Es importante obtener estimaciones no sesgadas de los campos receptivos de la población visual (pRFs) mediante imágenes de resonancia magnética funcional. Utilizamos restricciones de regularización leves para estimar la topografía de pRF sin suposiciones a priori sobre la forma de pRF, lo que nos permite elegir modelos específicos de pRF post-hoc. Esto es particularmente ventajoso en sujetos con lesiones de la vía visual.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Estimación topográfico de Población Visual Receptivo campos por fMRI
En este artículo
Resumen
Resumen
Corteza visual está organizado retinotopically para que las poblaciones vecinas de células se asignan a partes vecinas del campo visual. La resonancia magnética funcional nos permite estimar la población campos receptivos basada en voxel (PRF), es decir, la parte del campo visual que activa las células dentro de cada voxel. Antes, PRF, métodos de estimación directa 1 sufren de ciertas limitaciones: 1) el modelo PRF se elige a priori y no puede capturar totalmente la forma real PRF, y 2) los centros de PRF son propensos a mislocalization cerca de la frontera del espacio de estímulo. Aquí se propone un nuevo método de estimación PRF topográfica 2 que evita en gran medida estas limitaciones. Un modelo lineal se utiliza para predecir la señal de oxígeno de la sangre dependiente del nivel de (BOLD) mediante la convolución de la respuesta lineal de la PRF al estímulo visual con la función de respuesta hemodinámica canónica. PRF topografía se representa como un vector de ponderación cuyos componentes representar el strength de la respuesta global de las neuronas voxel a estímulos presentados en diferentes lugares del campo visual. Las ecuaciones lineales resultantes pueden ser resueltos por el vector de pesos PRF usando cresta de regresión 3, produciendo la topografía PRF. Un modelo PRF que se adapta a la topografía estimado se puede escoger post-hoc, lo que mejora las estimaciones de los parámetros PRF como la ubicación PRF-centro, orientación PRF, tamaño, etc. Tener la topografía PRF disponible también permite la verificación visual de las estimaciones de parámetros PRF que permiten la extracción de varias propiedades PRF sin tener que hacer suposiciones a-priori sobre la estructura de PRF. Este enfoque promete ser particularmente útil para la investigación de la organización PRF de pacientes con trastornos del sistema visual.
Introducción
La resonancia magnética funcional (fMRI) mide de forma no invasiva la organización funcional de la corteza visual en una escala macroscópica (típicamente del orden de milímetros). Los primeros estudios retinotopy fMRI utilizaron una medida de coherencia entre la ubicación de estímulo y provocaron respuestas BOLD 4-7. Estos estudios generalmente no estiman la población tamaño del campo receptivo. Más tarde, Dumoulin y Wandell 1 propone un método para superar esta limitación mediante el modelado explícitamente la ubicación y el tamaño PRF, utilizando una función lineal de este modelo para predecir la respuesta BOLD. Sin embargo, una limitación de este método pionero es que el modelo paramétrico PRF tiene que ser elegido a priori, y puede conducir a la errónea PRF estima si resulta no ser apropiado.
Para superar las limitaciones del método PRF-modelo paramétrico, los nuevos métodos se han desarrollado recientemente. Estos métodos predicen directamente la respuesta BOLD a los stimulus reconstruyendo la topografía PRF. Un método 8 propuesto por Greene y colegas reconstruye la topografía PRF back-proyección de las respuestas BOLD a los espacios de estímulo 1D individuales y la construcción de la topografía PRF en el espacio de estímulo 2D como una técnica típica de tomografía computarizada. Por otro lado, el método 2 propuesto por los Estados Unidos estima directamente la topografía PRF 2D utilizando regresión lineal y la aplicación de una técnica de regularización. En este método, la topografía PRF se representa como un conjunto de pesos que se multiplica por el estímulo para estimar la respuesta de la población neuronal de un voxel dado. Entonces, la respuesta final de oxígeno de la sangre Nivel-dependiente (BOLD) evocado por el estímulo se estima mediante la convolución de la respuesta de la población neuronal y la función de respuesta hemodinámica canónica. Con el fin de resolver el sistema lineal bajo limitados, adicionalmente, la regularización de regresión cresta se utiliza para hacer cumplir poca densidad (véase la Figura 1a continuación). La técnica de regularización suprime el ruido y los artefactos y por lo tanto permite que nuestro método para estimar la topografía PRF con mayor fuerza.
Los métodos topográficos no forzar la forma PRF para tener una forma paramétrica cierto, y por lo tanto se puede descubrir la estructura real PRF. Un modelo paramétrico apropiado puede ser elegido en base a la topografía PRF. Por ejemplo, la topografía PRF se puede utilizar para separar el centro de PRF y envolvente, y luego el modelado centro de PRF posterior puede ser más preciso, reduciendo al mínimo la influencia de supresión de sonido envolvente, así como la influencia de otros artefactos potenciales que surgen en zonas distantes a la centro de PRF. Hemos llevado a cabo recientemente una comparación cuantitativa entre nuestro método y otros métodos que directa (es decir, antes de estimar la topografía) en forma isotrópica Gauss 1, anisotrópico de Gauss, y la diferencia de gaussianas isotrópico a la PRF 9. Se encontró que la Topogrmétodo basado en aphy superó estos métodos con respecto al modelado centro PRF por lograr una mayor varianza de la serie temporal de la señal BOLD explicado.
La estimación exacta de propiedades PRF en diversas áreas revela cómo cubren el campo visual y es importante para la investigación de la organización funcional de la corteza visual en particular en lo que se refiere a la percepción visual. Propiedades tales como el modo en que se han estudiado bien los cambios de tamaño PRF con excentricidad 1,10 y PRF organización envolvente centro de las 9 de la literatura humana. El método propuesto para estimar los resultados de la topografía PRF en el modelado más exacto parámetro PRF y es más probable que revelan regularidades desconocidos, no modela fácilmente a priori en los modelos paramétricos directos. Este enfoque será especialmente adecuado para el estudio de la organización PRF en pacientes con lesiones de la vía visual, para quienes estructura PRF no es necesariamente predecible a priori. A continuación se describe cómo estimar ªe PRF topografía y el uso de la topografía para modelar el centro de PRF.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
1. Adquisición de Datos
- Preparar un protocolo de estímulo que es eficaz en provocar una respuesta visual retinotopic fiable como se ha descrito previamente en Dumoulin y Wandell 1 y Lee et al. 2. Sin embargo, otros paradigmas bien establecidas son también aplicables en función de la cuestión experimental específica que deben abordarse.
- Presentar barras estímulos a la deriva a través de la pantalla de forma secuencial a lo largo de 8 direcciones del espacio, en pasos de 45 grados. Asegúrese de que el movimiento está en sincronía con la adquisición marco del escáner (TR ~ 2 seg) para que la barra se mueve un paso una vez que un fMRI aperturas del marco y se queda en la nueva ubicación hasta que termine el marco.
- Para medir una señal de referencia correcta, añadir épocas sin barra de estimulación 1.
- Definir un campo de visión (10 a 15 ° radio) en el ángulo visual sobre la que se presenta el estímulo. Presente en movimiento o parpadeo patrones de tablero de ajedrez (tamaño corrector = 0,94 x 0,94 grados 2, pattevelocidad de actualización rn = 250 ms / patrón) dentro de la barra para provocar fuertes respuestas visuales.
- Los siguientes parámetros de entrada específicos: 8 direcciones de movimiento uniformemente espaciados, bar anchura igual a 1,875 grados, y las barras se mueven por la mitad de la anchura de la barra por trama (2 seg). Detalles adicionales se pueden encontrar en Lee et al. 2.
- Generar un punto (~ 0.25 °) en el centro de la pantalla en el que fijan los ojos del sujeto durante el experimento. Cambiar de color del punto al azar en el tiempo.
- Analiza el cerebro de un sujeto en un escáner de resonancia magnética utilizando un plano de imágenes de eco típica (PAI) de exploración que tiene una duración de 192 marcos (24 cuadros en cada sentido de la marcha). Repita las exploraciones 4-8 veces para aumentar la relación señal-ruido.
- Establecer parámetros para la secuencia EPI de la siguiente manera: TR = 2 seg, TE = 40 ms, tamaño de la matriz = 64 x 64, 28 rebanadas, tamaño voxel = 3 x 3 x 3 mm 3, flip ángulo = 90 °, alternativa, aplicar secuencias con una resolución más fina (e.g., 2 x 2 x 2 mm 3) o un corto TR (por ejemplo, 1-1,5 seg) que cubre sólo la corteza visual 2.
- Movimientos oculares Track con un sistema eyetracker durante las exploraciones funcionales para asegurar la fijación se mantiene dentro de 1-1,5 ° del punto de fijación.
NOTA: Aquí, se utiliza un eyetracker coordenada cabeza basado en un sistema de gafas, pero otros sistemas eyetracker adecuado puede ser utilizado en su lugar. - Instruya a los sujetos para fijar el punto en el centro de la pantalla generada en el paso 1.3.2. Para asegurar que los sujetos están fijando, darles instrucciones para reportar los cambios de color del punto de fijación.
- Obtener exploraciones anatómicas, a 1 x 1 x 1 mm 3 resolución (por ejemplo, T1-MPRAGE; TR = 1900 ms, TE = 2,26 ms, TI = 900 ms, flip ángulo = 9 °, 176 particiones).
NOTA: Estas exploraciones anatómicas se utilizarán para la segmentación, así como para alinear las imágenes funcionales a la anatomía tanto dentro como entre las exploraciones. Para una mejor alineación entre la funciónal (EPI) imágenes y la anatomía, obtienen también una exploración de la anatomía inplane, con la resolución idéntica a la EPI, el uso rápido mimada eco de gradiente (SPGR) secuencia T1-1.
2. Datos Pre-procesamiento
NOTA: Antes de estimar las propiedades PRF, se necesitan varios pasos de pre-procesamiento de datos típico fMRI, como corrección de movimiento de la cabeza y la alineación de los volúmenes funcionales a la exploración anatómica. En este artículo, todos los pre-procesamiento, estimación, análisis y presentación de los resultados obtenidos se realizó a través de la caja de herramientas de código abierto de software basados en MATLAB LAB VISTA disponible en el sitio de software VISTA. http://white.stanford.edu/newlm/index.php/Main_Page.
- Cargar la exploración anatómica en MATLAB y preparar una anatomía volumen usando una función llamada createVolAnat.
- Segmento de materia gris, la materia blanca, y LCR mediante la función "ItkGray".
- Preparar los datos funcionales mediante la conversión de DICOM (es decir, (es decir, el formato de archivo estándar de resonancia magnética funcional) archivos y cargar datos en Vista usando una función llamada mrInit.
- Cabeza-motion correcta y alinear las imágenes funcionales a la anatomía cargado en el paso 2.1 utilizando rxAlign basado en una matriz de transformación afín.
- Promedio de las exploraciones de movimiento corregido funcionales para la relación señal-ruido mejora haciendo clic mrVISTA Análisis TimeSeries Promedio URBANA. Excluir de los análisis en promedio durante el cual los movimientos del ojo se desvía de fijación más de 1 a 1,5 °. Si las señales de diferentes carreras tienen diferentes dc-derivas, exploraciones funcionales medios tras retirar el DC-derivas.
- Calcular la coordenadas de mapeado entre las exploraciones funcionales y materia gris e identificar correspondientes voxels de materia gris en las exploraciones funcionales mediante la selección de los siguientes menús: mrVISTA ventana abierta Gris 3-ventana de visualización. Asignar señales BOLD en los voxels materia gris por interpolación, eligiendo una de las opciones de unvailable en mrVISTA.
3. Estimación de PRF Topografía y modelado paramétrico
- Descargue los archivos de código a través del siguiente enlace: https://sites.google.com/site/leesangkyun/prf/codes.zip, extraiga el archivo comprimido y colocarlos en un lugar preferente de la computadora local. Añada la ruta de la carpeta en MATLAB.
- Establezca los parámetros de estímulo utilizados en el experimento al seleccionar los siguientes menús: retinotópica Ajustar parámetros modelo de análisis mrVISTA. Especifique los siguientes parámetros tales como imágenes de estímulo, el tamaño del estímulo, la función hemodinámica canónica, la velocidad de fotogramas del escáner fMRI.
- Antes de la estimación de PRF, preparar los conjuntos de parámetros iniciales (Figura 1B).
- Establecer los conjuntos de validación cruzada en "tprf_set_params.m" de los archivos de código. Timeseries Divida a al menos dos subconjuntos (uno para las pruebas y los juegos restantes para la formación) que son lo suficiente para que la barra de Sweep todo el espacio de estímulo. Alternativamente, sin promediar las exploraciones en el paso 2.4, validar exploraciones dejando fuera una exploración para la prueba y el uso de los escáneres que quedan para la formación.
- Establecer un conjunto de parámetros gruesa (λ en la Figura 1; λ = [10 -2 10 -1 1 10 1 10 2]) en "tprf_set_params.m". A continuación, establezca un rango de escala fina ([0.1 0.3 0.5 0.7 0.9 1 3 5 7 9]) en "tprf_set_params.m".
NOTA: El programa utiliza el grueso configurar para seleccionar la λ que resulta en la mayor varianza explicada. Entonces, el programa busca en el espacio alrededor del λ seleccionado utilizando el campo fino escala, refinar aún más la selección de λ que produce la más alta varianza explicada. - Establecer un umbral (0,2) de la varianza explicada por voxels visualmente sensibles en "tprf_set_params.m".
NOTA: Este umbral se utiliza como la referencia para la selección de voxels visualmente sensibles. Alternativamente, haga unaROI para una región sensible no visualmente (por ejemplo, mediante la elaboración de una esfera con un radio de 1 cm en un área del cerebro no visualmente sensible), donde el umbral se puede calcular de forma automática. - Establecer un conjunto de umbrales ([0,3, 0,5, 0,7]) para la definición de la región centro de PRF en la topografía normalizada en "tprf_set_params.m" (es decir, [0 a 1] o [-1 a 1] con épocas sin barra de estimulación en el paso 1.3.1).
NOTA: En el conjunto de umbrales del programa previsto selecciona el "mejor" de umbral, es decir, el umbral que define una región central PRF para que el modelo de centro PRF explica la mayor variación de la señal. Alternativamente, selecciona un conjunto diferente de valores de umbral en función de las características de la topografía.
- Ejecutar "tprf_runpRFest.m" calcular la topografía PRF (Figura 1) y sustituirlo Gauss anisotrópico 2D. Después de especificar todos los parámetros descritos en este protocolo, yejecutar el código, obtener los resultados de las estimaciones finales.
Figura 1: proceso de estimación de PRF. (A) Representación esquemática del proceso seguido para la estimación PRF topografía h (t):. Función de respuesta hemodinámica, A (t): estímulo, m: PRF, Reg:. Regularización L2-norma (B) medidas específicas para topografía estimación PRF y PRF modelado centro. El conjunto de parámetros requeridos para la estimación aparece en cada paso. Una sección unidimensional de topografía y su modelo se ilustran. Bajo curvas "ajuste del modelo", negro y rojo representan la topografía y su modelo de centro de PRF con un umbral centro de 0,5, respectivamente. La línea discontinua azul indica un umbral para el FRPregión central.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Modelado preciso PRF requiere la captura de formas PRF correctamente. Sin conocer la topografía PRF, la selección de modelos con simetría circular utilizado en estudios previos 1,9-11 es una opción razonable. Esto es porque, si la organización retinotopic local es homogéneo en todas las direcciones del campo visual, una respuesta de la población local podría ser representado como un agregado acumulativo circularmente simétrica de las respuestas neuronales. Sin embargo, nuestras observaciones demuestran que es...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
En este artículo muestra cómo estimar la topografía de la población campos receptivos visuales en la corteza visual humana y cómo utilizarla para seleccionar un modelo paramétrico apropiado para el campo receptivo. Para una retinotopy éxito, se deben seleccionar un protocolo de estimulación apropiado y un método de análisis eficiente, y los parámetros experimentales del sujeto (movimiento y fijación) deben ser optimizados. Bar estímulos secuencialmente en movimiento a través del campo visual son un paradigma estímulo ef...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores declaran que no tienen intereses financieros contrapuestos.
Agradecimientos
Agradecemos al grupo de software VISTA (Brian Wandell y asociados, en Stanford).
S. S. fue apoyado por McNair 2280403105,NEI R01-EY109272 y NEI R01-EY024019 y como HHMI Early Carrer Award. A. P. y G. K. fue apoyado por la Sociedad Max-Planck, G. K. fue apoyado por el proyecto PLASTICISE del 7º Programa Marco de la Comisión Europea, Contrato no. SALUD-F2-2009-223524.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Escáner de resonancia magnética | Siemens/Philips/GE | ||
| MATLAB | The Mathworks, Inc. | http://www.mathworks.com (en inglés) | |
| Software VISTA Grupo | de | software VISTA | |
| PsychoToolbox | PsychoToolbox | http://psychtoolbox.org (en inglés) | |
| Eye Tracker (VisuaStimDigital) | Resonance Technology Inc | http://mrivideo.com/ |
Referencias
- Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
- Lee, S., Papanikolaou, A., Logothetis, N. K., Smirnakis, S. M., Keliris, G. A. A new method for estimating population receptive field topography in visual cortex. Neuroimage. 81, 144-157 (2013).
- Hastie, T., Tibshirani, R., Friedman, J. H. The elements of statistical learning : data mining, inference, and prediction. , 2nd edn, Springer. (2009).
- Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
- Engel, S. A., Glover, G. H., Wandell, B. A. Retinotopic organization in human visual cortex and the spatial precision of functional MRI. Cereb Cortex. 7, 181-192 (1997).
- Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525(1994).
- DeYoe, E. A., et al. Mapping striate and extrastriate visual areas in human cerebral cortex. Proc Natl Acad Sci U S A. 93, 2382-2386 (1996).
- Greene, C. A., Dumoulin, S. O., Harvey, B. M., Ress, D. Measurement of population receptive fields in human early visual cortex using back-projection tomography. J Vis. , (2014).
- Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. , (2012).
- Harvey, B. M., Dumoulin, S. O. The relationship between cortical magnification factor and population receptive field size in human visual cortex: constancies in cortical architecture. J Neurosci. 31, 13604-13612 (2011).
- Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686(2012).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Reimpresiones y permisos
