Name: Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione (Video) | JoVE Journal
Uploaded: 2019-03-21T13:30:00.000+00:00
Duration: 8 min 36 s
Description: Scopri il metodo ISFC per tracciare la connettività cerebrale dinamica tra soggetti mediante fMRI. Questa tecnica consente di confrontare popolazioni sane con pazienti affetti da disturbi neuropsichiatrici come autismo e schizofrenia.

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

Questo lavoro è stato in parte sostenuto da ciascuno dei seguenti: Swiss National Science Foundation (concessione numero 205321_163376 per DVDV), la Fondazione Bertarelli (per TB e DVDV), il centro per Imaging biomedico (CIBM) e l'Agenzia nazionale per la ricerca ( tempofront concedere numero 04701 ALG). Gli autori vorrei ringraziare Roberto Martuzzi e Giulia Preti per il loro contributo al contenuto dei video di questo lavoro come, rispettivamente, l'operatore di MRI e scansionati volontari.

Gli autori non hanno nulla a rivelare.

Un set di dati di soggetti sani, abbiamo dimostrato come sincroni Croce-soggetto aumenti e diminuzioni nel FC, i transitori di sfuggire, sarebbero partita temporaneamente localizzata film spunti, fornendo informazioni che va di là di una descrizione statica. Anche se l'uso di croce-soggetto correlazione misure consente di focalizzare l'analisi basate su stimolo funzionale riconfigurazioni, bisogna anche essere consapevole che limita i risultati per gli effetti che sono condivise tra la popolazione studiata: quindi, a basso livello elaborazione sensitiva dovrebbe essere sovrarappresentate rispetto alla lavorazione frontale40. Per superare questa limitazione, nuovi metodi che hanno anche la capacità di estrarre le regioni che più fortemente variano attraverso gli oggetti sono stati sviluppati41.
Un'altra limitazione dalla metodologia introdotta nasce dall'aspetto di finestra scorrevole, risoluzione temporale dei corsi di tempo transitorio sfuggire viene abbassato rispetto agli approcci frame-wise15. Come abbiamo mostrato, è necessario un compromesso tra una lunghezza della finestra sufficientemente basso per risolvere correttamente dinamiche riconfigurazioni di sfuggire, e una dimensione sufficientemente grande per ottenere robusto stima. Due passaggi critici nel nostro quadro garantiscono che i transienti di sfuggire estratti rispecchino veramente cambiamenti nella connettività: primo, il filtro passa-alto dei corsi regionali time con l'inverso della finestra lunghezza32; in secondo luogo, l'utilizzo dei dati di sfuggire allo stato di riposo per la generazione di una distribuzione null pertinente, con parametri di acquisizione identici rispetto ai dati dello stimolo-correlati. Naturalmente, quest'ultimo richiede anche un tempo di acquisizione globale più lungo, affinché i dati relativi allo stato di riposo possono essere raccolti in cima a sessioni di stimolo-correlati. Come un approccio alternativo per evitare l'ulteriori registrazioni dello stato di riposo, vi offriamo anche la possibilità di generare dati randomizzati di fase direttamente dai corsi tempo stimolo-correlati, un approccio spesso utilizzato nelle analisi di connettività funzionale dinamico 23 , 24. ulteriore valutazione su un sottoinsieme delle sessioni ha rivelato che, sebbene il metodo null dello stato di riposo è più conservatore, e quindi meno soggetto a falsi positivi, i modelli globali di rilevazione escursione sfuggire erano simili in entrambi gli schemi (Vedi Complementare figura 5).
<img alt="Supplementary Figure 5" src="/files/ftp_upload/59083/59083sfig5.jpg"> Complementare figura 5: escursioni di rilevamento di sfuggire attraverso metodi di generazione di dati null. Per riposo-stato (trame di colonna a sinistra, blu) o metodi di generazione dati null di fase randomizzazione (trame colonna destra, rosso), percentuale di escursioni sfuggire estratte attraverso connessioni. Le trame di fondo sono un inserto sulle connessioni provenienti da regioni del cervello considerato primi tre. Errore rappresenta la deviazione standard tra i soggetti. <a href="https://www.jove.com/files/ftp_upload/59083/59083sfig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
La durata delle acquisizioni dello stato di riposo si riferisce in realtà un parametro critico delle analisi: il valore di α. Come esemplificato sopra, una scelta troppo indulgente porterà ad una grande quantità di falsi positivi nei rilevati transitori di sfuggire. Più grande la quantità di dati disponibili allo stato di riposo, i più alti tasso di realizzabile falso positivo, perché soglia può essere basata su valori più estremi dalla distribuzione null. A titolo indicativo, per n = 299 Atlante regioni come qui e dato il nostro bottino di 5.762 punti di dati relativi allo stato di riposo, nel migliore dei casi potremmo raggiungere un valore di α vicino 0,01% (Vedi punto 5.2.6 per particolari matematici).
Un altro punto chiave relative a qualsiasi analisi di fMRI si trova nella rigorosa rimozione di artefatti possibili dovute al movimento dai dati analizzati30,42. In particolare, se si vuole applicare la pipeline introdotta alle popolazioni malate che esibiscono contrassegnato movimento nello scanner, è consigliabile che in cima incluse variabili di movimento come covariate nelle analisi statistiche eseguite, pre-elaborazione aggiuntiva passi eseguiti, ad esempio wavelet denoising43 o44di ICA-AROMA. Gruppo di confronto, per esempio per confrontare transitori di sfuggire tra un sano e un gruppo di malati, può essere eseguita facilmente eseguendo l'approccio descritto in parallelo su entrambi i gruppi di interesse (Vedi Bolton et al.25 per un esempio su una popolazione diagnosticato con disturbi dello spettro autistico). Tuttavia, una differenza fra i gruppi possa quindi sorgere in due impostazioni distinte: (1) un assente sfuggire cambiare in un gruppo, o (2) un'evoluzione più eterogenea in quel gruppo. Per districare questi due fattori, la pipeline deve essere eseguita una volta di più per il gruppo di malati, utilizzando il soggetto sano impostato come gruppo di riferimento nella fase di avvio automatico. Primo caso comporterebbe ancora una risposta assente, considerando che quest'ultimo non sarebbe.
In cima a quello che abbiamo descritto qui, la metodologia introdotta apre anche promettente futuri viali: da una parte analitica, mappe transitorie sfuggire potrebbero essere visto come grafici di cervello da quali metriche quantificare cervello connettività potrebbe essere derivata45, o gli stati dinamici sfuggire potrebbero essere estratta attraverso approcci di clustering e valutati in termini di loro caratteristiche spaziali e temporali17,46. Inoltre, si potrebbe anche prevedere l'uso di strumenti di misura di connettività più sofisticati rispetto a coefficiente di correlazione di Pearson per rivelare i lati più sottili del FC47,48.
Dal lato sperimentale, l'applicazione della nostra pipeline a un insieme più esteso di paradigmi è una promettente prospettiva: ad esempio, invece di un film come studiato qui, si potrebbe prevedere per utilizzare un pezzo di musica49 o una storia narrativa13, 50 come stimolo tempo-bloccata. In alternativa, si potrebbe anche essere previsto, attraverso hyperscanning51, per sondare la comunicazione sociale naturalistico52,53.

La formazione immagine a risonanza magnetica funzionale (fMRI) è diventato lo strumento di scelta in modo non invasivo monitorare i cambiamenti nell'attività cerebrale derivando dallo stimolo esterno. Più specificamente, vivido interesse è emerso circa la comprensione dell'interdipendenza statistico tra corsi di tempo di attivazione regionale, noto come connettività funzionale (FC)1 e in genere calcolata come correlazione di Pearson coefficiente. Interrelazioni funzionali attraverso il cervello hanno dimostrati ampiamente di riconfigurare in funzione delle attività sottostanti2,3,4.
Due direzioni analitiche sono state seguite separatamente per andare oltre questa caratterizzazione introduttiva: da un lato, la risposta indotta in una regione del cervello determinata da uno stimolo di tempo-bloccata è stata osservata per correlare fortemente attraverso soggetti distinti5 . Quantificare questo inter-soggetto correlazione (ISC) ha mostrato potenziale per raffinare la nostra comprensione di cognizione6,7,8,9 e cervello disturbi10,11 . Inoltre, questo approccio di correlational Croce-soggetto è estesa anche alla valutazione della sincronicità interregionale12, in quello che divenne noto come l' approccio inter-soggetto correlazione funzionale (sfuggire)13.
D'altra parte, il sapore dinamico di riconfigurazioni FC ha iniziato a ricevere maggiore attenzione (vedere Hutchison et al.14, Preti, Bolton e Van De Ville15, Gonzales-Castillo e Bandettini16 per le recenti recensioni sul lati dello stato di riposo e basate su attività di questa domanda). In particolare, del intero-cervello FC modifiche nel corso del tempo possono essere rintracciate attraverso misure di correlazione consecutivi sopra una finestra secondaria temporale gradualmente spostato17,18, rivelando ulteriori approfondimenti nel contesto di attività comportamentali 19,20.
Qui, presentiamo un quadro metodologico che combina questi due viali. Infatti, calcoliamo sfuggire in moda di finestra scorrevole per tenere traccia l'evoluzione della sincronicità interregionale tra i soggetti esposti ad un paradigma naturalistico, tempo-bloccata. Attraverso l'aspetto di croce-argomento del metodo, analisi sono concentrati su effetti basati su stimolo, mentre cambiamenti spontanei fMRI (che sono incorrelati attraverso gli oggetti) sono fortemente attenuati. Questo è importante perché pattern di attività dello stato di riposo e attività-evocati sono capiti sempre più a caratterizzarsi con proprietà distinte21,22.
Per quanto riguarda la componente dinamica del metodo, consente una più completa e accurata caratterizzazione degli stimoli del compito, specialmente quando analizzando un paradigma naturalistico in cui si combinano una serie diversificata di cues (uditiva, visiva, sociale, ecc.) nel corso del tempo. Ulteriormente, come il suono valutazione statistica delle notevoli fluttuazioni dinamiche è stato dibattuto23,24, il nostro approccio richiede particolare attenzione questo aspetto delle analisi isolando cambiamenti significativi di sfuggire attraverso confronto di dati null appropriato.
Illustriamo il metodo su un insieme di soggetti sani esposti ad uno stimolo audio-video film, per il quale ci mostra che il temporale e spaziale sfuggire cambiare profili derivanti da film localizzato sotto-intervalli possono essere estratti con precisione. In tal modo, descriviamo anche l'influenza dei principali parametri analitici per essere selezionato dall'utente. I risultati presentati si basano sulla parte di dati precedentemente pubblicati25,26.

<table><tbody><tr><td>Freesurfer versione 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>Un toolbox compatibile con MATLAB che consente di eseguire varie fasi di elaborazione, visualizzazione e analisi su dati di risonanza magnetica funzionale</td></tr><tr><td>MATLAB_R2017a</td><td></td><td>MathWorks https://ch.mathworks.com/downloads/</td><td>Versione funzionante del software computazionale MATLAB (è consigliabile utilizzare la versione 2014a o più recente)</td></tr><tr><td>Statistical Parametric Mapping versione 12.0 (SPM12)</td><td>Wellcome Trust Center for Neuroimaging, University College London, Londra, Regno Unito</td><td>https://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Un toolbox compatibile con MATLAB che consente di eseguire analisi statistiche sui dati di risonanza magnetica funzionale</td></tr><tr><td>Scanner MRI 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 per risonanza magnetica in cui i soggetti registrano la loro attività cerebrale funzionale (a 3 T)</td></tr></tbody></table>

connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione

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

Basato su attività di imaging a risonanza magnetica funzionale orsi grande potenziale per comprendere come il nostro cervello reagisce a vari tipi di stimolazione; Tuttavia, questo è spesso raggiunto senza considerare l'aspetto dinamico della trasformazione funzionale e analitici uscite rappresentano in genere Unite influenze di effetti basati su attività e sottostante fluttuazioni spontanee dell'attività cerebrale. Qui, presentiamo una romanzo pipeline metodologica che può andare di là di queste limitazioni: l'uso di un sistema analitico di finestra scorrevole consente il rilevamento dei cambiamenti funzionali nel corso del tempo, e attraverso la croce-antropometriche correlazionali, l'approccio può isolare gli effetti puramente stimolo. Grazie ad un processo rigoroso Sogliatura, cambiamenti significativi in inter-soggetto correlazione funzionale possono essere estratto e analizzati.
Su un insieme di soggetti sani sottoposti a stimolazione audiovisiva naturalistica, dimostriamo l'utilità dell'approccio legando le riconfigurazioni funzionali svelate ai segnali particolare del film. Vi mostriamo come, attraverso il nostro metodo, si può catturare sia un profilo temporale dell'attività cerebrale (l'evoluzione di una determinata connessione), o concentrarsi su un'istantanea spaziale in un punto chiave temporale. Forniamo una versione pubblicamente disponibile della pipeline intera e descrivono l'utilizzo e l'influenza dei suoi parametri chiave passo dopo passo.

Qui, abbiamo preso in considerazione n = 15 soggetti (TD) in genere in via di sviluppo per il quale abbiamo ottenuto il consenso informato scritto. Tutti erano maschi destri (23.42 ± 7,8 anni). Il paradigma scelto era un documentario scientifico audiovisivo per i giovani sui pericoli di esposizione al sole. Esso contiene una grande varietà di stimoli visivi, uditivi e sociale e può essere visto alle https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.
Abbiamo acquistato due sessioni al soggetto (RUN1 e RUN2) in cui il film valutato è stato visualizzato da 5 a 353 s (5,8 min durata). Un segmento di riposo-stato anche seguito da 386 a 678 s (4,9 min durata). Inoltre, una sessione esclusivamente a riposo-stato (Esegui3) è stata acquisita per ogni soggetto (escluse uno che soffriva di claustrofobia), duraturo per 310 s (5,2 min). Scene di film di esempio e la tempistica dei dati acquisiti sono riassunti nella Figura 1A. D'importanza, il protocollo di acquisizione non era ottimo nel senso quello stato di riposo registrazioni acquisite solo dopo l'esposizione del film potrebbe essere parzialmente danneggiato da effetti di spillover27; Facciamo uso di questi dati nei risultati attuali di avere una soddisfacente quantità di campioni per la soglia statistica, ma questo dovrebbe essere evitato quando possibile.
Abbiamo escluso tutte le sessioni per cui più del 10% dei telai erano fregati, ad una soglia di 0,5 mm e considerato la parcellizzazione da Craddock et al34 (algoritmo di correlazione temporale di due livelli) per generare corsi regionali time, per un totale di 299 regioni differenti del cervello.
SFUGGIRE è stato computato separatamente sulle (1) la visione di film Subpart RUN1 e RUN2, (2) allo stato di riposo sottoparti di RUN1 e RUN2(3) le registrazioni di3 RUN in stato di riposo. Abbiamo usato una lunghezza della finestra W = 10 TR per il principale ha presentato risultati e confrontarli con un valore inferiore di W = 5 TR. passaggio dimensioni sempre rimasto uguale a 1 TR. Bootstrapping è stato eseguito oltre 250 pieghe, tra cui sessione 6 segmenti in ogni gruppo di riferimento.
Figura 1B Visualizza corsi di tempo sfuggire generati al W = 10 m. a e W = 5 TR per tre diverse connessioni rappresentante: connessione 1 coinvolto a sinistra regione parietale inferiore legate all'attesa di oggetti in movimento (MNI Coordinate: 41,9,32)35 e un diritto area opercular frontale legato all'inibizione di risposta (-34,-52,45)36. Questa regione di quest'ultima era anche implicata nelle connessioni 2 e 3, rispettivamente con una zona implicata nella coordinazione sensoriale (54,6,34)37e una è legata al trattamento del significato delle parole (6,62,9)38.
Un confronto attraverso lunghezze finestra rivela che nel W = 5 TR impostazione, temporale varianza nei soggetti è nel complesso più grande in entrambi i casi di visione di film e stato riposo segmento rispetto a W = 10 TR, un fenomeno noto in finestra scorrevole analisi39. Per la connessione 1, indipendentemente dalla lunghezza della finestra, una sottoparte localizzata della registrazione film-watching (a circa 55 s) Mostra una forte, sincronizzato sfuggire aumentare attraverso gli oggetti, che in gran parte supera l'intervallo di valori presi nel caso dello stato di riposo. Quindi, ci aspettiamo catturare questo capitolo temporale come un significativo sfuggire transitoria con il nostro metodo di soglia.
Per la connessione 2, osserviamo la dinamica temporale simile, ma per W = 5 TR, l'aumento diventa meno facile da districare rispetto i corsi di tempo dello stato di riposo, a causa del rumore di metodologia-relative di più grande finestra scorrevole. Per quanto riguarda la connessione 3, riflette un caso in cui non c'è nessuna chiara risposta al film, e così, le fluttuazioni da corsi di tempo di visione di film e dello stato di riposo sono simili. Il risultato atteso in questa fase analitica è un mix tra connessioni che mostrano chiare riconfigurazioni indotta da stimolo e connessioni che non rispondono.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59083/59083fig1.jpg"> Figura 1: tempi di acquisizione ed esempio sfuggire corsi di time. (A), il film visto dai soggetti coinvolti una vasta gamma di situazioni sociali (immagini di esempio 1 e 4), spiegazioni scientifiche con pannelli colorati (immagini di esempio 2 e 5) e paesaggio paesaggi (immagine di esempio 3). Tre sessioni sono state acquisite per soggetto: due (eseguire1 ed eseguire2) inclusa la stimolazione di film (da 5 a 353 s, evidenziato in verde) seguita da un periodo di riposo-stato (da 386 a 678 s, evidenziati in giallo), mentre uno (Esegui3) esclusivamente consisteva in una registrazione dello stato di riposo (durata 310 s, visualizzato in arancione). (B) per le tre connessioni indicative (C1, C2 e C3, rispettivamente scuro verde/rosso, verde/arancione chiaro e tracce di turchese/giallo), evoluzione di sfuggire nel tempo durante la visione di film (colori freddi) o stato di riposo (colori caldi). Per W = 10 TR (pannello sinistro), visione di film sfuggire cambia più in gran parte basamento fuori rispetto a W = 5 TR (pannello di destra). Ogni traccia riflette il corso di tempo sfuggire di una sessione. Questa figura è stato parzialmente modificata da Bolton et al.25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Figura 2A Visualizza i risultati che seguono la soglia statistica dei corsi tempo sfuggire, per gli stessi tre collegamenti come sopra. Un valore di corso di tempo pari a 1 indica che tutti gli oggetti hanno subito lo stesso aumento di sfuggire al tempo stesso punto; un valore 0 indica che nessun soggetto ha subito un cambiamento significativo di sfuggire; un valore di -1 rappresenta una diminuzione di sfuggire sincrona attraverso tutti gli oggetti. Come prima, contrapponiamo W = 5 m. a e W = 10 TR e abbiamo anche evidenziare due casi di α-valore: α = 0,01% e α = 5%.
Raccordo con le osservazioni di cui sopra, una lunghezza della finestra inferiore riduce la quantità di cambiamenti significativi estratti di sfuggire. Per la connessione 1, entrambi W = 5 m. a e W = 10 TR, tuttavia, estrarre il particolare momento stesso (t = 55 s) come mostrando un forte aumento di sfuggire. Prendere un delay emodinamica di approssimativamente 5 s conto, ciò corrisponde a una sottoparte del film quando linee colorate stavano estendendo verso una bambola e bruscamente interrotta proprio di fronte (46-49 s.), con il ruolo delle regioni coinvolte in oggetto in movimento attesa e risposta inibizione35,36.
Quando si aumenta α da 0,01% a 5%, si può osservare una specificità molto più bassa dei rilevati transitori sfuggire, probabilmente a molti falsi positivi ed expectedly risultati Sincronia temporale molto meno.
Come un'altra prospettiva che può essere impostata sui dati, Figura 2B Mostra le mappe spaziali del intero-cervello di cambiamenti significativi di sfuggire al t = 55 s. Si vede che la risposta alla scena di un film si estende ben oltre le connessioni di esempio descritte qui.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59083/59083fig2.jpg"> Figura 2: istantanee temporale e spaziale dei modelli sfuggire. (A), sfuggire corsi di tempo transitorio, una media tra i soggetti, per le tre connessioni indicative (C1, C2 e C3, rispettivamente scure verde chiaro, verde e turchese tracce). La scena di un film che ha guidato i cambiamenti di sfuggire è evidenziata in grigio chiaro e raffigurata da immagini di esempio. Per W = 10 TR (colonna di sinistra di trame), sfuggire le modifiche vengono rilevate più fortemente che per W = 5 TR (colonna di destra di trame). Per α = 0.01% (riga superiore delle trame), specificità ai film localizzata segnali è più grande per α = 5% (riga inferiore delle trame). Ogni traccia riflette il corso di tempo transitorio sfuggire una seduta, e gli intervalli di confidenza di 95% a due code vengono visualizzati come misura di errore. (B) per W = 10 TR e α = 0.01%, c'è un modello spaziale ordinato, con restrizioni di transienti di sfuggire alle t = 55 s (picco sfuggire transitorio valore per C1); per W = 5 m. a e α = 5%, connessioni che subisce un cambiamento significativo di sfuggire in questo momento sono molto più numerose. Si noti che non ci assumiamo un ritardo emodinamico di circa 5 s nella temporalità descritta (cioè, un valore di 55 s qui riguarda lo stimolo di film a 50 s). Questa figura è stato parzialmente modificata da Bolton et al.25. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig2large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>

L'obiettivo dell'approccio descritto è quello di determinare quali momenti del paradigma (prospettiva temporale) e tra le regioni (prospettiva spaziale), significative riconfigurazioni in connettività funzionale si verificano su formazione immagine a risonanza magnetica funzionale registrazioni durante il quale viene riprodotto uno stimolo tempo-bloccata.

Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione

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

Grazie al nostro metodo, i momenti nel tempo in cui le interdizioni cerebrali funzionali sono sincronizzate tra i soggetti possono essere determinati e visualizzati. Il vantaggio principale del nostro approccio è la sua capacità di tenere traccia dinamicamente dei cambiamenti nelle risposte cerebrali funzionali tra soggetti in modo statisticamente corretto. La nostra pipeline consente la valutazione della sincronicità tra segnali funzionali di soggetti diversi.E questo può quindi essere confrontato tra diverse popolazioni come controlli sani e quelle colpite da malattie e disturbi come autismo e schizofrenia. Il nostro metodo può avvantaggiare qualsiasi ricerca che cerchi di tracciare dinamicamente la sincronia tra diversi set di corsi di tempo. E questo può essere applicato anche ad altre modalità di imaging come l'elettroencefalografia.La dimostrazione visiva del metodo consentirà ai nuovi utenti di comprendere le diverse fasi di elaborazione del metodo e la funzionalità dell'interfaccia utente grafica. A dimostrare la procedura di imaging sarà Roberto Martuzzi, il principale operatore di risonanza magnetica del nostro centro di ricerca. Affinché ogni volontario sia considerato nell'analisi, eseguire almeno una sessione funzionale di risonanza magnetica o fMRI in cui il volontario scansionato è sottoposto al paradigma di interesse registrato nel tempo e una sessione di imaging funzionale in cui il volontario scansionato si trova a riposo nello scanner con gli occhi chiusi e viene istruito a non addormentarsi.Quindi acquisire un volume strutturale di risonanza prima. Per aprire la prima finestra dell'interfaccia utente grafica di pre-elaborazione, immettete JOVE_GUI1 nel terminale MATLAB. Quindi fare clic su Immetti dati fMRI, selezionare i volumi funzionali riallineati appropriati e immettere il tempo di ripetizione dei dati in secondi nella finestra di testo modificabile dedicata.Fare clic su Immettere i dati T1 e selezionare i tre volumi appropriati del tipo di tessuto probabilistico. Fate clic su Immetti file di movimento (Enter motion file) e selezionate il file di testo contenente i parametri di movimento della sessione di interesse. Quindi seleziona se i dati devono essere detrended o meno e quali covariati devono essere regredito.Per pre-elaborazione dei dati, fare clic su Pre-elaborazione e attendere che la visualizzazione venga visualizzata nella finestra. I dati possono essere rielaborati in modo diverso modificando le opzioni e facendo nuovo clic sul pulsante Pre-elaborazione. Immettere quindi un JOVE_GUI2 nel terminale MATLAB per aprire la seconda finestra dell'interfaccia utente grafica di pre-elaborazione e fare clic su seleziona dati per selezionare il file di dati pre-elaborazione.Fate clic su Seleziona atlante (Select atlas) e selezionate la Neuroimaging Informatics Technology Initiative o il file NIFTI che rappresenta l'atlante da utilizzare per la parcellazione. Fate clic su Seleziona ordito inverso (Select inverse warp) e selezionate il file NIFTI che rappresenta il campo di deformazione dall'Istituto neurologico di Montreal allo spazio nativo. Quindi fare clic su seleziona volume fMRI e selezionare uno qualsiasi dei volumi di dati fMRI.Per immettere le informazioni relative allo scrubbing, nell'elenco dei tipi di pulitura selezionare il numero di fotogrammi da cancellare prima e dopo i fotogrammi contrassegnati. Nella finestra di testo della soglia di pulitura immettere il valore della soglia di spostamento per fotogramma al di sopra del quale un volume fMRI deve essere cancellato in millimetri. Immettere quindi le dimensioni della finestra scorrevole W da utilizzare per i calcoli Correlazione funzionale intersezione o ISFC nei tempi di ripetizione e fare clic su Plottaggio per visualizzare i corsi di tempo indicativi dell'atlante prima e dopo i passaggi di lavaggio e filtraggio.Per i calcoli ISFC della finestra scorrevole, immettere JOVE_GUI3 nel terminale MATLAB per aprire la prima finestra dell'interfaccia utente grafica correlata a ISCF e fare clic su Carica dati per selezionare tutti i file di dati appropriati. Selezionare se i segmenti di sessione selezionati devono subire la randomizzazione di fase e immettere la dimensione della finestra nei tempi di ripetizione su cui devono essere calcolate le misurazioni della connettività, nonché la dimensione del passo nei tempi di ripetizione in base ai quali le finestre successive devono essere spostate. Modificare la tabella dei tipi di sessione per specificare quale dei segmenti di sessione caricati è stato acquisito sulla stessa condizione sperimentale utilizzando numeri interi crescenti da uno e fino a taggare i diversi tipi di segmenti.Nelle finestre di testo modificabili appropriate, immettere il numero di pieghe di bootsstrapping su cui eseguire i calcoli ISFC e il numero di soggetti che devono costituire il gruppo di riferimento per ogni piegatura dei calcoli ISFC. Nella sezione parametri di temporizzazione immettere le specifiche relative alla sottoportazione dei corsi di tempo da analizzare e fare clic su Plottaggio per eseguire i calcoli ISFC. I display verranno gradualmente aggiornati nel tempo insieme alla quantità di pieghe di bootsstrapping trascorse.Per aprire la seconda finestra dell'interfaccia utente grafica correlata a ISFC, immettete JOVE_GUI4 nel terminale MATLAB. Per selezionare i file di output ISFC correlati agli stimoli, fate clic su Carica dati ISFC (Load ISFC data) e selezionate i file di output ISFC correlati allo stimolo. Per selezionare i file di output ISFC null, fate clic su Carica dati null (Load null data) e selezionate lo stato di riposo ISFC o i file di output ISFC correlati agli stimoli randomizzati di fase a seconda dello schema di generazione dei dati null utilizzato.Quindi fare clic su Carica codebook e selezionare il file del codebook. Nella finestra di testo modificabile appropriata immettere il valore alfa in percentuale in base al quale i corsi di tempo ISFC devono essere soglia per evidenziare le modifiche significative. Per costruire una distribuzione nulla, fate clic su Plottaggio (Plot) per avviare il processo di soglia ISFC per il quale tutte le misurazioni ISFC nulle disponibili vengono aggregate per una determinata connessione e dopo di che le misurazioni ISFC correlate allo stimolo verranno soglie in base al valore alfa selezionato.Per visualizzare i motivi spaziali ISFC in diversi punti di tempo, trascinate il dispositivo di scorrimento sotto il plot di escursioni ISFC. In queste sessioni rappresentative, il filmato valutato è stato visualizzato da cinque a 353 secondi con un segmento di stato di riposo dopo il film da 386 a 678 secondi. Inoltre, è stata acquisita una sessione di stato a riposo esclusiva di 310 secondi per ogni argomento.I corsi di tempo ISFC sono stati generati a lunghezze delle finestre di W 10 e W 5 tempi di ripetizione per tre diverse connessioni rappresentative che coinvolgono un'inibizione della risposta mediante della regione e un'altra coinvolta rispettivamente nell'aspettativa di oggetti in movimento, coordinazione sensoriale o elaborazione di significati di parole. Il rumore è maggiore a W 5 tempi di ripetizione e le modifiche ISFC bloccate nel tempo si osservano nella connessione uno e due corsi di orario di visione di film. Qui, la frazione di soggetti che mostrano transitori ISFC bloccati nel tempo statisticamente significativi viene mostrata per le stesse tre connessioni.I transitori sono più numerosi a lunghezze di finestra più grandi poiché misurazioni ISFC più robuste facilitano l'estrazione e a valori alfa più grandi man mano che vengono rilevati più falsi positivi. In questi dati rappresentativi, un estratto cinematografico in particolare è stato coinvolto nell'inibizione della risposta legata agli oggetti in movimento e ha guidato cambiamenti ISFC diffusi. La lunghezza della finestra non deve essere né troppo breve per stime robuste né troppo lunga per catturare la dinamica ISFC.E un valore alfa sufficientemente rigoroso dovrebbe essere usato per limitare i falsi positivi. Le misurazioni ISFC possono essere raggruppate in interi stati ISFC cerebrali per un esame delle caratteristiche temporali speciali. I transitori significativi dell'ISFC possono anche essere rappresentati come un grafico riflettente del flusso di informazioni.

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

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Tecniche di neuroimaging, come la risonanza magnetica funzionale e di imaging del tensore di diffusione sono diventati sempre più utili per caratterizzare il deficit cognitivi e neurali nell'autismo. Un esame della connettività cerebrale nell'autismo a livello di rete con gli adattamenti per la scansione dei bambini con disabilità dello sviluppo è presentato.

Probing the Brain in Autismo Utilizzando fMRI e imaging del tensore di diffusione

Descriviamo un nuovo approccio per l'analisi simultanea delle funzioni cerebrali e della struttura utilizzando la risonanza magnetica (MRI). Valutiamo la struttura del cervello ad alta risoluzione diffusion-weighted imaging e sostanza bianca trattografia fibra. A differenza di standard di risonanza magnetica strutturale, queste tecniche ci permettono di collegare direttamente la connettività anatomica di proprietà funzionali delle reti cerebrali.

Co-analisi della struttura e delle funzioni cerebrali con fMRI e Diffusion-weighted imaging

Questo video presenta un metodo di esaminare i cambiamenti legati all'età nella connettività funzionale delle reti di controllo cognitive impegnate da mirate task / processi. La tecnica si basa su un'analisi multivariata dei dati fMRI.

Un metodo per indagare le differenze di età-correlate nella connettività funzionale delle reti di controllo cognitivo associato al cambiamento dimensionale Carta ordine di Performance

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.

Utilizzando Informativo Connettività a misurare l&#39;emergere sincrono di fMRI Multi-voxel Informazioni Across Time

Questo protocollo descrive le tecniche complementari di neuroimaging della connettività strutturale dello stato di riposo, della disattivazione indotta dal compito e delle analisi della connettività strutturale per esaminare la rete predefinita nel disturbo da stress post-traumatico. L'uso di metodi sinergici potrebbe potenzialmente portare a un miglioramento della diagnostica e delle valutazioni della gravità, dell'esito e di altri fattori clinici rilevanti.

Lo sviluppo di Neuroimaging fenotipi della modalità di rete predefinita in PTSD: Integrazione stato di riposo, Working Memory, e connettività strutturale

Viene delineato il protocollo per condurre esperimenti di iperscanning fNIRS su diadi di apprendimento collaborativo in un ambiente di apprendimento naturalistico. Inoltre, viene presentata una pipeline per analizzare la sincronia inter-cerebrale (IBS) dei segnali di emoglobina ossigenata (Oxy-Hb).

Inter-Brain Synchrony in Open-Ended Collaborative Learning: uno studio fNIRS-Hyperscanning

Le dinamiche tra cervelli accoppiati di individui sono state sempre più rappresentate dalla sincronizzazione inter-cerebrale (IBS) quando si coordinano tra loro, per lo più utilizzando segnali di registrazione simultanea del cervello (vale a dire iperscansione) con fNIRS. Negli studi di iperscansione fNIRS, l'IBS è stato comunemente valutato attraverso il metodo della coerenza della trasformazione wavelet (WTC) a causa del suo vantaggio nell'espandere le serie temporali nello spazio...

Come calcolare e convalidare la sincronizzazione inter-cervello in uno studio di iperscansione fNIRS

Questo protocollo descrive la coerenza della trasformazione wavelet parziale (pWTC) per calcolare il modello time-lag della sincronizzazione neurale interpersonale (INS) per dedurre la direzione e il modello temporale del flusso di informazioni durante l'interazione sociale. L'efficacia di pWTC nel rimuovere i confondimenti dell'autocorrelazione del segnale su INS è stata dimostrata da due esperimenti.

Misurazione del flusso di informazioni direzionali in fNIRS-Hyperscanning Data utilizzando il metodo partial Wavelet Transform Coherence

Questo articolo presenta un approccio integrativo allo studio della rete funzionale per la navigazione spaziale nel cervello umano. Questo approccio incorpora un database meta-analitico di neuroimaging su larga scala, una risonanza magnetica funzionale in stato di riposo e tecniche di modellazione di rete e di teoria dei grafi.

Modellazione della rete funzionale per la navigazione spaziale nel cervello umano

La coerenza della trasformata wavelet (WTC) è una metodologia comune per valutare l'accoppiamento tra i segnali utilizzata negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS). In questo lavoro viene presentata una serie di strumenti per valutare la direzionalità dell'interazione del segnale.

Nuovo quadro per la comprensione della coerenza cross-brain negli studi di iperscansione della spettroscopia funzionale nel vicino infrarosso (fNIRS)

L'acquisizione di dati di tomografia dinamica a emissione di positroni (PET) e la ricostruzione in intervalli di tempo consente l'analisi della connettività cerebrale metabolica a livello di singolo soggetto. Descriviamo un metodo per acquisire dati PET dinamici [18F]FDG del cervello di ratto e ottenere una matrice di connettività attraverso l'estrazione di curve tempo-attività di volumi di interesse.

Studio della connettività cerebrale metabolica utilizzando la tomografia a emissione di positroni dinamica 2-deossi-2-[18F]Fluoro-D-glucosio a livello di singolo soggetto

Scopri il metodo ISFC per tracciare la connettività cerebrale dinamica tra soggetti mediante fMRI. Questa tecnica consente di confrontare popolazioni sane con pazienti affetti da disturbi neuropsichiatrici come autismo e schizofrenia.

Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione (Video) | JoVE Journal

Connettività funzionale inter-soggetto dinamico rivela ad ogni istante cervello configurazioni di rete guidate da continuo o paradigmi di comunicazione

Esplora altri video