Utilizzando Informativo Connettività a misurare l'emergere sincrono di fMRI Multi-voxel Informazioni Across Time

Sommario

La connettività informativa misura la corrispondenza tra i corsi temporali delle informazioni multi-voxel in diverse regioni del cervello. Le serie temporali di discriminabilità del modello multi-voxel vengono estratte dalle regioni e confrontate, rivelando reti che non sono identificate in un tipico approccio di connettività funzionale.

Abstract

E 'ormai apprezzato tale condizione rilevanti informazioni possono essere presenti all'interno di modelli distribuiti di risonanza magnetica funzionale (fMRI) l'attività cerebrale, anche per le condizioni con livelli simili di attivazione univariata. Modello multi-voxel (MVP) analisi è stata utilizzata per decodificare queste informazioni con grande successo. Investigatori FMRI spesso cercano di capire come le regioni del cervello interagiscono in reti interconnesse, e utilizzare la connettività funzionale (FC) per identificare le regioni che si sono correlate le risposte nel corso del tempo. Proprio come le analisi univariata può essere insensibile alle informazioni in MVP, FC non può caratterizzare completamente le reti del cervello che elaborano le condizioni con caratteristici firme MVP. Il metodo qui descritto, connettività informativo (IC), in grado di identificare le regioni con variazioni correlate a MVP-discriminabilità attraverso il tempo, rivelando la connettività che non è accessibile a FC. Il metodo può essere esplorativa, con proiettori per identificare semi connaree ette, o previste, tra le regioni di interessi pre-selezionati. I risultati possono spiegare reti di regioni che elaborano le condizioni MVP-correlate, di degradazione possono mappe faro MVPA in reti separate, oppure possono essere confrontati attraverso attività e gruppi di pazienti.

Introduzione

L'obiettivo del metodo di analisi qui descritta è misurare la connettività tra le regioni del cervello basato su variabilità dei dati multi-voxel. I progressi nella risonanza magnetica funzionale (fMRI), tecniche di analisi hanno rivelato che una grande quantità di informazioni può essere contenuto entro livelli nel sangue-ossigenazione-dipendente (BOLD), modelli di attività che vengono distribuiti su più voxel ^1-3. Un insieme di tecniche che sono sensibili alle informazioni multivariata - noto come modello multi-voxel analisi (MVPA) - è stato utilizzato per dimostrare che le condizioni possono avere MVP distinguibili pur avendo risposte indistinguibili univariati ^1,2,4. Analisi standard, che confrontano le risposte univariata, può essere insensibile a queste informazioni multi-voxel.

Regioni cerebrali multiple sono impegnati quando gli esseri umani elaborano gli stimoli ed eseguire operazioni cognitive. Connettività funzionale (FC) è un metodo comunemente impiegato per indaginecancello tali reti funzionali ^5,6. Nella sua forma più elementare, FC quantifica co-attivazione, o la sincronia tra i vari voxel o regioni. FC è stato usato per identificare le reti del cervello funzionalmente collegati con molto successo. Per molte regioni e delle condizioni, però, le risposte univariate non riflettono tutte le informazioni disponibili nell'ambito dell'attività BOLD. Tecniche di FC che tengono traccia che cambiano dinamicamente i livelli di risposta univariata possono mancare sensibilità alle fluttuazioni comuni nelle informazioni multi-voxel. Il metodo di analisi qui presentata, connettività informativo (IC; prima descritto in un recente articolo ^7), colma un divario tra MVPA e FC, misurando la connettività con una metrica che è sensibile a informazioni multi-voxel nel tempo. Mentre FC ascolti cambiano dinamicamente l'attivazione univariata, IC brani che cambiano dinamicamente MVP discriminabilità - una misura di quanto bene vera condizione di un MVP si distingue dalle alternative (errati). Importante, in tegli stesso modo in cui le diverse regioni può mostrare livelli simili di risposte univariata a una condizione, nonostante l'esecuzione di calcoli distinti (ad esempio, l'elaborazione visiva o di pianificazione azione quando una persona osserva degli oggetti artificiali), distinte regioni possono anche avere livelli simili (e sincronizzati) di MVP discriminabilità mentre si elaborano le condizioni in modo diverso. Una recente indagine ha dimostrato che IC può rivelare la connettività inter-regionale che non è rilevabile con un approccio standard FC ^7. Gli investigatori possono quindi utilizzare IC per sondare le interazioni tra le regioni del cervello come partecipanti rispondono alle condizioni o stimoli che hanno caratteristici modelli distribuiti. IC è distinta da diverse recenti applicazioni di connettività che hanno esaminato le fluttuazioni dei attivazione univariata in relazione ai risultati della classificazione ^{8, 9.} A differenza di questi approcci, IC rileva sincrono modello discriminabilità multi-voxel tra le regioni.

Protocollo

1. Preparare i dati fMRI

Nota: Dopo aver effettuato la scansione di un fMRI, pre-elaborare i dati raccolti utilizzando gli strumenti disponibili nella maggior parte dei pacchetti software fMRI prima di iniziare questo protocollo (anche se smoothing spaziale dovrebbe essere evitata o minimizzata per preservare i modelli multi-voxel). Un esempio di un set di dati adatto è descritto in una precedente domanda del metodo ^7.

1. Rimuovere movimento e dire i segnali della sostanza bianca dalla serie storica dei dati fMRI pre-trattati con la creazione di un modello di regressione con predittori per i parametri di movimento (rollio, beccheggio, imbardata, x, y, z) e la media del segnale della sostanza bianca. Effettuare le analisi di seguito sui residui risultanti (ossia la varianza residua).
2. Importare i residui generati in un pacchetto di analisi (ad esempio, MATLAB, Python). L'open source Informational Connectivity Toolbox (http://www.informationalconnectivity.org) può importare dati fMRI in MATLAB.
3. Z-score eacserie temporali h di voxel.
4. Separare timepoints del set di dati in insiemi indipendenti («pieghe»), come diverse esecuzioni dello scanner. Nota: l'uso corre scanner assicura l'indipendenza tra le pieghe, che possono comunque essere difficile garantire (per esempio, le dipendenze potrebbero essere creati tra timepoints di una pista in fase di pre-processing). Corre potrebbero essere raggruppati insieme per ridurre il numero di pieghe (ad esempio, pari e dispari piste ^2), anche se con corse singole darà più dati di allenamento.
5. Creare un record delle etichette condizione associata con timepoints generando un vettore di condizione etichette che è N timepoints lungo.
6. Spostare le etichette condizione in avanti in ogni gestita da un certo numero di volte, a ripetizione (TR) equivalente a 5 secondi, al fine di spiegare il ritardo emodinamica tra eventi e segnali fMRI registrati.

2. Selezionare e analizzare una Regione Seed

1. Selezionare una regione seme isolando un anatomicozona al, regione funzionalmente localizzata o top-performing 'mappatura informazioni cervelli' Searchlights ^10.
   Nota: i passaggi 2,2-4,2 sotto possono essere eseguite dalla open-source Connettività Informational MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Confrontare l'MVP di ogni time-point ad un MVP prototipo per ogni condizione (Nota: questo è lo stesso approccio utilizzato nel popolare a base di correlazione-nearest neighbor classificatore ^2). Figura 1 (in alto) dà un esempio da dati reali raccolti i partecipanti hanno visto blocchi di quattro tipi di oggetti artificiali.
   1. Calcolare un prototipo (media) MVP per ogni condizione facendo la media dei tempi di valutazione di ciascuna condizione in all-ma-ovile. Questi sono i dati "formazione" per ogni piega (ad esempio, per la piega 2 su 5, medi-MVP sono calcolati dalle visite nei pieghe 1, 3, 4, e 5).
   2. Correlare ogni visita '; S MVP con la media-MVP di ogni condizione dai dati di addestramento. Questo darà ogni visita un valore di correlazione per ogni condizione (Nota: la condizione con la più alta correlazione qui sarebbe la previsione della correlazione popolare classificatore MVPA basato ²⁾
   3. Fisher-trasformare le R-valori di z-score.
3. Quantificare 'MVP discriminabilità' per ogni timepoint: Prima di individuare la correlazione da 2.2.3 che rappresenta la relazione tra MVP del tempo di valutazione e la media-MVP di condizione che di tempo di valutazione, e quindi sottrarre il più alto dei rimanenti correlazioni (cioe 'la correlazione con la corretta stato 'minus' massima correlazione con una condizione non corretta '). Il risultato è MVP discriminabilità che di tempo di valutazione. Un approccio alternativo (e valido) sarebbe di sottrarre la correlazione media delle condizioni non corrette.
   Nota: L'approccio proposto ha la Advanta intuitivoge che timepoints con i valori discriminabilità positivi sono classificati correttamente dal classificatore correlazione basata, mentre timepoints con valori negativi non sono previsti correttamente. Un esempio dei valori ottenuti è mostrato in figura 1 (in basso). I passaggi fino a questo punto vengono catturati nelle formule sottostanti.
   
   x è un vettore normalizzato 1-by-m riga con valori di attivazione m voxel al time-point n, Y è un normalizzata 1-by-m vettore riga del modello di formazione media per una corretta (c) o errate (i) le condizioni per time-point n. La funzione artanh applica la z Fisher trasformata.

3. Calcolare una serie temporale di MVP discriminabilità per ogni Searchlight

1. Condurre un'analisi faro ^10: Inserire un c tridimensionalelustro attorno ad ogni voxel a turno (un 'faro').
2. Ripetere i passaggi 2.2 e 2.3 per ogni faro, in modo che ogni faro dispone di una serie storica dei valori discriminabilità MVP (uno per timepoint).

4. Calcolare Informational connettività tra il seme e Searchlights

1. Correlare serie del seme MVP discriminabilità tempo (da 2.3) con la serie di ogni faro discriminabilità tempo (da 3,2) utilizzando di Spearman Classifica correlazione. Il valore risultante r _s è l'IC tra il seme e il faro.
2. Assegnare il valore IC di ogni faro per voxel centrale del faro e scrivere mappa del cervello del soggetto risultante.

5. Calcolare Group Mappa statistici

1. IC Se i dati non sono già in uno spazio standard (ad esempio, Talairach o MNI), trasformano partecipanti mappe nello stesso spazio.
2. Opzionalmente lisciare gli individui e# 39; mappe faro.
3. Creare una mappa statistica gruppo utilizzando una t-test di sola andata per se il valore IC di ogni faro è significativamente maggiore di zero.

6. Importanza test

Nota: Esistono numerosi metodi per determinare la significatività statistica delle mappe del gruppo fMRI. Come test di permutazione in grado di determinare il significato con le ipotesi minime, mentre rappresentano il livello del dataset di smoothing (come ogni mappa gruppo permutato subisce lo stesso trattamento), questa opzione è descritto di seguito.

1. Per ciascuna di 1.000 permutazioni, mescolate in modo casuale i valori MVP-discriminabilità del seme attraverso la serie storica. Tenere timepoints adiacenti con autocorrelazioni temporali (come timepoints nello stesso blocco) insieme (ad esempio, da blocchi anziché TR adiacenti shuffling).
2. Calcola IC mappe individuali per ogni permutazione (punto 4).
3. Genera 1.000 mappe del gruppo permutati: randomly selezionare uno permutato IC mappa da ciascun partecipante e condurre un test di gruppo su questo insieme casuale (punto 5).
4. Soglia ogni mappa gruppo permutato alla soglia desiderata (ad esempio, p <0.001) ed estrarre la dimensione massima del cluster dalla mappa.
5. Ordina la risultante di 1.000 volumi di massima del cluster e identificare la dimensione dei cluster al 95 ^° percentile (ad esempio, il 50 ^° più grande per 1.000 permutazioni).
6. Applicare la soglia utilizzata in 6.4 (ad esempio, p <0.001) e la dimensione minima del cluster dal 6,5 al reale (non permutato) IC mappa gruppo per renderlo cluster corretta a p <0,05. Poiché ogni mappa permutato si ispira agli stessi valori discriminabilità MVP (in un ordine diverso), questo significato cartina evidenzia le regioni con più valori discriminabilità sincroni del previsto per caso.

Risultati

I risultati IC possono ora essere visualizzati utilizzando preferito pacchetto software di analisi del ricercatore fMRI. Figura 2 mostra i risultati IC, calcolati dai blocchi di presentare visivamente uomo fatto di oggetti (le informazioni complete nella pubblicazione associata ^7).

L'analisi IC è particolarmente preziosa per le condizioni noti per essere associati MVP: Condizioni di MVP caratteristici, ma senza differenze nelle risposte univariata, sono più probabilità di avere distinzioni tra IC e FC (illustrato con dati che sono stati registrati come partecipanti hanno visto diversi tipi di uomo realizzato oggetti in Figura 3). figura 4 mostra che i proiettori con un significativo informazioni multi-voxel può avere alta IC, ma sono meno ben rappresentate nei risultati FC.

.. Figura 1 Esempi di modello discriminabilità nel tempo Top:. I substrati di MVP discriminabilità calcolata da un soggetto in Haxby et al (2001) ^2, come analizzato in Coutanche & Thompson-Schill (2013) ^7. La linea blu indica la correlazione z-gol tra «MVP e la media punti temporali ('training') modello della classe corretta. Le linee verdi rappresentano le correlazioni MVP "con tre classi errati. In basso: Reticolo discriminabilità è la differenza tra le correlazioni per la classe corretta e più alta classe errato. Time-punti con valori modello discriminabilità positivi sarebbero classificate correttamente da un classificatore basato correlazione. Figura originariamente pubblicato nel Coutanche & Thompson-Schill (2013) ^7. Cliccare qui per vedere una versione più grande di questa figura.

Figura 2. Mappe connettività Esempio. Ogni riga mostra zone significativamente collegati ad un seme (in blu). Importanza è determinato da un gruppo t-test (p <0,001) con dimensione minima cluster da test permutazione. I risultati IC vengono visualizzati utilizzando AFNI ^{1 1} sulle mappe superficiali prodotti con FreeSurfer ^{1 2.} La figura viene modificato da Coutanche & Thompson-Schill (2013) ^7. Cliccare qui per vedere una versione più grande di questa figura.

Figura. 3 Synchronized MVP discriminabilità rispetto a significare l'attivazione Esempi di MVP discriminabilità in due regioni con discriminabilità MVP sincrono (cioè connettività informativo) senza sincrono di attivazione medio (cioè connettività funzionale).; dati provengono da un soggetto da Haxby et al. (2001) ^2, come analizzato in Coutanche & Thompson-Schill (2013) ^7. Questi punti di dati sono stati raccolti mentre il soggetto visti presentazioni visive di oggetti artificiali, che sono distinguibili da modelli multi-voxel, ma non significa risposte. Cliccare qui per vedere una versione più grande di questa figura.

Figura 4. Esempio IC e FC valori tra un seme nel lefgiro t fusiforme e proiettori in tutto il cervello. informativo e punti di forza di connettività funzionale (z-assi) sono mostrati tra un seme e proiettori, per quanto riguarda la risposta medio di ciascun faro (asse x) e la precisione di classificazione MVPA (asse y) a quattro tipi di oggetti artificiali (probabilità = 25%). Proiettori condividono voxel con la regione seme sono stati rimossi. Il grafico IC include esempi di proiettori con una forte connettività che offrono prestazioni di alta classifica, ma bassi livelli di risposta media, che non vengono raccolti in un approccio tipico FC (visto dal divario nella ottante in alto a sinistra del grafico a destra). Figura originariamente pubblicato nel Coutanche & Thompson-Schill (2013) ^7. Cliccare qui per vedere una versione più grande di questa figura.

Discussione

Connettività Informativo ha una sensibilità di MVPA all'informazione modello distribuito, e offre la possibilità di studiare le interazioni tra regione attraverso un approccio di connettività. MVPA e le analisi univariata standard possono ogni rivelare il coinvolgimento di regioni distinte, a volte con poca sovrapposizione tra i loro risultati ^{1 3.} Come prevedibile per un metodo che si basa su questi approcci di analisi, IC e FC anche dare risultati complementari ^7. La decisione se impiegare IC dipende in ultima analisi alle condizioni oggetto di indagine e le questioni teoriche di essere poste. Considerazioni sulla progettazione di tale impatto se MVPA è condotta su un dataset influirà anche se viene utilizzato IC. Studi progettato con IC esplicitamente in mente vorranno seguire le raccomandazioni per MVPA ^{1 4,} garantendo al contempo che i dati a livello di processo possono essere estratti da tutto timecourse della scansione.

Nell'esaminaree riportare i risultati IC, è importante che i proiettori sovrapposti con il seme vengono rimosse, per evitare circolarità. Inoltre, se si confrontano direttamente IC e risultati FC, è consigliabile confronta anche un'analisi FC basata sull'attivazione medio di proiettori, piuttosto che voxel. Questa ulteriore analisi può garantire che le eventuali differenze tra i risultati non sono a causa delle differenze nei livelli di segnale-rumore in proiettori rispetto voxel.

La procedura qui descritta si concentra principalmente su un'analisi esplorativa impiega proiettori. Vale la pena notare che sostituendo proiettori con le regioni di interessi, IC può anche confrontare regioni selezionate una precedente i. L'attuale metrica discriminabilità - confrontando la correlazione di un MVP per il 'vero' condizione alla correlazione per la condizione di massima alternativo - è anche modificabile. Molti classificatori machine learning hanno pesi pronostico per diffclassi erenti, che potrebbero sostituire facilmente i confronti di correlazione svolte qui (ad esempio, per monitorare la 'fiducia' di un classificatore nel tempo). IC ha una varietà di usi possibili. Oltre ad essere un analisi primaria per indagare reti informative, IC può essere un'analisi follow secondaria a un faro MVPA. Le mappe faro MVPA sono preziose per capire quali regioni possono distinguere diverse condizioni, ma non sono in genere suddivisi in reti diverse. L'approccio IC può aiutare qui, rivelando che imposta di proiettori hanno discriminabilità sincrono. Infine, le mappe IC di compiti diversi può essere paragonato al fine di comprendere le reti di attività, ed i pazienti possono essere paragonati a controlli per capire meglio come le differenze multi-voxel ^{1 5} si manifestano a livello di rete.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Pacchetto software MATLAB	Pacchetto software MathWorks
AFNI	NIMH