufende durchgeführt werden mit Autismus-Spektrum-Störungen). Ein Unterschied zwischen den Gruppen kann in zwei unterschiedliche Einstellungen dann auftreten: (1) ein abwesend ISFC ändern in einer Gruppe, oder (2) ein heterogener Evolution in dieser Gruppe. Um diese beiden Faktoren zu entwirren, sollte die Pipeline noch einmal für die erkrankten Gruppe, mit der gesunden Probanden gesetzt als die Referenzgruppe beim bootstrapping Schritt ausgeführt werden. Erstere würde noch an einer abwesenden Reaktion führen, während letzteres nicht würde.
Über was wir hier beschrieben haben, eröffnet die vorgestellte Methodik auch vielversprechende zukünftige Wege: von einer analytischen Seite ISFC transiente Karten als Gehirn Graphen aus welche Metriken Quantifizierung Gehirn Konnektivität abgeleiteten45 könnte, angesehen werden könnte oder dynamische ISFC Staaten könnte durch clustering Ansätze extrahiert und hinsichtlich ihrer räumlichen und zeitlichen Eigenschaften17,46bewertet werden. Darüber hinaus könnte man auch die Verwendung von anspruchsvolleren Konnektivität Mess-Tools als Pearsons Korrelationskoeffizient Reveal subtilere Seiten des FC47,48vorstellen.
Von der experimentellen Seite die Anwendung unserer Pipeline auf einen erweiterten Satz von Paradigmen ist eine vielversprechende Perspektive: z. B. statt eines Films wie hier studiert man könnten sich vorstellen, um ein Stück Musik49 oder eine Erzählung Geschichte13, verwenden 50 als Anregung mal gesperrt. Alternativ könnte es sogar, durch Hyperscanning51, vorgesehen werden, um naturalistische Sozialkommunikation52,53zu erforschen.

Funktionelle Kernspintomographie (fMRI) ist das Werkzeug der Wahl, um nicht-invasiv die Änderungen in der Aktivität des Gehirns infolge externer Stimulation überwachen geworden. Genauer gesagt, hat lebhaftes Interesse über das Verständnis des statistische Wechselbeziehung zwischen regionalen Aktivierung Zeit Kurse, bekannt als funktionelle Verknüpfung (FC)1 und in der Regel als Pearson Korrelation berechnet entstanden. Koeffizienten. Funktionale Zusammenhänge über das Gehirn wurden ausgiebig gezeigt, in Abhängigkeit von der zugrunde liegenden Aufgabe2,3,4neu konfigurieren.
Zwei analytischen Richtungen separat jenseits dieser einleitenden Charakterisierung eingehalten wurden: auf der einen Seite die Antwort in einer bestimmten Hirnregion induziert durch einen Reiz mal gesperrt wurde beobachtet, um über verschiedene Themen5 stark korrelieren . Quantifizierung dieses Inter Thema Korrelation (ISC) zeigte Potenzial, unser Verständnis von Kognition6,7,8,9 und Gehirn Störungen10,11 verfeinern . Darüber hinaus erstreckte sich dieser fächerübergreifenden correlational Ansatz auch für die Beurteilung der überregionalen Synchronizität12, was als Inter Thema funktionale Zusammenhang (ISFC) Ansatz13bekannt wurde.
Auf der anderen Seite das dynamische Aroma des FC Rekonfigurationen begann, erhöhte Aufmerksamkeit zu empfangen (siehe Hutchison Et Al.14, Preti, Bolton und Van De Ville15, Gonzales-Castillo und Bandettini16 für aktuelle Bewertungen auf der Ruhe-Zustand und Task-basierte Seiten dieser Frage). Insbesondere können ganze Gehirn FC Änderungen im Laufe der Zeit durch aufeinander folgende Korrelation Messungen über eine schrittweise verschoben zeitliche Unterfenster17,18, offenbart zusätzliche Erkenntnisse im Zusammenhang mit Verhaltensstörungen Aufgaben verfolgt 19,20.
Hier präsentieren wir Ihnen einen methodischen Rahmen, der diese zwei Möglichkeiten kombiniert. In der Tat, berechnen wir ISFC in Schiebefenster Mode, die Entwicklung des überregionalen Synchronität zwischen den Themen ausgesetzt, ein Mal gesperrt, naturalistische Paradigma zu verfolgen. Durch die fächerübergreifende Aspekt der Methode sind Analysen auf Reiz-gesteuerte Effekte konzentrieren, während spontane fMRI-Änderungen (die unkorrelierte über Themen) stark gedämpft werden. Dies ist wichtig, weil Ruhe-Zustand und Aufgabe-evozierten Aktivitätsmuster zunehmend verstanden werden, durch unterschiedliche Eigenschaften21,22charakterisiert werden.
Für die dynamische Komponente der Methode ermöglicht es eine vollständige und genaue Charakterisierung der Aufgabe Reize, insbesondere dann, wenn eine naturalistische Paradigma, in denen eine vielfältige Reihe von Cues (auditiv, visuell, soziale usw.) kombiniert werden, im Laufe der Zeit, zu sondieren. Weiter, wie die solide statistische Auswertung der erheblichen dynamischen Schwankungen heiß diskutiertes23,24, nimmt unser Ansatz besondere Pflege dieser Aspekt der Analysen durch die Isolierung ISFC Veränderungen durch im Vergleich zu entsprechenden null-Daten.
Wir veranschaulichen die Methode auf eine Reihe von gesunden Probanden ausgesetzt auf einen Audio-visuellen Film Reiz, bei dem wir zeigen, dass die zeitliche und räumliche ISFC ändern Profile aus lokalisierten Film, den Sub-Intervalle genau extrahiert werden können. Dabei beschreiben wir auch den Einfluss der wichtigsten analytischen Parameter, die vom Benutzer ausgewählt werden. Die dargestellten Ergebnisse basieren auf Teil der früher veröffentlichten Daten25,26.

<table><tbody><tr><td>Freesurfer Version 6.0</td><td>Laboratory for Computational Neuroimaging, Martinos Center for Biomedical Imaging, Boston (MA), USA</td><td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>Eine MATLAB-kompatible Toolbox, die es ermöglicht, verschiedene Verarbeitungs-, Visualisierungs- und Analyseschritte an funktionellen Magnetresonanztomographie-Daten</td></tr><tr><td>durchzuführen MATLAB_R2017a</td><td>MathWorks</td><td>https://ch.mathworks.com/downloads/</td><td>Arbeitsversion der MATLAB-Rechensoftware (Version 2014a oder höher sollte verwendet werden)</td></tr><tr><td>Statistical Parametric Mapping Version 12.0 (SPM12)</td><td>Wellcome Trust Center for Neuroimaging, University College London, London, UK</td><td>https://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Eine MATLAB-kompatible Toolbox, die es ermöglicht, statistische Analysen von funktionellen Magnetresonanztomographie-Daten durchzuführen</td></tr><tr><td>Tim-Trio 3 T MRT-Scanner</td><td>Siemens</td><td>https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim</td><td>Magnetresonanztomograph, bei dem die funktionelle Hirnaktivität der Probanden aufgezeichnet wird (bei 3 T)</td></tr></tbody></table>

dynamische inter thema funktionelle verknüpfung zeigt moment zum gehirn netzwerkkonfigurationen angetrieben durch kontinuierliche oder kommunikation paradigmen

Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms

Funktionelle Kernspintomographie aufgabenbasierte trägt großes Potenzial zu verstehen, wie unser Gehirn auf verschiedene Arten der Stimulation reagiert; jedoch dies wird oft ohne Rücksicht auf den dynamischen Aspekt der funktionale Verarbeitung und analytische Ausgänge entfallen in der Regel zusammengeführten Einflüsse von Task-gesteuerte Effekte und zugrunde liegenden spontanen Fluktuationen der Hirnaktivität. Hier stellen wir eine neuartige methodische Pipeline, die über diese Grenzen gehen kann: die Verwendung von ein Schiebefenster analytische Schema ermöglicht Tracking von funktionalen Veränderungen im Laufe der Zeit und durch fächerübergreifende correlational Messungen, kann des Ansatzes isolieren Sie rein Stimulus-bezogene Effekte. Dank eines strengen Schnittstellenüberwachung können Veränderungen im Inter unterliegt funktionalen Zusammenhang extrahiert und analysiert werden.
Auf eine Reihe von gesunden Probanden, die eine naturalistische audiovisuelle Stimulation, zeigen wir die Nützlichkeit des Ansatzes durch die Kopplung entwirrt funktionale Neukonfigurationen, besondere Hinweise des Films. Wir zeigen, wie, durch unsere Methode, man kann entweder einen zeitlichen Verlauf der Aktivität des Gehirns (die Evolution einer bestimmten Verbindung) zu erfassen, oder konzentrieren sich auf eine räumliche Momentaufnahme zu einem wichtigen Zeitpunkt. Wir bieten eine öffentlich verfügbare Version die gesamte Pipeline und seine Verwendung und den Einfluss der wichtigsten Parameter Schritt für Schritt beschreiben.

Wir hielten hier, n = 15 in der Regel entwickelnde (TD) Themen für wen wir schriftliche, informierte Zustimmung eingeholt. Alle waren Rechtshänder Männchen (23.42 ± 7,8 Jahre alt). Das gewählte Paradigma war eine audiovisuelle wissenschaftlichen Dokumentarfilm für Kinder und Jugendliche über die Gefahren der Sonne ausgesetzt. Es enthält eine große Auswahl an visuellen, auditiven und soziale Reize und https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-studybeobachten kann.
Wir erwarben zwei Sitzungen pro Fach (Lauf1 und Lauf2) in der bewertete Film wurde von 5 auf 353 angezeigt s (5,8 min Dauer). Einem ruhenden Zustand-Segment auch gefolgt von 386 bis 678 s (4,9 min. Dauer). Darüber hinaus wurde eine ausschließlich ruhenden Zustand Sitzung (Lauf3) für jedes Fach (mit Ausnahme einer, die unter Klaustrophobie leiden) erworben, dauerhafte 310 s (5,2 min). Beispiel-Filmszenen und das Timing der erfassten Daten werden in Abbildung 1Azusammengefasst. Wichtig ist, war die Übernahme-Protokoll nicht optimal im Sinne dieser ruhenden Zustand Aufnahmen erworben, nachdem Film Exposition möglicherweise teilweise beschädigt durch Spillover-Effekte-27; Wir stellen diese Daten auf die vorliegenden Ergebnisse haben eine befriedigende Menge an Proben für statistische Schnittstellenüberwachung verwenden, aber dies sollte möglichst vermieden werden.
Wir ausgeschlossen alle Sitzungen für die mehr als 10 % der Frames wurden geschrubbt, bei einem Schwellenwert von 0,5 mm und als Parcellation von Craddock Et Al.34 (zeitliche Korrelation Zweiebenen-Algorithmus), regionale Zeit Kurse, für eine Gesamtmenge von 299 zu generieren verschiedenen Gehirnregionen.
(1) die Filme subparts RUN1 und Lauf2, (2) die ruhenden Zustand Unterteile von Lauf1 und Lauf2und (3) die ruhenden Zustand RUN3 Aufnahmen war ISFC getrennt berechnet. Wir verwendeten eine Fensterlänge W = 10 TR für die wichtigsten Ergebnisse vorgestellt und vergleichen Sie diese mit einem niedrigeren Wert von W = 5 TR Schrittgröße immer blieb gleich 1 tr. Replikationsverwaltungs wurde über 250 Falten durchgeführt, einschließlich 6 Sitzung in jeder Referenzgruppe Segmente.
Abbildung 1 b zeigt ISFC Zeit Kurse generiert bei W = 10 TR und W = 5 TR für drei verschiedene repräsentative Verbindungen: Anschluss 1 beteiligt links unterlegen parietalen Region im Zusammenhang mit der Erwartung von sich bewegenden Objekten (MNI Koordinaten: 41,9,32)35 , und ein Recht Kiemendeckel Stirnfläche mit Reaktion Hemmung (-34,-52,45)36. Diese letztgenannte Region war auch in Anschlüsse 2 und 3, jeweils mit einer Fläche in sensorische Koordination (54,6,34)37verwickelt, und man an der Verarbeitung der Bedeutung der Worte (6,62,9)38gebunden verwickelt.
Ein Vergleich über Fenster Längen zeigt, dass in der W = 5 TR-Einstellung, zeitliche Varianz in den Fächern ist insgesamt größer in beiden Filme und ausruhen-State Segment Fällen im Vergleich zu W = 10 TR, ein bekanntes Phänomen in Schiebefenster Analysen39. Für Verbindung 1, unabhängig von der Fensterlänge, eine lokalisierte Subpart der Film Aufnahme (bei rund 55 s) zeigt eine starke, synchronisierte ISFC erhöhen über Themen, die überschreitet weitgehend des Wertebereichs bei ruhenden Zustand übernommen. Also erwarten wir diese zeitliche Subpart als eine bedeutende ISFC Transienten mit unserer Schnittstellenüberwachung Methode erfassen.
Für den Anschluss 2, beobachten wir ähnliche zeitliche Dynamik, aber für W = 5 TR, die Erhöhung wird weniger leicht, im Vergleich zu ruhen-State Zeit Kurse, aufgrund der größeren Schiebefenster Methodik im Zusammenhang mit Lärm zu entwirren. Anschluss 3 es spiegelt einen Fall, in dem gibt es keine klare Antwort auf den Film, und so die Schwankungen von Filme und ruhenden Zustand Mal Kurse sind ähnlich. Das erwartete Ergebnis in diesem analytischen Stadium ist eine Mischung zwischen Verbindungen, die klare Stimulus-induzierte Rekonfigurationen zeigen und Verbindungen, die nicht reagieren.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59083/59083fig1.jpg"> Abbildung 1: Erwerb Timing und Beispiel ISFC Zeit Kurse. (A) den Film sah durch die Themen involviert eine breite Palette von sozialen Situationen (Beispiel Bild 1 und 4), wissenschaftliche Erklärungen mit bunten Platten (Beispielbilder 2 und 5) und Landschaft Landschaften (Beispielbild 3). Drei Sitzungen pro Fach erworben wurden: zwei (Lauf1 und2laufen) enthalten die Film-Stimulation (von 5 bis 353 s, grün markiert) gefolgt von einer ruhenden Zustand-Periode (von 386, 678 s, in gelber Schrift angezeigt), während eine (Lauf3) ausschließlich bestand in einer ruhenden Zustand Aufnahme (310 s Dauer, in Orange angezeigt). (B) für drei indikative Verbindungen (C1, C2 und C3, bzw. dunkel grün/rot, hell grün/Orange und Türkis/gelb-Spuren), Entwicklung von ISFC im Laufe der Zeit während der Filme (kalte Farben) oder Ruhe-Zustand (warme Farben). Für W = 10 TR (linken), Filme ISFC ändert mehr weitgehend Stand, im Vergleich zu W = 5 TR (rechte Abbildung). Jede Spur spiegelt den ISFC zeitlichen Verlauf einer Sitzung. Diese Zahl wurde teilweise von Bolton Et Al.25geändert. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig1large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
Abbildung 2A zeigt die Ergebnisse nach statistischen Schnittstellenüberwachung ISFC Zeit Kurse, für die gleichen drei Anschlüsse wie oben beschrieben. Ein Zeitpunkt Kurs Wert von 1 bedeutet, dass alle Fächer die gleiche ISFC unterzog sich zu erhöhen, gleichzeitig; ein Wert von 0 bedeutet, dass kein Thema eine bedeutende ISFC erfuhr; der Wert-1 entspricht einem synchronen ISFC Rückgang in allen Fächern. Wie zuvor, wir dagegen W = 5 TR und W = 10 TR, und wir betonen auch zwei Fälle der α-Wert: α = 0,01 % und α = 5 %.
Passend zu den obigen Beobachtungen, reduziert eine niedrigere Fensterlänge der extrahierten ISFC Veränderungen. Für Verbindung 1, beide W = 5 TR und W = 10 TR, extrahieren jedoch die gleichen Augenblick (t = 55 s) als zeigt einen starken Anstieg der ISFC. Unter einer hämodynamischen Verzögerung von ca. 5 s zu berücksichtigen, dies entspricht einem Abschnitt des Films als farbige Linien in Richtung einer Puppe erweitern wurden und abrupt nur davor (46-49 s), mit der Rolle der beteiligten Regionen gestoppt in bewegten Objekt passend Erwartung und Reaktion zu Hemmung35,36.
Wenn α von 0,01 % auf 5 % zu erhöhen, kann man eine viel geringere Spezifität der erkannten ISFC Transienten, wahrscheinlich auch viele Fehlalarme und erwartungsgemäß zeigt viel weniger zeitliche Synchronität beobachten.
Als eine weitere Perspektive, die auf den Daten festgelegt werden kann, Abbildung 2 b zeigt die gesamte-räumliche Gehirnkarten ISFC Veränderungen bei t = 55 s. Es ist ersichtlich, dass die Antwort auf die Filmszene erstreckt sich weit über die hier beschriebenen Beispiel-Verbindungen.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59083/59083fig2.jpg"> Abbildung 2: zeitliche und räumliche Schnappschüße ISFC Muster. (A) ISFC vorübergehende Zeit Kurse, gemittelt über Themen, für drei indikative Verbindungen (C1, C2 und C3, bzw. dunkel grün, grün und Türkis Spuren). Die Filmszene, die die ISFC Änderungen fuhr ist hellgrau hervorgehoben und von Beispielbildern dargestellt. Für W = 10 TR (linke Spalte der Grundstücke), ISFC Veränderungen erkannt werden stärker als für W = 5 TR (rechte Spalte von Grundstücken). Für α = 0,01 % (obere Reihe von Grundstücken), Spezifität, lokalisierte Film Cues ist größer als für α = 5 % (untere Reihe von Grundstücken). Jede Spur spiegelt den ISFC transiente zeitlichen Verlauf einer Sitzung und der zweiseitigen 95 %-Konfidenzintervalle sind als Fehlermaß angezeigt. (B) für W = 10 TR und α = 0,01 %, gibt es ein ordentliches, eingeschränktes räumliches Muster ISFC Transienten bei t = 55 s (der ISFC transiente Spitzenwert für C1); für W = 5 TR und α = 5 %, Verbindungen, die eine bedeutende ISFC Wandel zu diesem Zeitpunkt sind viel zahlreicher. Beachten Sie, dass wir eine hämodynamische Verzögerung von ca. 5 s in der beschriebenen Zeitlichkeit (d. h., einen Wert von 55 s hier bezieht sich auf den Film Reiz bei 50 s). Diese Zahl wurde teilweise von Bolton Et Al.25geändert. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig2large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>

Die beschriebene Vorgehensweise zielt darauf ab festzustellen, in welchen Momenten des Paradigmas (zeitliche Perspektive) und zwischen welchen Regionen (räumliche Perspektive), bedeutende Umgestaltungen in funktionelle Verknüpfung auf funktionelle Kernspintomographie auftreten Aufnahmen bei denen ein Mal gesperrt Reiz gespielt wird.

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen

Task-based functional magnetic resonance imaging bears great potential to understand how our brain reacts to various types of stimulation; however, this ...

Dank unserer Methode können die Momente in der Zeit, in denen funktionelle Gehirnspiele themenübergreifend synchronisiert werden, bestimmt und visualisiert werden. Der Hauptvorteil unseres Ansatzes ist seine Fähigkeit, Veränderungen in intersubjektfunktionalen Gehirnreaktionen dynamisch auf statistisch fundierte Weise zu verfolgen. Unsere Pipeline ermöglicht die Beurteilung der Synchronität zwischen Funktionssignalen verschiedener Probanden.Und dies kann dann zwischen verschiedenen Bevölkerungsgruppen wie gesunden Kontrollen und von Krankheiten und Störungen wie Autismus und Schizophrenie betroffenen Personen verglichen werden. Unsere Methode kann jeder Forschung zugute kommen, die die Synchronität zwischen verschiedenen Zeitkursen dynamisch nachverfolgen möchte. Und dies kann auch auf andere bildgebende Modalitäten wie Elektroenzephalographie angewendet werden.Die visuelle Demonstration der Methode ermöglicht es neuen Benutzern, die verschiedenen Verarbeitungsschritte der Methode sowie die Funktionalität der grafischen Benutzeroberfläche zu verstehen. Demonstriert wird das bildgebende Verfahren von Roberto Martuzzi, dem führenden MRT-Betreiber unseres Forschungszentrums. Für jeden Freiwilligen, der in der Analyse berücksichtigt werden soll, führen Sie mindestens eine funktionelle Magnetresonanztomographie oder fMRI-Sitzung durch, bei der der gescannte Freiwillige dem zeitgeloggten Paradigma des Interesses und einer funktionellen Bildgebungssitzung unterzogen wird, in der der gescannte Freiwillige mit geschlossenen Augen im Scanner ruht und angewiesen wird, nicht einzuschlafen.Dann erwerben Sie ein strukturelles MRT-Volumen. Um das erste vorverarbeitende grafische Benutzeroberflächenfenster zu öffnen, geben Sie JOVE_GUI1 in das MATLAB-Terminal ein. Klicken Sie dann auf fMRI-Daten eingeben, wählen Sie die entsprechenden neu ausgerichteten Funktionsvolumes aus und geben Sie die Wiederholungszeit der Daten in Sekunden im dedizierten bearbeitbaren Textfenster ein.Klicken Sie auf T1-Daten eingeben, und wählen Sie die drei entsprechenden probabilistischen Gewebetyp-Volumes aus. Klicken Sie auf Bewegungsdatei eingeben, und wählen Sie die Textdatei aus, die die Bewegungsparameter aus der Sitzung von Interesse enthält. Wählen Sie dann aus, ob die Daten detrendiert werden sollen und welche Kovariaten zurückgefiltert werden sollen.Um die Daten vorab zu verarbeiten, klicken Sie auf Vorverarbeitung, und warten Sie, bis die Anzeige im Fenster angezeigt wird. Die Daten können anders vorverarbeitet werden, indem Sie die Optionen ändern und erneut auf die Schaltfläche Vorverarbeitung klicken. Geben Sie als Nächstes JOVE_GUI2 in das MATLAB-Terminal ein, um das zweite fenster der vorverarbeitunggrafischen Benutzeroberfläche zu öffnen, und klicken Sie auf Daten auswählen, um die vorverarbeitete Datendatei auszuwählen.Klicken Sie auf Atlas auswählen, und wählen Sie die Neuroimaging Informatics Technology Initiative oder NIFTI-Datei aus, die den Atlas darstellt, der für die Paketierung verwendet werden soll. Klicken Sie auf Inverse Warp auswählen, und wählen Sie die NIFTI-Datei aus, die das Verformungsfeld vom Montreal Neurological Institute zum nativen Raum darstellt. Klicken Sie dann auf fMRI-Volume und wählen Sie eines der fMRI-Datenvolumes aus.Um die Informationen zum Schrubben in die Liste des Schrubbentyps einzugeben, wählen Sie die Anzahl der Frames aus, die vor und nach den markierten Frames herausgeschrubbt werden sollen. Geben Sie im Textfenster des Schrubbenschwellenwerts den Frame-Schwellenwert für die Verschiebung ein, ab dem ein fMRI-Volumen in Millimetern geschrubbt werden soll. Geben Sie dann die Größe des Schiebefensters W ein, das für die Inter-Subjection Functional Correlation- oder ISFC-Berechnungen in Wiederholungszeiten verwendet werden soll, und klicken Sie auf Plot, um die indikativen Atlas-Zeitkurse vor und nach den Scrubbing- und Filterschritten anzuzeigen.Geben Sie für ISFC-Berechnungen im Schiebefenster ISFC-Berechnungen JOVE_GUI3 in das MATLAB-Terminal ein, um das erste ISCF-bezogene grafische Benutzeroberflächenfenster zu öffnen, und klicken Sie auf Daten laden, um alle entsprechenden Datendateien auszuwählen. Wählen Sie aus, ob die ausgewählten Sitzungssegmente einer Phasenzufallsazufallsbildung unterzogen werden sollen, und geben Sie die Fenstergröße in Wiederholungszeiten ein, über die Konnektivitätsmessungen berechnet werden sollen, sowie die Schrittgröße in Wiederholungszeiten, um die aufeinanderfolgende Fenster verschoben werden sollen. Ändern Sie die Tabelle Sitzungstypen, um anzugeben, welche der geladenen Sitzungssegmente unter derselben experimentellen Bedingung erfasst wurden, indem Sie die Zahl der Ganzzahlen von eins bis zu 1 erhöhen, um die verschiedenen Segmenttypen zu markieren.Geben Sie in den entsprechenden bearbeitbaren Textfenstern die Anzahl der Bootstrapping-Falten ein, über die die ISFC-Berechnungen ausgeführt werden sollen, sowie die Anzahl der Themen, die die Referenzgruppe für jede Falte von ISFC-Berechnungen bilden sollen. Geben Sie im Abschnitt "Timing-Parameter" die Spezifikationen ein, welche Teilgruppe der Zeitkurse analysiert werden soll, und klicken Sie auf Plot, um die ISFC-Berechnungen durchzuführen. Die Displays werden im Laufe der Zeit zusammen mit der Anzahl der verstrichenen Bootstrapping-Falten schrittweise aktualisiert.Um das zweite ISFC-bezogene grafische Benutzeroberflächenfenster zu öffnen, geben Sie JOVE_GUI4 in das MATLAB-Terminal ein. Um die stimulusbezogenen ISFC-Ausgabedateien auszuwählen, klicken Sie auf ISFC-Daten laden und die stimulusbezogenen ISFC-Ausgabedateien auswählen. Um die NULL-ISFC-Ausgabedateien auszuwählen, klicken Sie auf Null-Daten laden, und wählen Sie je nach verwendetem Nulldatengenerierungsschema entweder den Ruhezustand ISFC oder die phasenrandomisierten STIMULUS-bezogenen ISFC-Ausgabedateien aus.Klicken Sie dann auf Codebook laden, und wählen Sie die Codebookdatei aus. Geben Sie im entsprechenden bearbeitbaren Textfenster den Alphawert in Prozent ein, zu dem die ISFC-Zeitkurse als Schwellenwert für die Hervorhebung wichtiger Änderungen hervorgehoben werden sollen. Um eine Nullverteilung zu erstellen, klicken Sie auf Plot, um den ISFC-Schwellenwertprozess zu initiieren, für den alle verfügbaren NULL-ISFC-Messungen für eine bestimmte Verbindung aggregiert werden und nach dem die stimulusbezogenen ISFC-Messungen entsprechend dem ausgewählten Alphawert als Schwellenwerte gesetzt werden.Um die räumlichen ISFC-Muster zu verschiedenen Zeitpunkten zu visualisieren, ziehen Sie den Schieberegler unter das ISFC-Ausflugsdiagramm. In diesen repräsentativen Sitzungen wurde der bewertete Film von fünf bis 353 Sekunden mit einem Ruhezustandssegment nach dem Film von 386 bis 678 Sekunden angezeigt. Darüber hinaus wurde für jedes Thema eine 310 Sekunden ausschließlich ruhende Staatssitzung erworben.ISFC-Zeitkurse wurden bei Fensterlängen von W 10 und W 5 Wiederholungszeiten für drei verschiedene repräsentative Verbindungen generiert, die eine Region mit einer Region, die die Reaktionshemmung vermittelt, und einer anderen, die an der Erwartung von bewegten Objekten, der sensorischen Koordination oder der Verarbeitung von Wortbedeutungen beteiligt ist. Das Rauschen ist bei W 5 Wiederholungszeiten größer und zeitlich gesperrte ISFC-Änderungen werden in den Verbindungs-Eins- und Zwei Filmbeobachtungszeitkursen beobachtet. Hier wird der Anteil der Probanden, die statistisch signifikante zeitgesperrte ISFC-Transienten zeigen, für die gleichen drei Verbindungen angezeigt.Die Transienten sind bei größeren Fensterlängen zahlreicher, da robustere ISFC-Messungen die Extraktion erleichtern und bei größeren Alphawerten mehr Fehlalarme erkannt werden. In diesen repräsentativen Daten war insbesondere ein Filmauszug an der Reaktionshemmung im Zusammenhang mit bewegten Objekten beteiligt und führte zu weit verbreiteten ISFC-Änderungen. Die Fensterlänge sollte weder zu kurz für robuste Schätzungen noch zu lang sein, um die ISFC-Dynamik zu erfassen.Und ein ausreichend strenger Alphawert sollte verwendet werden, um falsch positive Werte zu begrenzen. ISFC-Messungen können zur Untersuchung spezieller zeitlicher Merkmale in ganze ISFC-Zustände des Gehirns gruppiert werden. Signifikante ISFC-Transienten können auch als Diagramm dargestellt werden, das den Informationsfluss reflektiert.

dynamic-inter-subject-functional-connectivity-reveals-moment-to

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Neuroimaging-Techniken, wie der funktionellen MRT und Diffusion Tensor Imaging zunehmend zur Charakterisierung der kognitiven und neuronalen Defizite bei Autismus. Eine Untersuchung der Gehirn-Konnektivität in Autismus bei einem Netzwerk-Ebene zusammen mit Anpassungen für das Scannen von Kindern mit Entwicklungsstörungen vorgestellt.

Probing the Brain in Autism mittels fMRT und Diffusion Tensor Imaging

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

Dieses Video stellt eine Methode zur Untersuchung altersbedingter Veränderungen der funktionellen Konnektivität der kognitiven Steuerungsnetzwerke durch gezielte Aufgaben / Prozesse beschäftigt. Die Technik basiert auf multivariate Analyse von fMRI-Daten.

Eine Methode zur Untersuchung altersbedingte Unterschiede in der Funktions Konnektivität der kognitiven Kontrolle Networks Verbunden mit Performance-Dimensional Change Card sortieren

Informationelle Konnektivität misst die Entsprechung zwischen Zeitverläufen von Multi-Voxel-Informationen über verschiedene Gehirnregionen hinweg. Zeitreihen zur Unterscheidbarkeit von Multi-Voxel-Mustern werden aus Regionen extrahiert und verglichen, wodurch Netzwerke sichtbar werden, die in einem typischen funktionalen Konnektivitätsansatz nicht identifiziert werden.

Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

Dieses Protokoll beschreibt die komplementären Neuroimaging-Techniken der strukturellen Konnektivität im Ruhezustand, der aufgabeninduzierten Deaktivierung und der strukturellen Konnektivitätsanalysen, um das Standardnetzwerk bei posttraumatischen Belastungsstörungen zu untersuchen. Der Einsatz synergistischer Methoden könnte möglicherweise zu einer verbesserten Diagnostik und Beurteilung des Schweregrads, des Ergebnisses und anderer relevanter klinischer Faktoren führen.

Entwicklung von Neuroimaging Phänotypen des Default Mode Network in PTSD: Integration der Ruhezustand, Arbeitsgedächtnis und Struktur Connectivity

Das Protokoll zur Durchführung von fNIRS-Hyperscanning-Experimenten an kollaborativen Lerndyaden in einer naturalistischen Lernumgebung wird skizziert. Darüber hinaus wird eine Pipeline zur Analyse der Inter-Brain Synchrony (IBS) von sauerstoffhaltigen Hämoglobin (Oxy-Hb) -Signalen vorgestellt.

Inter-Brain Synchrony im offenen kollaborativen Lernen: Eine fNIRS-Hyperscanning-Studie

Die Dynamik zwischen gekoppelten Gehirnen von Individuen wurde zunehmend durch Inter-Brain-Synchronisation (IBS) dargestellt, wenn sie miteinander koordiniert werden, meist unter Verwendung von simultanen Aufzeichnungssignalen von Gehirnen (nämlich Hyperscanning) mit fNIRS. In fNIRS-Hyperscanning-Studien wurde IBS aufgrund seines Vorteils bei der Erweiterung von Zeitreihen in einen Zeit-Frequenz-Raum, in dem Oszillationen auf sehr intuitive Weise beobachtet werden können, üblicherweise durch...

So berechnen und validieren Sie die Synchronisation zwischen Gehirnen in einer fNIRS-Hyperscanning-Studie

Dieses Protokoll beschreibt die partielle Wavelet-Transformationskohärenz (pWTC) zur Berechnung des zeitverzögerten Musters der zwischenmenschlichen neuronalen Synchronisation (INS), um die Richtung und das zeitliche Muster des Informationsflusses während der sozialen Interaktion abzuleiten. Die Wirksamkeit von pWTC bei der Entfernung der Störfaktoren der Signalautokorrelation auf INS wurde durch zwei Experimente bewiesen.

Messung des direktionalen Informationsflusses in fNIRS-Hyperscanning-Daten mit der Partial-Wavelet-Transformationskohärenzmethode

In dieser Arbeit wird ein integrativer Ansatz zur Untersuchung des funktionellen Netzwerks für die räumliche Navigation im menschlichen Gehirn vorgestellt. Dieser Ansatz umfasst eine groß angelegte metaanalytische Datenbank für Neuroimaging, funktionelle Magnetresonanztomographie im Ruhezustand sowie Netzwerkmodellierung und graphentheoretische Techniken.

Modellierung des funktionalen Netzwerks für die räumliche Navigation im menschlichen Gehirn

Die Wavelet-Transformationskohärenz (WTC) ist eine gängige Methode zur Bewertung der Kopplung zwischen Signalen, die in Hyperscanning-Studien der funktionellen Nahinfrarotspektroskopie (fNIRS) verwendet wird. In dieser Arbeit wird ein Werkzeugkasten zur Beurteilung der Richtungsabhängigkeit der Signalwechselwirkung vorgestellt.

Neuer Rahmen für das Verständnis der hirnübergreifenden Kohärenz in funktionellen Hyperscanning-Studien der Nahinfrarotspektroskopie (fNIRS)

Die Erfassung von Daten der dynamischen Positronen-Emissions-Tomographie (PET) und die Rekonstruktion in Zeitrahmen ermöglicht die Analyse der metabolischen Hirnkonnektivität auf der Ebene eines einzelnen Probanden. Wir beschreiben eine Methode zur Erfassung von [18F]FDG-dynamischen PET-Daten des Rattengehirns und erhalten eine Konnektivitätsmatrix durch die Extraktion von Zeit-Aktivitäts-Kurven der interessierenden Volumina.

Untersuchung der metabolischen Konnektivität des Gehirns mit Hilfe der dynamischen Positronen-Emissions-Tomographie von 2-Desoxy-2-[18F]Fluoro-D-Glukose auf Einzelprobenebene

Erfahren Sie, wie dynamische funktionelle Konnektivität mit fMRI und inter-subjektiver funktioneller Korrelation (ISFC) analysiert wird. Diese Methode ermöglicht den Vergleich von Hirnaktivitätsmustern zwischen gesunden Probanden und Patienten mit neuropsychiatrischen Erkrankungen wie Autismus und Schizophrenie.

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen (Video) | JoVE Journal

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen

Weitere Videos entdecken