Name: Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication (Vidéo) | JoVE Journal
Uploaded: 2019-03-21T13:30:00.000+00:00
Duration: 8 min 36 s
Description: Découvrez une méthode d'IRMf pour suivre la connectivité fonctionnelle dynamique entre sujets. Cette approche permet de visualiser et comparer les réponses cérébrales synchronisées dans des populations saines et atteintes de troubles neuropsychiatriques.

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

Ce travail a été soutenu en partie par chacun des éléments suivants : le Swiss National Science Foundation (subvention numéro 205321_163376 à DVDV), la Fondation Bertarelli (de la tuberculose et DVDV), le centre d’imagerie biomédicale (CIBM) et l’Agence nationale pour la recherche ( tempofront numéro de licence 04701 à ALG). Les auteurs remercie Roberto Martuzzi et Giulia Preti pour leur contribution au contenu vidéo de ce travail comme, respectivement, l’opérateur de MRI et scanné bénévoles.

Les auteurs n’ont rien à divulguer.

Sur un ensemble de données de sujets sains, nous avons démontré comment synchrone croix en question augmente et diminue dans les FC, les transitoires SFIC, correspondrait à temporellement localisé film cues, fournissant des informations qui va au-delà d’une description statique. Bien que l’utilisation de la corrélation croisée en question mesure permet d’axer l’analyse sur les reconfigurations fonctionnelles axée sur la relance, il faut également être conscient qu’elle limite les résultats aux effets qui sont partagées dans l’ensemble de la population étudiée : par conséquent, à basse altitude traitement sensoriel est censé être surreprésentés par rapport au traitement frontal40. Pour contourner cette limitation, nouvelles méthodes qui ont aussi la possibilité d’extraire les régions qui varient fortement selon les sujets soient développés41.
Une autre limite de la méthode introduite découle de l’aspect de la fenêtre coulissante, comme la résolution temporelle des cours temps transitoire ISFC est abaissée par rapport aux approches frame-wise15. Comme nous l’a montré, un compromis est nécessaire entre une longueur de fenêtre suffisamment bas pour résoudre correctement la reconfiguration dynamique du SFIC et estime une taille suffisamment grande pour obtenir robuste. Deux étapes cruciales dans notre cadre s’assurer que les transitoires ISFC extraites reflètent les changements vraiment naturels en connectivité : tout d’abord, le filtrage passe-haut du cours régional de temps avec l’inverse de la fenêtre longueur32; Deuxièmement, l’utilisation des données d’état de repos ISFC pour la génération d’une distribution nulle pertinente, avec des paramètres d’acquisition identiques par rapport à la stimulation des données. Bien sûr, ce dernier exige également un temps d’acquisition global plus longs, afin que les données d’état de repos peuvent être regroupées sur le dessus de séances axées sur la relance. Comme approche alternative pour éviter les enregistrements de l’état de repos supplémentaires, nous offrons également la possibilité de générer des données de la phase randomisée directement à partir des cours axés sur la relance de temps, une approche souvent utilisée dans les analyses de connectivité fonctionnelle dynamique 23 , 24. évaluation complémentaire sur un sous-ensemble des sessions a révélé que, bien que la méthode nulle de l’état de repos est plus conservateur, et donc moins sujettes à des faux positifs, les modèles globaux de détection excursion ISFC étaient similaires dans les deux schémas (voir Complémentaire Figure 5).
<img alt="Supplementary Figure 5" src="/files/ftp_upload/59083/59083sfig5.jpg"> Supplémentaire Figure 5 : excursions de détection de la SFIC à travers des méthodes de génération de données null. Pour l’état de repos (parcelles de la colonne de gauche, bleu) ou méthodes de génération phase randomisation (parcelles de la colonne de droite, rouge) données null, pourcentage d’excursions ISFC extraites sur connexions. Les parcelles de fond sont un encart sur les connexions émanant des trois premières régions de cerveau réfléchie. Erreur représente l’écart-type dans l’ensemble de sujets. <a href="https://www.jove.com/files/ftp_upload/59083/59083sfig5large.jpg" target="_blank">S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.</a>
La durée de l’acquisition de l’état de repos se rapporte en fait à un paramètre essentiel de l’analyse : la valeur de α. Comme illustré ci-dessus, un choix trop clément mènera à une grande quantité de faux positifs dans les transitoires ISFC détectés. Plus la quantité de données disponibles de l’état de repos, les plus stricts du faux positif possible taux, car seuillage peut reposer sur plusieurs valeurs extrêmes de la distribution de nulle. À titre indicatif, pour n = 299 atlas régions comme en l’espèce et compte tenu de notre décompte de 5 762 points de données d’état de repos, nous pourrions atteindre au mieux une valeur α près de 0,01 % (voir l’étape 5.2.6 pour détails mathématiques).
Un autre point clé se rapportant à toute analyse IRMf réside dans l’élimination rigoureuse de possibles artefacts liés à la motion de l’ont analysé des données30,42. En particulier, si on souhaite appliquer le pipeline introduit aux populations malades présentant marqué motion dans le scanner, nous recommandons que sur le dessus y compris les variables de requête comme covariables dans les analyses statistiques effectuées, prétraitement supplémentaire mesures se déroulera, comme les ondelettes débruitage43 ou ICA-arôme44. Groupe de comparaison, par exemple pour comparer transitoires ISFC entre une alimentation saine et un groupe de malade, peuvent être effectuées facilement en exécutant l’approche décrite en parallèle sur les deux groupes d’intérêt (voir Al. Bolton25 pour obtenir un exemple sur une population diagnostiquée avec troubles du spectre autistique). Toutefois, une différence entre les groupes peut alors survenir dans deux contextes distincts : (1) l’ISFC absent changer dans un groupe, ou (2) une évolution plus hétérogène de ce groupe. Pour démêler ces deux facteurs, le pipeline doit être exécuté une fois de plus pour le groupe de malade, en utilisant le sujet sain, définie comme groupe de référence à l’étape d’amorçage. Le premier cas entraînerait encore une réponse absente, alors que ce dernier ne le ferait pas.
Sur le dessus de ce que nous avons décrite ici, la méthodologie introduite ouvre également prometteur futures avenues : d’une côté analytique, cartes transitoires ISFC pourraient être considérées comme graphiques de cerveau de quelles mesures quantifiant le cerveau connectivité pourrait être dérivée de45, ou les États ISFC dynamiques pourraient être aspirées à travers les méthodes de clustering et évaluées en fonction de leurs caractéristiques spatiales et temporelles17,46. En outre, on pourrait aussi envisager l’utilisation d’outils de mesure connectivité plus sophistiqués que le coefficient de corrélation de Pearson pour révéler côtés plus subtiles du FC47,,48.
Du côté expérimental, l’application de notre pipeline à un ensemble plus étendu de paradigmes est une perspective prometteuse : par exemple, au lieu d’un film comme étudiés ici, on pourrait envisager d’utiliser un morceau de musique49 ou une histoire narrative13, 50 comme un stimulus temps verrouillé. Alternativement, on pourrait même imaginer, par le biais de hyperscanning51, pour sonder la communication sociale naturaliste52,53.

Imagerie de résonance magnétique fonctionnelle (IRMf) est devenu l’outil de choix pour surveiller non invasive les changements dans l’activité cérébrale résultant de la stimulation externe. Plus précisément, le vif intérêt a émergé sur la compréhension de l’interdépendance statistique entre cours de temps activation régional, connu comme la connectivité fonctionnelle (cf)1 et généralement calculées comme corrélation de Pearson coefficient de. Les interactions fonctionnelles entre le cerveau montrent abondamment pour reconfigurer en fonction de la tâche sous-jacente2,3,4.
Deux directions analytiques a séparément ont été suivies pour aller au-delà de cette caractérisation introduction : d’une part, la réponse induite dans une région du cerveau donnée par un stimulus temps verrouillé a été observée à corréler fortement dans l’ensemble des sujets distincts5 . Quantifier cet objet inter corrélation (ISC) a montré des potentiel d’affiner notre compréhension de la cognition6,7,8,9 et cerveau troubles10,11 . En outre, cette approche correlational cross-sujet a été aussi étendue à l’évaluation de synchronicité inter-régional12, dans ce qui devint connu comme la corrélation fonctionnelle inter-sujet (ISFC) approche13.
En revanche, la saveur dynamique de reconfiguration du FC a commencé à recevoir une attention accrue (voir Hutchison et coll.14, Preti, Bolton et Van De Ville15, Gonzales-Castillo et Mbandettini16 pour des études récentes sur la côtés au repos-état et basée sur les tâches de cette question). En particulier, ensemble-cerveau FC changements au fil du temps peuvent être suivis par le biais de mesures de corrélations consécutives sur une fenêtre secondaire temporelle progressivement décalé17,18, révélant un aperçu supplémentaire dans le contexte de tâches comportementales 19,,20.
Ici, nous présentons un cadre méthodologique qui combine ces deux avenues. En effet, nous calculons ISFC en mode fenêtre coulissante pour suivre l’évolution de la synchronicité interrégionale entre les sujets exposés à un paradigme naturaliste temps verrouillé. Grâce à l’aspect de la croix-objet de la méthode, analyses sont concentrent sur effets axée sur la relance, alors que les changements spontanés IRMf (qui ne sont pas corrélées à travers des sujets) sont fortement atténués. Ceci est important parce que les patterns d’activité repos-état et évoquée par le travail sont de plus en plus compris caractérisées par des propriétés distinctes21,22.
En ce qui concerne la composante dynamique de la méthode, elle permet une caractérisation plus complète et précise des stimuli de la tâche, surtout lorsque sonder un paradigme naturaliste dont un ensemble diversifié de repères (auditif, visuel, social, etc.) sont combinés au fil du temps. Comme l’évaluation statistique sonore des importantes fluctuations dynamiques a été âprement débattu23,24, notre approche prend en outre particulièrement soin de cet aspect des analyses en isolant l’ISFC bouleversement à travers comparaison de données nulle approprié.
Nous illustrons la méthode sur un ensemble de sujets sains exposés à un stimulus film audiovisuel, pour qui nous montrent que l’ISFC temporelle et spatiale changent profils découlant film localisée sous-intervalles peuvent être extraites avec précision. Ce faisant, nous décrivons également l’influence des principaux paramètres analytiques sélectionnables par l’utilisateur. Les résultats présentés sont basés sur une partie des données précédemment publiées25,26.

<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>Une boîte à outils compatible MATLAB permettant d’effectuer diverses étapes de traitement, de visualisation et d’analyse sur des données d’imagerie par résonance magnétique fonctionnelle</td></tr><tr><td>MATLAB_R2017a</td><td>MathWorks</td><td>https://ch.mathworks.com/downloads/</td><td>Version de travail du logiciel de calcul MATLAB (version 2014a ou plus récente)</td></tr><tr><td>Cartographie paramétrique statistique version 12.0 (SPM12)</td><td>Wellcome Trust Center for Neuroimaging, University College London, Londres, Royaume-Uni</td><td>https://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Une boîte à outils compatible MATLAB permettant d’effectuer des analyses statistiques sur des données d’imagerie par résonance magnétique fonctionnelle</td></tr><tr><td>Scanner IRM Tim-Trio 3 T</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>Scanner d’imagerie par résonance magnétique dans lequel les sujets ont leur activité cérébrale fonctionnelle enregistrée (à 3 T)</td></tr></tbody></table>

connectivité fonctionnelle inter-sujet dynamique révèle des configurations de réseau de cerveau à chaque instant par continu ou paradigmes de communication

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

Basée sur les tâches l’imagerie par résonance magnétique fonctionnelle ours grand potentiel à comprendre comment notre cerveau réagit à différents types de stimulation ; Toutefois, cette opération est souvent réalisée sans tenir compte de l’aspect dynamique de transformation fonctionnelle et sorties analytiques représentent généralement fusionnés influences des effets axée sur la tâche et sous-jacent des fluctuations spontanées de l’activité cérébrale. Ici, nous introduisons un nouveau pipeline méthodologique qui peut aller au-delà de ces limites : l’utilisation d’un schéma analytique-coulissante permet le suivi des changements fonctionnels au fil du temps, et par le biais de mesures correlational cross-objet, l’approche peut isoler les effets purement liés à la stimulation. Grâce à un processus rigoureux de seuillage, des changements significatifs dans la corrélation fonctionnelle inter-sujet peuvent être extraits et analysés.
Sur un ensemble de sujets sains ayant subi une stimulation audio-visuel naturaliste, nous démontrons l’utilité de l’approche en liant les reconfigurations démêlées fonctionnelles à des stimulus particuliers du film. Nous montrons comment, grâce à notre méthode, on peut saisir soit un profil temporel de l’activité cérébrale (l’évolution d’une connexion donnée), ou les concentrer sur un instantané spatial à un moment clé. Nous fournissons une version accessible au public du pipeline ensemble et décrire son utilisation et l’influence de ses principaux paramètres étape par étape.

Ici, nous avons considéré n = 15 sujets (TD) en voie de développement en général, pour qui nous avons obtenu le consentement écrit et informé. Tous étaient des hommes droitiers (23,42 ± 7,8 ans). Le paradigme choisi était un documentaire audiovisuel scientifique pour les jeunes sur les dangers de l’exposition au soleil. Il contient un large éventail de stimuli visuels, auditifs et sociales et peut être visionnée à https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.
Nous avons acquis deux sessions par sujet (RUN1 et RUN2) dans laquelle le film mises en recouvrement a été affiché de 5 à 353 s (durée min 5,8). Un segment de l’état de repos est également suivi de 386 à 678 s (durée min 4,9). En outre, une session uniquement l’état de repos (course3) a été acquis pour chaque sujet (à l’exclusion de celui qui souffrait de claustrophobie), durable pour 310 s (5,2 min). Scènes de film exemple et la synchronisation des données acquises sont résumées dans la Figure 1 a. Ce qui est important, le protocole d’acquisition n’était pas optimal en ce sens que l’état de repos enregistrements acquis juste après exposition film est en partie endommagée par des effets de débordement27; Nous faisons usage de ces données dans les présentes conclusions d’avoir un montant satisfaisant des échantillons pour seuil statistique, mais cela devrait être évitée autant que possible.
Nous avons exclu toutes les séances pour lesquelles plus de 10 % des cadres ont été brossées, à un seuil de 0,5 mm et a examiné la surface de Craddock et coll.34 (algorithme de deux niveaux de corrélation temporelle) pour générer des cours régionaux de temps, pour un total de 299 différentes régions du cerveau.
SFIC a été calculée séparément à que regarder des films (1) la sous-parties RUN1 et RUN2, (2) les sous-parties de repos-état des RUN1 et RUN2et (3) l’état de repos RUN3 enregistrements. Nous avons utilisé une longueur de fenêtre W = 10 TR pour le principal a présenté les résultats et les comparer à une valeur inférieure de W = 5, grandeur de TR. pas toujours restée égale à 1 TR. Bootstrapping a été effectué plus de 250 plis, y compris la session 6 segments dans chaque groupe de référence.
Figure 1 b affiche des cours à temps ISFC générées à W = 10 TR et W = 5 TR pour trois connexions représentante différentes : connexion 1 implique une gauche région pariétale inférieure liée à l’attente des objets en mouvement (coordonnées de l’INM : 41,9,32)35 et un droit de la surface frontale operculaire liée à l’inhibition de la réponse (-34,-52,45)36. Cette dernière région était également impliquée dans connexions 2 et 3, respectivement avec une zone impliquée dans la coordination sensorielle (54,6,34)37et celui lié à la transformation du sens des mots (6,62,9)38.
Une comparaison entre les longueurs de fenêtre révèle que, dans le W = 5 TR réglage, la variance temporelle chez les sujets dans l’ensemble plus grande dans les deux cas un segment regarder des films et de l’état de repos par rapport à W = 10 TR, un phénomène connu en analyses coulissante39. Pour la connexion 1, peu importe la durée de la fenêtre, une sous-partie localisée de l’enregistrement de regarder des films (à environ 55 s) laissent entrevoir une forte et synchronisée ISFC augmenter dans l’ensemble des sujets, qui dépasse largement l’éventail des valeurs prises dans le cas de l’état de repos. Ainsi, nous nous attendons à capturer cette sous-partie temporelle comme une importante ISFC transitoire avec notre méthode de seuillage.
Pour la connexion 2, nous observons la dynamique temporelle similaire, mais pour W = 5 TR, l’augmentation devient moins facile à démêler par rapport à des cours de temps de repos-état, à cause du bruit d’axés sur la méthodologie plus grand fenêtre coulissante. Quant à connexion 3, elle reflète une affaire dans laquelle il n’y a aucune réponse claire pour le film et ainsi, les fluctuations des cours de temps de regarder des films et de l’état de repos sont similaires. Le résultat escompté à ce stade analytique est un mélange entre les connexions qui montrent clairement des reconfigurations induite par la stimulation et qui ne répondent pas.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59083/59083fig1.jpg"> Figure 1 : calendrier de l’Acquisition et l’exemple ISFC temps cours. (A), le film vu par les sujets en cause un large éventail de situations sociales (images d’exemple 1 et 4), des explications scientifiques avec des panneaux colorés (images d’exemple 2 et 5) et paysage paysages (exemple d’image 3). Trois sessions ont été acquises par sujet : deux (RUN1 et2emanche) inclus la stimulation de film (de 5 à 353 s, surlignés en vert) suivie d’une période de repos-état (de 386 à 678 s, illustré en jaune), tandis que l’un (course3) uniquement consistait en un enregistrement de l’état de repos (durée de s 310, affichés en orange). (B) pour trois connexions indicatives (C1, C2 et C3, respectivement noir vert/rouge, vert clair/orange et turquoise/jaune traces), évolution du SFIC au fil du temps au cours de regarder des films (couleurs froides) ou de l’état de repos (couleurs chaudes). Pour W = 10 TR (panneau de gauche), regarder des films ISFC change plus largement stand out par rapport à W = 5 TR (panneau de droite). Chaque trace reflète l’évolution d’une seule session SFIC. Ce chiffre a été en partie modifié de Bolton et al.,25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig1large.jpg" target="_blank">S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.</a>
Figure 2 affiche les résultats suivant le seuil statistique de cours à temps SFIC, pour les trois mêmes branchements comme indiqué ci-dessus. Une valeur de 1 signifie que tous les sujets ont subi la même augmentation ISFC en même temps cours de temps point ; une valeur de 0 signifie qu’aucun sujet n’a subi un changement significatif de la SFIC ; la valeur -1 représente une diminution ISFC synchrone sur tous les sujets. Comme auparavant, nous comparons W = 5 b et W = 10 TR et nous aussi en lumière deux α-valeur : α = 0,01 % et α = 5 %.
Montage avec les observations qui précèdent, une longueur inférieure de la fenêtre réduit la quantité d’extrait ISFC bouleversement. Pour la connexion 1, les deux W = 5 b et W = 10 TR, cependant, extraire le même moment particulier (t = 55 s) qu’ils montrent une forte augmentation de l’IFSC. Prenant un retard hémodynamique d’environ 5 s en compte, ce qui correspond à une sous-partie du film lorsque des lignes colorées étendaient vers une poupée et brusquement arrêtée juste en face d’elle (46-49 s), avec le rôle des régions impliquées dans le déplacement d’objet attente et réponse inhibition35,36.
Lors de l’augmentation α partir de 0,01 % à 5 %, on peut observer une spécificité beaucoup plus faible des détectés transitoires SFIC, probablement comprenant de nombreux faux positifs et supposée montrant beaucoup moins temporelle synchronie.
Comme un autre point de vue qui peut être définie sur les données, Figure 2 b montre les cartes spatiales ensemble-cerveau de changements significatifs de SFIC à t = 55 s. On peut considérer que la réponse à la scène de film s’étend bien au-delà les connexions de l’exemple décrites ici.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59083/59083fig2.jpg"> Figure 2 : instantanés temporelles et spatiales des patrons ISFC. Cours à temps transitoire (A), SFIC, moyennées sur les sujets, pour les trois connexions indicatives (C1, C2 et C3, respectivement sombres traces verts, verts et turquoises). La scène de film qui ont poussé les changements ISFC est surlignée en gris clair et représentée par des images d’exemple. Pour W = 10 TR (colonne de gauche des parcelles), SFIC modifications sont détectées plus fortement que pour W = 5 TR (colonne de droite de parcelles). Pour α = 0,01 % (rangée du haut des parcelles), spécificité aux signaux film localisée est plus grande que pour α = 5 % (ligne du bas des parcelles). Chaque trace reflète l’évolution ISFC transitoire d’une session, et les intervalles de confiance 95 % bilatéral s’affichent sous forme de mesure de l’erreur. (B) pour W = 10 TR et α = 0,01 %, il existe un modèle spatial neat, restreint de transitoires ISFC à t = 55 s (le SFIC transient Peak pour C1) ; pour W = 5 TR et α = 5 %, subissant un changement significatif de la SFIC en ce moment les connexions sont beaucoup plus nombreux. Notez que nous supposons un retard hémodynamique d’environ 5 s dans la temporalité décrite (p. ex., une valeur de 55 s ici se rapporte au stimulus film à 50 s). Ce chiffre a été en partie modifié de Bolton et al.,25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig2large.jpg" target="_blank">S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.</a>

L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication

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

Grâce à notre méthode, les moments où les interactions cérébrales fonctionnelles sont synchronisées entre les sujets peuvent être déterminés et visualisés. Le principal avantage de notre approche est sa capacité à suivre dynamiquement les changements dans les réponses cérébrales fonctionnelles inter-sujets d’une manière statistiquement saine. Notre pipeline permet d’évaluer la synchronicité entre les signaux fonctionnels de différents sujets.Et cela peut ensuite être comparé entre différentes populations telles que les contrôles sains et ceux affectés par la maladie et les troubles tels que l’autisme et la schizophrénie. Notre méthode peut bénéficier à toute recherche visant à suivre dynamiquement la synchronicité entre les différents ensembles de cours du temps. Et cela peut également être appliqué à d’autres modalités d’imagerie telles que l’électroencéphalographie.La démonstration visuelle de la méthode permettra aux nouveaux utilisateurs de comprendre les différentes étapes de traitement de la méthode ainsi que les fonctionnalités de l’interface utilisateur graphique. Roberto Martuzzi, le principal opérateur d’IRM de notre centre de recherche, démontrera la procédure d’imagerie. Pour que chaque bénévole soit pris en considération dans l’analyse, effectuez au moins une séance fonctionnelle d’imagerie par résonance magnétique ou d’IRMf au cours de laquelle le bénévole numérisé est soumis au paradigme d’intérêt consigné dans le temps et à une séance d’imagerie fonctionnelle au cours de laquelle le bénévole numérisé se repose au scanner les yeux fermés et est prié de ne pas s’endormir.Puis acquérir un volume d’IRM structurelle. Pour ouvrir la première fenêtre d’interface utilisateur graphique de prétraitement, entrez JOVE_GUI1 dans le terminal MATLAB. Cliquez ensuite sur Entrez les données fMRI, sélectionnez les volumes fonctionnels réalignés appropriés et entrez le temps de répétition des données en quelques secondes dans la fenêtre de texte modifiable dédiée.Cliquez sur Entrez les données T1 et sélectionnez les trois volumes de type tissu probabiliste appropriés. Cliquez sur Entrer le fichier motion et sélectionnez le fichier texte contenant les paramètres de mouvement de la session d’intérêt. Sélectionnez ensuite si les données doivent être détendndées et quels covariates doivent être régressés.Pour prétrayer les données, cliquez sur Prétrayant et attendez que l’affichage apparaisse dans la fenêtre. Les données peuvent être retraitées différemment en modifiant les options et en cliquant à nouveau sur le bouton Préprocess. Ensuite, entrez JOVE_GUI2 dans le terminal MATLAB pour ouvrir la deuxième fenêtre d’interface utilisateur graphique de prétraitement et cliquez sur sélectionner les données pour sélectionner le fichier de données prétraité.Cliquez sur Sélectionnez atlas et sélectionnez le fichier Neuroimaging Informatics Technology Initiative ou NIFTI représentant l’atlas à utiliser pour la colislation. Cliquez sur Sélectionnez la distorsion inverse et sélectionnez le fichier NIFTI représentant le champ de déformation de l’Institut neurologique de Montréal à l’espace autochtone. Cliquez ensuite sur sélectionnez le volume de l’IRMf et sélectionnez l’un des volumes de données de l’IRMf.Pour entrer les informations liées au nettoyage, dans la liste de type de nettoyage, sélectionnez le nombre d’images à frotter avant et après les cadres marqués. Dans la fenêtre de texte du seuil de frottement, entrez la valeur du seuil de déplacement sage du cadre au-dessus de laquelle un volume d’IRMf doit être frotté en millimètres. Ensuite, entrez la taille de la fenêtre coulissante W pour être utilisé pour les calculs inter-subjection corrélation fonctionnelle ou ISFC dans les temps de répétition et cliquez sur Plot pour afficher les cours indicatifs de temps atlas avant et après les étapes de nettoyage et de filtrage.Pour les calculs ISFC de fenêtre coulissante, entrez des JOVE_GUI3 dans le terminal MATLAB pour ouvrir la première fenêtre d’interface utilisateur graphique liée à l’ISCF et cliquez sur Les données de charge pour sélectionner tous les fichiers de données appropriés. Sélectionnez si les segments de session sélectionnés doivent subir une randomisation progressive et entrez la taille de la fenêtre dans les temps de répétition au cours duquel les mesures de connectivité doivent être calculées ainsi que la taille de l’étape dans les temps de répétition par lesquels les fenêtres successives doivent être déplacées. Modifiez le tableau des types de session pour spécifier lequel des segments de session chargés ont été acquis dans la même condition expérimentale en augmentant le nombre d’entiers à partir d’un seul et jusqu’à étiqueter les différents types de segments.Dans les fenêtres de texte modifiables appropriées, entrez le nombre de plis bootstrapping sur lesquels effectuer les calculs ISFC et le nombre de sujets qui devraient constituer le groupe de référence pour chaque pli des calculs ISFC. Dans la section paramètres de synchronisation, entrez les spécifications sur lesquelles la sous-portion des cours du temps doit être analysée et cliquez sur Plot pour effectuer les calculs ISFC. Les écrans seront progressivement mis à jour au fil du temps ainsi que la quantité de plis bootstrapping écoulés.Pour ouvrir la deuxième fenêtre d’interface utilisateur graphique liée à l’ISFC, entrez JOVE_GUI4 dans le terminal MATLAB. Pour sélectionner les fichiers de sortie ISFC liés au stimulus, cliquez sur Les données ISFC de charge et sélectionnez les fichiers de sortie ISFC liés au stimulus. Pour sélectionner les fichiers de sortie ISFC nuls, cliquez sur Charger les données nulles et sélectionnez soit l’ISFC de l’état de repos, soit les fichiers de sortie ISFC randomisés liés au stimulus en fonction du schéma de génération de données nulle utilisé.Cliquez ensuite sur Charger le codebook et sélectionnez le fichier codebook. Dans la fenêtre de texte modifiable appropriée, entrez la valeur alpha en pourcentage à laquelle les cours de temps ISFC doivent être seuils pour mettre en évidence des changements significatifs. Pour construire une distribution nulle, cliquez sur Plot pour lancer le processus de seuil ISFC pour lequel toutes les mesures ISFC nulles disponibles sont agrégées pour une connexion donnée et après quoi les mesures ISFC liées au stimulus seront seuils en fonction de la valeur alpha sélectionnée.Pour visualiser les modèles spatiaux ISFC à différents points de temps, faites glisser le curseur sous la parcelle d’excursion ISFC. Au cours de ces sessions représentatives, le film évalué a été affiché de cinq à 353 secondes avec un segment d’état de repos suivant le film de 386 à 678 secondes. En outre, une session d’état de repos de 310 secondes seulement a été acquise pour chaque sujet.Les cours du temps ISFC ont été générés à des longueurs de fenêtre de W 10 et W 5 fois de répétition pour trois connexions représentatives différentes impliquant une inhibition de réponse médiatante de région et un autre impliqué dans respectivement l’attente des objets mobiles, la coordination sensorielle, ou le traitement des significations de mot. Le bruit est plus grand aux heures de répétition W 5 et des changements ISFC verrouillés dans le temps sont observés dans la connexion un et deux cours du temps de regarder des films. Ici, la fraction des sujets montrant des transitoires ISFC verrouillés statistiquement significatifs est montrée pour les trois mêmes connexions.Les transitoires sont plus nombreux à de plus grandes longueurs de fenêtre pendant que des mesures plus robustes d’ISFC facilitent l’extraction et à de plus grandes valeurs alpha pendant que plus de faux positifs sont détectés. Dans ces données représentatives, un extrait de film en particulier a été impliqué dans l’inhibition de réponse liée aux objets en mouvement et a conduit à des changements isfc répandus. La longueur de la fenêtre ne doit pas être trop courte pour des estimations robustes ni trop longue pour capturer la dynamique ISFC.Et une valeur alpha suffisamment rigoureuse devrait être utilisée pour limiter les faux positifs. Les mesures ISFC peuvent être regroupées dans des états ISFC du cerveau entier pour un examen spécial des caractéristiques temporelles. Les transitoires importants de l’ISFC peuvent également être représentés comme un graphique reflétant le flux d’information.

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

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Techniques de neuroimagerie, telles que l'IRM fonctionnelle et Diffusion Tensor Imaging sont devenus de plus en plus utiles pour caractériser les déficits cognitifs et neuronaux dans l'autisme. Un examen de la connectivité cérébrale dans l'autisme au niveau réseau avec des adaptations pour la numérisation des enfants ayant une déficience intellectuelle est présentée.

Sonder le cerveau dans l&#39;autisme par IRMf et de Diffusion Tensor Imaging

Nous décrivons une nouvelle approche pour l'analyse simultanée des fonctions du cerveau et de la structure à l'aide imagerie par résonance magnétique (IRM). Nous évaluons la structure du cerveau à haute résolution imagerie de diffusion et tractographie de fibres de la substance blanche. Contrairement norme IRM structurelle, ces techniques nous permettent de relier directement la connectivité anatomique à propriétés fonctionnelles des réseaux cérébraux.

Co-analyse de la structure du cerveau et son fonctionnement en utilisant l&#39;IRMf et imagerie de diffusion

Cette vidéo présente une méthode d'examen des modifications liées à l'âge en matière de connectivité fonctionnelle des réseaux de contrôle cognitif engagés par ciblés tâches / processus. La technique est basée sur l'analyse multivariée des données d'IRMf.

Une méthode d&#39;enquête sur les différences liées à l&#39;âge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance

La connectivité informationnelle mesure la correspondance entre les cours temporels de l’information multi-voxel à travers différentes régions du cerveau. Des séries chronologiques de discriminabilité de motifs multi-voxels sont extraites des régions et comparées, révélant des réseaux qui ne sont pas identifiés dans une approche typique de connectivité fonctionnelle.

Utilisation informationnel connectivité mesurer l&#39;émergence synchrone de l&#39;IRMf Multi-voxel information à travers les âges

Ce protocole décrit les techniques complémentaires de neuroimagerie de connectivité structurelle à l’état de repos, de désactivation induite par la tâche et d’analyses de connectivité structurelle pour examiner le réseau par défaut dans le trouble de stress post-traumatique. L’utilisation de méthodes synergiques pourrait potentiellement conduire à de meilleurs diagnostics et évaluations de la gravité, des résultats et d’autres facteurs cliniques pertinents.

Développer neuroimagerie phénotypes du défaut réseau mode dans le SSPT: Intégration de l&#39;état de repos, la mémoire de travail, et de la connectivité structurelle

Le protocole pour mener des expériences d’hyperscan fNIRS sur des dyades d’apprentissage collaboratif dans un environnement d’apprentissage naturaliste est décrit. En outre, un pipeline pour analyser la synchronisation inter-cerveau (IBS) des signaux d’hémoglobine oxygénée (Oxy-Hb) est présenté.

La synchronisation inter-cerveaux dans l’apprentissage collaboratif ouvert : une étude fNIRS-Hyperscanning

La dynamique entre les cerveaux couplés des individus a été de plus en plus représentée par la synchronisation inter-cerveau (IBS) lorsqu’ils se coordonnent les uns avec les autres, principalement en utilisant des signaux d’enregistrement simultané des cerveaux (à savoir l’hyperscanning) avec fNIRS. Dans les études d’hyperscan fNIRS, le SCI a été couramment évalué par la méthode de la cohérence de transformation des ondelettes (WTC) en raison de son avantage sur l’expansion des séries...

Comment calculer et valider la synchronisation inter-cerveau dans une étude d’hyperscanning fNIRS

Ce protocole décrit la cohérence partielle de la transformation des ondelettes (pWTC) pour calculer le modèle décalé dans le temps de la synchronisation neuronale interpersonnelle (INS) afin de déduire la direction et le modèle temporel du flux d’informations au cours de l’interaction sociale. L’efficacité du pWTC dans l’élimination des confusions de l’autocorrélation du signal sur l’INS a été prouvée par deux expériences.

Mesure du flux d’informations directionnelles dans les données d’hyperscan fNIRS à l’aide de la méthode de cohérence de transformation partielle des ondelettes

Cet article présente une approche intégrative pour étudier le réseau fonctionnel de la navigation spatiale dans le cerveau humain. Cette approche intègre une base de données méta-analytique de neuroimagerie à grande échelle, l’imagerie par résonance magnétique fonctionnelle à l’état de repos, ainsi que des techniques de modélisation de réseau et de théorie des graphes.

Modélisation du réseau fonctionnel pour la navigation spatiale dans le cerveau humain

La cohérence de la transformée en ondelettes (WTC) est une méthodologie courante d’évaluation du couplage entre les signaux utilisée dans les études d’hyperbalayage par spectroscopie fonctionnelle proche infrarouge (fNIRS). Une boîte à outils permettant d’évaluer la directionnalité de l’interaction du signal est présentée dans ce travail.

Nouveau cadre pour la compréhension de la cohérence intercérébrale dans les études d’hyperbalayage par spectroscopie fonctionnelle dans le proche infrarouge (fNIRS)

L’acquisition de données de tomographie par émission de positons (TEP) dynamique et la reconstruction en cadres temporels permettent d’analyser la connectivité métabolique du cerveau au niveau d’un seul sujet. Nous décrivons une méthode pour acquérir des données TEP dynamiques [18F]FDG du cerveau du rat et obtenir une matrice de connectivité par extraction de courbes temps-activité de volumes d’intérêt.

Étude de la connectivité métabolique du cerveau à l’aide de la tomographie dynamique par émission de positrons 2-désoxy-2-[18F]fluoro-D-glucose au niveau d’un seul sujet

Découvrez une méthode d'IRMf pour suivre la connectivité fonctionnelle dynamique entre sujets. Cette approche permet de visualiser et comparer les réponses cérébrales synchronisées dans des populations saines et atteintes de troubles neuropsychiatriques.

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication (Vidéo) | JoVE Journal

Connectivité fonctionnelle inter-sujet dynamique révèle des Configurations de réseau de cerveau à chaque instant par continu ou paradigmes de Communication

Explorer plus de vidéos