치수 변경 카드 정렬 성능인지 제어 네트워크 관련의 기능 연결에서 연령 관련 차이점을 조사하는 방법

Summary

이 동영상은 대상 작업 / 프로세스에 관여인지 제어 네트워크의 기능적 연결성에 나이와 관련된 변화를 검사하는 방법을 제시한다. 기법의 fMRI 데이터의 다변량 분석에 기초한다.

Abstract

환경의 급격한 변화에 동작을 조정할 수있는 능력은 아동기와 청소년기에 점차적으로 개발하고 있습니다. 예를 들어, 치수 변경 카드 정렬 작업에서는 참가자들에게 색과 같은 다른 방법을, 정렬로, 같은 모양으로, 카드 한 방법을 분류 전환. 이 방법으로 문제를 조정하면 약간의 성능 비용, 또는 스위치의 비용을 입히고있다 응답은 일반적으로 느리고 오류가 발생하기 쉬운 스위치 시험에이되도록하는 정렬 규칙이 동일하게 유지되는 실험을 반복 비교하여 정렬 규칙 변경. 유연하게 동작을 조정하는 기능은 종종 스위치 비용으로 행동 비용은 일반적으로 연령 증가에 따라 감소 부분에 있기 때문에, 점차 개발이라고합니다. 이러한 행동의 유연성 등의 고차인지, 측면, 그래서 개발 왜 점점 의문 남아있다. 하나의 가설은 이러한 변화가 광범위한 규모인지 제어 네트워크의 기능 변화와 관련하여 발생하는 것입니다. 이보기에,이러한 전환과 같은 복잡한 정신 작업은 빠른 그 해당 업데이트 및 작업 규칙을 유지하는 등 여러 분산 된 뇌 영역 사이의 상호 작용, 다시 방향을주의, 선택 행동을 포함한다. 개발,이 지역 사이의 기능적 연결이보다 빠르고 효율적으로 전환 작업을 선도, 강화. 현재 비디오는 다양한 연령의 참가자로부터의 fMRI 데이터의 수집과 다변량 분석을 통해이 가설을 시험하는 방법을 설명한다.

Introduction

행동을 조절하는 능력은 (검토를 위해, 다이아몬드 ¹ 참조) 유년기와 청소년기에 점차적으로 개발하고 있습니다. 치수 변경 카드 정렬 작업에서는, 예를 들어, 참가자들에게 같은 색상 ^2와 같은 다른 방법을, (그림 2 참조) 정렬로, 같은 모양으로, 카드 한 방법을 분류 전환. 전환은 약간의 성능 비용 또는 스위치 비용을 입히고있다 응답은 일반적으로 느리고 오류가 발생하기 쉬운 스위치 시험에이되도록하는 정렬 규칙이 같은 ³ 남아있는 실험을 반복 비교하여 정렬 규칙 변경. 아이들이 ⁴ 나이를 먹어 감에 따라 이러한 비용의 크기는 일반적으로 행동 규제 능력은 인생의 초기 개발을 계속 겪는다는 사실을 보여주는 작아진다.

이러한 전환과 같은 복잡한 정신 작업, 여러 뇌 영역 ⁵ 사이의 빠른 상호 작용을 포함하고 있기 때문에, relati에 관심이 증가하고있다넓은 규모의 대뇌 피질의 네트워크 ^6의 기능 조직의 변화에 고차인지의 발달을 겨.

광범위한 대규모 네트워크의 발달 변화를 조사하는 한 가지 방법은 시드 계 기능적 연결성 분석 ^6,7의 사용을 통해서이다. 이 기술의 첫 번째 단계는 가능한 연구 문헌에 문의하고 문제의 행동과 관련이있을 것 같다 선험적으로 관심 영역, 또는의 ROI를 정의하는 것입니다. 이러한 ROI에, 또는 노드는, 네트워크의 기본 골격을 정의한다. 참가자가 MRI 스캐너에 휴식하는 동안 다음 활동의 저주파 변동이의 ROI (또는 T2 신호 강도를 * 가중)은 5 ~ 10 분 동안 측정된다. 네트워크의 두 노드 사이의 기능적 연결이 후 각각의 시간 코스의 상관 관계로 정량화된다. 기능적으로 강하게 연결되어 노드가 유사하고, 따라서 높은 신호보기 상관해야시간 코스. 한편, 약하게 기능적으로 연결되어있는 노드는 비슷하기 때문에 약한 상관 관계가 시간의 과정을 신호한다. 네트워크의 모델을 완성하기 위해, 가장자리 (또는 링크)는 그 시간 코스 선택 임계 값 이상으로 상관 관계 노드 사이에 그려집니다. 네트워크 내의 기능적 연결성의 연령과 관련된 차이 테스트 단일 노드 간 연결, 또는 노드 및 에지들의 전체 세트의 토폴로지에서 수행 될 수있다. 기능적 연결성의 이러한 차이는 다음 오프라인 수집 인식 성능의 측정과 관련 될 수있다.

본 논문에서는 다른 방법은 작업 기반의 fMRI 데이터 ⁸ 그룹 독립 성분 분석을 기반으로이 설명되어 있습니다. 독립 성분 분석 (ICA 나)는 맹목적 밝혀 소스가 극대로 독립적이되도록 한 세트의 관측을 밑에 숨겨진 소스를 드러내는위한 통계적 절차이다. 의 fMRI 데이터의 분석, (P)에인가rocedure 각 볼륨이 공간적으로 독립적 인 소스의 유한 수의 혼합물 인 것으로 가정한다. 그러한 포맥스 알고리즘 같은 다른 알고리즘의 다양한 중 하나를 사용하여, ICA는 원래의 데이터에 적용 할 때 오는 극대 독립 소스, 또는 구성 요소의 집합을 산출 unmixing 행렬을 추정한다. 각 구성 요소는 공통 시간 코스를 나누어 복셀의 집합으로 구성 것이면, 네트워크로서 생각 될 수있다. 그룹 ICA는 그룹 구성 요소의 공통 집합은 우선 전체 데이터 세트로부터 추정 한 후 그룹 구성 요소의 참가자 고유 세트가 백 재구성 단계에서 계산 된 ICA의 특정 유형이다. 전체 데이터 세트는 일련의 구성 요소로 분해되면, 다음 단계는 잡음 소스를 나타내는 인공적 성분을 폐기하고, 그 네트워크에 대응 이론적으로 의미있는 구성 요소를 식별하는 것이다. 이것은에 IDE GLM의 컨텍스트에서 모델링 성분 시간의 과정에 의해도 달성 될 수있다공간적으로 그 네트워크의 템플릿, 또는 두 가지 모두에 구성 요소의 상관 관계, 예측 방식으로 활성화 네트워크를 ntify. 구성 요소의 결과 세트는 이론적으로 흥미 네트워크 ^7,9,10 이내에 기능적 연결이 가능한 연령에 따른 차이를 테스트하기 위해 그룹 비교에 제출 될 수있다.

그룹 ICA의 응용 프로그램을 통해 기능적인 연결에 나이와 관련된 변화를 공부하는하는 작업 기반의 fMRI 데이터는 휴식 상태의 fMRI 데이터에 씨앗 기반 기술의 응용 프로그램에 비해 몇 가지 장점을 가지고있다. 먼저, 사전 정의 된 ROI에의 작은 세트에 초점과 다른 시드 기반 기술은 현재 그룹 ICA 방식은 체적 시계열을 구성하는 모든 복셀을 이용한다. 이 씨의 작은 그룹이 관심 영역으로 사전을 선택하면 반드시 발생한다는 편견 기회를 감소. 둘째로, 기능적 연결성 분석 (ICA 기반이거나)에 작업을 적용휴식 상태의 fMRI 데이터는 네트워크 구성 및 네트워크 기능을보다 직접적으로 연관 될 수있는 이점을 가지고보다는. 예를 들어, (예 DCCS 성능의 변화와 같은) 기능적 연결성인지 또는 행동 영향을 검사하는 것이 우선적이며, 경우에, 그 네트워크가 작업 성능과 연관되어 있음을 나타 내기 위해 중요하다. 연구자가 데이터를 수집하는 동안 참가자가 경험하는,인지 행동, 또는 정서적 상태의 기록이 없기 때문에 휴식 상태 프로토콜로, 이것은 매우 어렵습니다. 그것은 관심의 네트워크 작업 성능 관련이 있다는 직접적인 증거를 제공하는 것이 불가능하다. 이러한 ICA 같은 기능적 연결성 분석, 작업 데이터에 적용될 때 대조적으로, 그것은 또한 네트워크는 적어도 작업의 성능과 관련되어 있음을 확인할 수있다. 마지막으로, ICA는 소음의 부정적 영향을 덜받습니다. 그런 그 관련된 재치와 같은 노이즈 소스,H 제목의 운동과 심장 리듬, 독특한 공간 - 시간 프로파일이 있습니다. 따라서 그룹 ICA의 맥락에서, 이러한 소스는 고립되고 분산 이러한 반갑지 소스의 비교적 자유로운 나머지 구성 요소를 떠나는 별개의 구성 요소에 할당. 종자 기반의 분석은 기능적인 연결의 추정에 원시 시간 코스를 사용하고, 시간 과정이기 때문에, 정의에 의해, 신경 생리 학적 신호와 인공적인 잡음의 혼합물은 기능적 연결 추정 그룹의 차이에 기초 신경 생리학, 그룹의 차이에 해당 그룹의 차이를 반영 할 수 노이즈의 구조 또는 둘 ^11.

Protocol

1. 사람을 대상으로 작업에 대한 승인을 받아야

2.의 fMRI 데이터 수집

1. (Raschle, 등. ¹² 참조) 어린이를위한 적합한 절차에 따라의 fMRI 데이터를 수집. 이러한 차이는 뇌의 활성화와 기능적인 연결의 발달 관련 차이점에 대해 추론을 그릴 수있는 자신의 능력을 제한하는 불필요한 혼동을 소개로, 작업 성능과 동작 가능한 연령에 따른 차이를 제한하기 위해 최선의 노력을합니다.
   참고 : 현재 프로토콜에서 DCCS의 회 반복 시험 버전은 블록 설계 ^(13)의 형태로 투여 하였다. 각각의 실행은 2 개의 8 시험 스위치 블록과 스위치 블록 4 스위치 시련과 4 반복 시험으로 구성되어 2 개의 8 시험 반복 블록을 포함하고, 반복 블록은 8 반복 시험으로 구성되어 있습니다. 이 프로토콜은 이벤트 관련의 fMRI 데이터를 사용하기 위해 완벽하게 적합합니다. 그러나, 블록 디자인은 처음 acqu을 가져올 때 작업하기 좋은 위치이 구성 요소 시간 과정에서 작업 변조를 쉽게 알 수있다로, ICA와 ainted.
2. 표준 fMRI를 전처리 절차에 따라 전처리의 fMRI 데이터.
   1. 같은 방향 및 위치에 대한 모든 기능 이미지를 다시 정렬합니다. 통상적으로, 제 1 기능은 볼륨에 정렬되는 다른 모든 볼륨에 대한 참조 화상으로서 사용된다.
   2. 정품 인증이 정확한 해부학 적 위치에 중첩되도록 T2와 T1-가중 (해부학) 이미지 Coregister, (기능) 검사 * 가중.
   3. 템플릿 뇌 (예 Talairach 공간)의 선택과 표준화 된 크기, 공간, 위치의 모든 이미지를 표준화. 이것은 다른 과목에서 상동 지역이 비교되고 있는지 확인하는 데 도움이됩니다.
      주의 : 다른 템플릿은 또한 (예를 들어, {MNI 몬트리올 신​​경학 연구소} 공간)을 사용할 수 있지만, 이미지가 현재의 프로토콜에 Talairach 공간으로 워핑된다.
   4. DAT의 모든 기능 볼륨을 부드럽게커널을 부드럽게 6~10밀리미터와 세트.
3. 디렉토리의 별도의 세트로 사전 처리 된 볼륨을 격리한다. 상위 디렉토리로 "기능 검사"를 사용합니다. "기능 검사"내에서 각 참가자에 대해 별도의 디렉토리를 포함하고, 각 실행에 대한 각 참가자의 디렉토리 내에서 별도의 디렉토리. 이제 데이터가 ICA 분석을위한 준비가되어 있습니다.

3. 그룹 독립적 인 구성 요소 분석 (ICA)

1. 그룹 ICA 소프트웨어를 다운로드하고 설치합니다. fMRI를 포함한 신경 생리 학적 상이한 유형의 데이터에 ICA 구현이 가능하고, 툴 박스의 수가있다. 그룹 ICA를 수행하는 모든 도구 상자는 잠재적으로 적합 할 것이지만, 현재의 프로토콜에 사용되는 하나는 선물이라고합니다. 선물은 뉴 멕시코 대학에서 빈스 하운 및 동료에 의해 개발되었다. 선물 도구 상자 SPM, 잘 알려진의 fMRI 분석 패키지와 함께 작동 MATLAB 스크립트의 집합입니다. 모두 B 수전자는 인터넷에서 무료로 다운로드 (GIFT : mialab.mrn.org / 소프트웨어 / 선물 / index.html 페이지 번호, SPM : www.fil.ion.ucl.ac.uk/spm/을). 일단 다운로드, MATLAB 검색 경로에 선물 도구 상자와 모든 하위 디렉토리를 추가하고 경로 파일을 저장합니다.
2. 선물을 사용하여의 fMRI 데이터에 대한 그룹 ICA 컴퓨팅 RAM 메모리에 대한 상당한 요구를합니다. 메모리에 대한 정확한 요구 참가자의 수, 각 참가자로부터 수집 된 데이터의 양, 데이터의 해상도에 따라 달라질 것이다. 메모리 문제를 방지하기 위해, 서버의 ICA 분석을 실행하는 것이 가장 좋습니다. 로컬 컴퓨터 분석을 실행하는 경우에, RAM 요건은 GIFT의 일부인 스크립트 "icatb_mem_ica.m"의 사용을 통해 추정 될 수있다.
3. - 설정하거나 분석을 매개 변수화. "icatb_batch_files"의 선물에 저장됩니다 "Input_data_subjects_1.m"라는 기존의 배치 스크립트를 수정하여이 작업을 수행합니다.
   참고 :이 선물의 그래픽 사용자 INTERF를 사용하여도를 수행 할 수 있습니다에이스. 그러나이 기존의 스크립트를 수정하여 분석을 설정하려면 약간의 연습으로, 훨씬 더 쉽습니다.
   1. 의 fMRI로 데이터 양상을 지정합니다
   2. ICASSO와 ICA 같은 분석의 유형을 지정합니다. 이 ICA가 ICASSO 절차를 실행 보장합니다. ICASSO는 상이한 랜덤 시드로 시작 ICA 여러 번 실행하여 분해 안정성을 추정한다. 그러므로 클러스터링 의해 각 결과의 유사도를 테스트한다. ICASSO의 사용은 ICA 분해의 품질을 검사하는 수단으로 권장되지만 크게는 분석을 완료하기 위해 선물을 소요되는 시간을 연장합니다.
      1. "분석 유형"의 ICASSO 절차를 선택 '2 '와 ICA를 실행 한 다음 설치 파일의 후속 라인 ICASSO 절차를 매개 변수화합니다.
   3. 그룹 PCA 성능 설정에서 '1 '을 선택하여 그룹 PCA의 성능을 극대화. '2이 매개 변수를 설정하는 것이 좋습니다'부족한 RAM 메모리의 문제가 발생한다.
   4. 표준 SPM 설계 행렬의 예측을 사용하여 구성 요소를 결과의 정렬 이상 사용 가능 다양한 주제에 대해 서로 다른 행렬이 있는지 여부를 지정합니다.
   5. 전처리 기능 데이터가 저장되고 디자인 매트릭스를 함유 SPM.mat 파일 전처리 기능 데이터와 함께 저장되어 있는지 위치를 지정.
      1. 모든 참가자가 실행되는 동일한 수를 가지며, fMRI를 데이터 취득 아래 단계 2.3에 설명 된대로 데이터 디렉토리가 구성되어있는 경우 데이터를 읽는 GIFT를 얻는 가장 간단한 방법이다. 그렇다면 DataSelectionMethod 하에서, 방법 1에 대해 '1 '을 선택하고, 데이터가 저장되는 파일 경로를 포함하여 파라미터 "sourceDir_filePattern_flagLocation"를 완료 데이터의 파일 포맷, 및 개별 세션이 하위로 저장되어 있는지를 나타내는 문 각 주제 폴더 안에.
      분석의 출력을 기록 할 디렉토리를 나타냅니다. 데이터가 저장되어있는 같은 디렉토리에 결과를 작성하지 마십시오.
   6. 모든 출력 파일에 추가 할 접두사를 제공합니다.
   7. 마스크에 파일 경로를 제공합니다. ICA에 제출 된 모든 볼륨이 마스크됩니다. 선물은 기본 마스크를 제공한다. 이 작품은, ICA에 제출 될 데이터에서 마스크를 생성하는 자체 스크립트. 최소한 마스크는 두개골, 여분의 대뇌 공간, 특히 안구를 제거해야합니다. 안구 복셀에서 신호를 실행하는 동안 매우 큰 변동을 보여줍니다 때문에 마지막 구성 요소의 구조에 상당한 영향을 미칠 것입니다. 3이 좋은 마스크 모양을 보여줍니다 그림.
   8. 사용하는 그룹 PCA의 유형을 지정합니다. '주제 특정를.'사용
   9. 백 재건 방법을 지정합니다. 이 단계에서는 개별 주제 IC의 및 관련 시간 코스는 이리저리 계산기 분석 결과 m. 이 점에 대한 문헌에서 상당한 논의가 있지만 GICA은, 가장 좋은 시간 코스를 얻는 것이 좋습니다.
   10. 데이터 사전 처리의 유형을 지정합니다. 출력에 숫자가 아닌 값 (즉, infinites, NaN이의)를 방지하기 위해 강도 정상화를 사용합니다. 이 예제에서, 우리는 '1 '의 기본을 선택했다.
   11. PCA의 유형을 지정합니다 (우리는 표준을 사용)과 PCA 옵션에서 기본 값을 받아 들인다. 선물은 각 참가자의 각 실행에 PCA를 수행하고 ICA에 혼합되지 않은 것으로 소스의 수와 동일한 구성 요소의 수를 유지합니다. PCA는 두 가지 중요한 목적이 있습니다. 첫째, 각 참가자 및 각 실행에 고유 한 소음의 원인을 제거하는 데 도움이됩니다. 둘째, 분석의 계산적 요구가 더 다루기 쉬운 만든다.
   12. 의 PCA는 ICA 전에 데이터를 실행하는 방법에 대해 많은 지정 (2 권장). 뿐만 아니라, 실행하는 경우 (각 PCA 후 유지하는 방법에 많은 구성 요소 지정이이를) 제 PCA 후에도 유지 부품 점수 두번 초 후에도 유지 개수하는 것이 좋다.
   13. 데이터의 크기를 조절하는 방법을 지정합니다. 이 작품의 경우, z 점수 스케일링 사용 하였다.
   14. ICA에 대한 블라인드 소스 분리 알고리즘을 선택합니다. 이 일을 위해, 연합 인 포맥스 사용 하였다. 선물은 적어도 10 개의 서로 다른 알고리즘의 선택을 제공합니다.
   15. 같이 나머지 매개 변수는 남아있을 수 있습니다.
4. ICA가 완료되면, 사용 가능한 컴포넌트들에서 잠재적 이론적 관심있는 이들을 선택. 선물 GUI를 통해 구성 요소 선택을 선택 공간 정렬은 기존 템플릿과 공간의 상관 관계에 의한 공간 구성 요소를 정렬; 시간 정렬은 (3.3.5 참조) 데이터를 저장할 수있는 SPM 디자인 행렬에서 선형 예측에 의해 구성 요소의 시간 코스를 정렬합니다.
   참고 : 구성 요소 선택에 대한 두 가지 접근법이 유틸리티가있다. 그러나, 작업 데이터 작업, 시간 선택그들이 선택된 성분이 작업에 의해 활성화 된 것을 검증하는 수단을 제공하는 등의 기준이 특히 유용하다. DCCS의 경우, 시간적 정렬의 사용은 선택된 성분이 반복 블록에 비해 스위치 블록 중에 더욱 활성 이었다는 것을 확인하기 위하여 사용될 수있다.
5. 이 선택한 구성 요소의 어린이와 성인 버전이 차이가 있는지 여부를 테스트합니다. 집계 아동과 그 어른의 구성 요소를 두 개의 그룹 및 구성 요소가 될 두 표본 t-검정의 지역에 의해 시험에. 이 선물 GUI를 통해 할 상대적으로 쉽습니다.

Representative Results

그룹 ICA가, 심지어 상대적으로 작은의 fMRI 데이터 세트에, 다른 연구에서 관찰 된 것과 유사한 구성 요소의 집합을 반환합니다. 4 그림 12 어린이와 13 성인의 샘플에서 혼합되지 않은 5와 같은 구성 요소와 관련된 시간 과정의 중첩은 참가자 당 약 800 볼륨이. 도 4, 기본 모드, 전두 정수리에 도시 된 바와 같이, cingulo-인술 및 네트워크 카메라는 좀처럼이 분해의 결과로부터 알 수있다. 뿐만 아니라, 그것은 시각 및 기본 모드 구성 요소의 시간 과정에서 블록 설계를 식별하는 방법을 쉽게 알 수 있습니다.

성공적인 ICA 분해는 신뢰할 수 있어야합니다. 분해 안정성 ICASSO 절차의 출력을 검사하여 평가할 수있다.도 5 GIFT 수행 안정적인 분해 ICASSO 출력의 일부를 보여준다.

공간적 correlat를 사용시컴포넌트 선택을위한 기초로서 이온, 그것은 상관 계수를보고하고 템플릿과 시각적 비교를 위해 함께 선택된 성분을 제공하는 것이 좋다. 최근 논문에서, 공간과 시간 정렬이 모두 공간적으로 집행 제어 네트워크의 템플릿의 상관 관계를 보였다 전두 - 두정엽의 구성 요소를 식별하는 데 사용되며 DCCS의 반복 블록보다 스위치 블록에 대한보다 적극적이었다되었다. 6은 그림 템플릿 이미지와 선택한 구성 요소. 두 이미지 사이의 좋은 대응이 있음을 알 수 있습니다.

구성 요소지도 그룹의 비교는 선택한 구성 요소에 대한 기능적인 연결에 나이와 관련된 차이를 테스트하는 데 사용할 수 있습니다. 결과지도에 표시 복셀 그 것을 "로드"더 강하게 한 그룹에 대해 선택한 구성 요소에 다른 것보다. 즉, 이들 복셀의 시간 코스의 코스 시간 더 유사되는 복셀 아르 서로에 대한 하나 이상의 그룹에 대한 구성 요소 (예 : 네트워크에 강력한 기능의 연결을 표시). 우리가 확인 구성 요소가 공간적으로 집행 제어 네트워크의 템플릿과 상관하고 DCCS에 의해 활성화되었다 - -이 절차에 따라, 우리는 어린이와 성인 오른쪽 전두 - 두정엽 구성 요소를 비교 발견 측면 전두엽, 앞쪽에 cingulate, 그리고 정수리 내 복셀 피질은 어린이 ¹⁴ 이상 성인에서이 구성 요소에 더 강하게로드. 이 콘트라스트 화상은도 7에 도시된다.

그림 1. 실험의 전체 계획.

d/51003/51003fig2ahighres.jpg "SRC ="/ files/ftp_upload/51003/51003fig2a.jpg "/>

그림 2. 치수 변경 카드 정렬 (DCCS) 작업.의 블록 디자인 변형 작업의 표준 버전에서는 하나의 차원에 각 테스트 카드를 일치 가의 대상으로 표시 쓰레기통에 아이들 종류 이가 테스트 카드를.어린이 카드의 작은 숫자 하나의 방법 (색상으로 예를 들어)을 정렬 한 다음 스위치와 같은 카드에게 (형상에 의해, 예를 들어) 새로운 방법을 정렬하도록 지시합니다. 결과 측정은 아이들이 올바르게 정렬 기준을 전환 여부입니다. () 블록 디자인 변형에서, 작업이 컴퓨터로 관리됩니다. 두 이가 대상은 작업을 통해 화면에 나타납니다. 테스트 카드 버튼을 눌러 이용하여 1,750 밀리 참가자 종류의 카드에 대한 중앙되게됩니다. 정렬 기준은 이전 시험보다 다른 어떤 시험 스위치 시험이다; 정렬 기준은 이전 시험에서와 동일합니다되는 시험은 반복 시험한다. (B) 개별 시험이 8 시험 블록에 제시되어있다. 스위치 블록은 4 반복, 4 스위치 시험을 포함; 반복 블록은 8 반복 시험을 포함한다. (C, D) 결과 측정 응답 시간 및 스위치에서 정확도의 차이이며, 블록을 반복합니다.

. 그림 3 그룹 ICA 결과 :. 대표 성분 (A) 11 성인 및 12 아이 참가자의 ICA에서 5 대표 그룹 구성 요소의 합성 이미지. 모델 순서는 20이었다. 타점 78 권 긴했다. . (B) 구성 요소 timecourses 및 블록 설계 오버레이 구성 요소는 컬러 코딩 (; 왼쪽 = 파랑 전두 - 두정엽, 녹색 = 기본 모드,, 핑크 = 우측 전두 - 두정엽 오렌지 = cingulo-편협한 시각 빨간색 =)입니다. 육안 검사로부터, 작업 성능이 시각적 및 좌측 전두 정수리 성분의 활성의 증가와 디폴트 모드 네트워크 활동의 감소와 연관되는 것은 분명하다. 이러한 직관적 인 결과는 기본 블록 디자인의 사용은 ICA 분해의 품질을 평가하기가 상대적으로 쉽게 방법을 보여줍니다."https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg"대상 = "_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

. 그림 4 그룹 ICA 결과 :. 대표 성분 (A) 11 성인 및 12 아이 참가자의 ICA에서 5 대표 그룹 구성 요소의 합성 이미지. 모델 순서는 20이었다. 타점 78 권 긴했다. (B) 부품 시간 과정 및 블록 설계 오버레이.. 구성 요소는 색으로 구분 (; 왼쪽 = 파랑 전두 - 두정엽, 녹색 = 기본 모드,, 핑크 = 우측 전두 - 두정엽 오렌지 = cingulo-편협한 빨간색 = 시각)입니다 육안 검사로부터, 작업 성능이 시각적 및 좌측 전두 정수리 성분의 활성의 증가와 D의 활성의 감소와 연관되어 있음을 분명EFAULT 모드 네트워크. 이러한 직관적 인 결과를 기본 블록 디자인의 사용은 ICA 분해의 품질을 평가하기가 상대적으로 쉽게 방법을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

신뢰성이 높은 분해에서 그림 5. 대표 ICASSO 출력. 단일 분해의 신뢰성을 테스트하려면, ICA는 여러 번 실행되는 별도의 실행을 통해 그 결과를 꾸몄다. 이 플롯은 ICA의 모든 반복의 결과를 간결한 요약을 제공 한 시각적 ICA의 다른 반복에서 나오는 솔루션의 유사성 또는 차이를 평가할 수 있습니다. 하나의 포인트는 단일 실행 추정치를 나타냅니다특정 구성 요소. 밝은 파란색 원은 하나의 관찰 클러스터의 centrotypes을 나타냅니다. centrotype의 경계 내에 소형 고립 된 클러스터는 좋은 신뢰도를 제안한다. centrotype의 경계 외부에서 벗어나지 흩어져있는 클러스터는 가난한 신뢰성을 제안한다. 이 그림에서 대부분의 구성 요소의 경우, ICA의 다른 반복을 통해 구성 요소의 유사성의 높은 수준이있었습니다. 구성 요소 58, 59, 60은 서로 다른 반복을 통해 약간의 변화를 보였다. 더 큰 이미지를 보려면 여기를 클릭하십시오.

그림 6. 임원 컨트롤 템플릿 및 선택한 우측 전두 - 두정엽 구성 요소, 높은 resolutio에서 동일한 조각에 겹쳐N 해부 검사가 매우 유사한 나타납니다. 공간 상관 관계가 양을 통계적으로 이러한지도의 유사성을 테스트하는 데 사용할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 7. 성인에서 어린이의 우측 전두 - 두정엽의 구성 요소를 빼면 누구의 기능 연결을 선택한 임원 네트워크에 어린이보다 성인을위한 강한 지역을 알 수있다.이 지역은 내측 전두엽 피질과 복부 표층 영역 (시상 슬라이스 참조) dorsolateral 전두엽을 포함 열등한 정수리 피질 (축 슬라이스 참조). 를 클릭하세요여기이 그림의 더 큰 버전을 볼 수 있습니다.

Discussion

이러한 정렬 규칙을 전환하는 기능과 같은 고차원의 정신 작업은, 어린 시절과 청소년기에 걸쳐 신속하게 개발. 이러한 정신적 인 작업은 여러 분산 된 뇌 영역 사이의 상호 작용을 포함하고 있기 때문에, 고차인지와 광범위한 규모의 대뇌 피질 네트워크의 조직에서 연령과 관련된 변화의 발전 사이의 관계를 탐구에 관심이 증가하고있다. 우리는 직접 관계를 검사하는 수단으로 작업 기반의 fMRI 데이터에 적용 기 독립 성분 분석에 기초한 방법을 제시한다.

어떤 그룹 간 비교 연구의 사실로서, 방법의 성공은 성인과 어린이 모두에서 높은 품질의 fMRI 데이터에 입각한다. 운동 관련 이슈에 그룹의 차이는 ICA 분해의 질에 심각한 영향을 미칠 그 결과 구성 요소 가짜의 차이가 발생할 수 있습니다. 작업 성능 그룹의 차이는 잠재적 문제 야 할 수 있습니다그들은 모든 그룹에 대한 시간 정렬의 생존 능력을 저해하므로,뿐만 아니라 tic을. 한 그룹은 실험 및 제어 실험 간의 큰 성능 차이를 보여 주지만, 제 2 그룹은하지 않는 예를 들면 경우에, 하나는 작업을 두 그룹에 대해 동일한 방식으로 연결된다 항 수있는 구성 요소를 식별하기 어려울 것이다. 따라서 적절하게 데이터를 수집하는 시간을해야합니다. ,. 2009 Raschle 등에 의해 잘 설명 소아 신경 영상 프로토콜에 따라, 성능 / 전략 사용의 집단 간 차이를 완화인지 행동 방법을 개발하는 시간이 걸립니다.

Trouble-shooting/Caveats

그룹 ICA는 고급 다변량 기법하지만, 노이즈 제거, 기능적인 연결 추정, 및 이미징 동적 뇌의 연결 상태 (아래 참조)를 포함하여의 fMRI 분석 응용 프로그램의 다양한 점점 더 많이 채택되고있다 하나입니다. 처음 사용자의 경우, 설정 - 업 및 통역그룹 ICA의 출력이 작은 방향을 잃게 될 것이다. 그러나, 연습 / 시행 착오의 비트와 함께, 상황이 훨씬 더 간단하게. 다음의 제안은 우리의 초기 불확실성을 극복하고 우리를 엄청나게 도와 주었.

첫째, 심플한 디자인으로 수집 작고 사용 데이터를 시작합니다. 블록 사이에 10 ~ 20 초 휴식 시간을 가진 블록 디자인은이 점에서 이상적이다. 시작하려면, 4, 5 참가자의 블록 데이터의 3 또는 4 (100) 볼륨 실행에 ICA 실행을 실행 해보십시오. 이 게시 가능한 결과를 얻을 수 없지만, 상대적으로 신속하게 실행하고 합리적인 공간 구성 요소를 생성합니다. 뿐만 아니라, 그것은 (도 4 참조) 블록 설계는 적극적으로 이러한 시간의 과정으로, 후두부 구성 요소 및 기본 컴포넌트의 타임 코스에 나타내는 부정적인 각각 작업과 연결된 볼 비교적 용이해야한다. 이 빨리 포함한으로 분석을 확장하기 전에 절차에 자신감을 얻을 수있는 좋은 방법입니다전체 데이터 세트를 전자. 일이이 시점에서 밖으로 작동하지 않을 경우, 다시 사전 처리 된 이미지에 가서 데이터 품질 문제 (예를 들어 심한 운동 아티팩트, 나쁜 조각 등)을 확인합니다. 공간 구성 요소 (즉, 공간 IC를이 복셀의 많은 작은 분산 된 클러스터 구성) 매우 부족한 경우, 반드시 볼륨을 부드럽게했다 확인하십시오 - 8 mm의 FWHM 커널을 권장합니다.

작은 데이터 세트와 함께 시작하는 것도 모델에 포함 할 모델 순서, 또는 구성 요소의 수를 선택에 대한 느낌을 얻을 수있는 좋은 방법입니다. 이 결정을 만들기 위해 제공된 한 적당한 방법은 없지만, 고려해야 할 지침의 숫자가있다. GIFT 공간적 ICA의 형태를 구현 첫째, 체적 시계열에서 비 혼합 할 수있는 구성 요소의 최대 수는 시계열의 볼륨의 수와 같다. 둘째, GIFT는 PCA를 이용하여 데이터의 차원의 추정치를 계산하고,이 추정치는 범위 O 통상 아르F 18 구성 요소 22. 함께, 이러한 고려 사항은 모델의 순서의 당신의 선택을위한 상한과 하한을 제공합니다. 그 후, 그것은 당신에게 달려 있습니다. 단순히 모델의 주문이 증가함에 따라 공간적으로 낮은 모델 순서에서 집계 된 구성 요소를 분리하지만, 통계적으로 관련 구성 요소에 둘로 갈라지는 것을 기억하십시오. 다른 연구 그룹에서 템플릿을 사용하여 구성 요소를 선택하려는 경우이 가능성을 높일 것입니다, 당신은 구성 요소는 공간적으로 유물을 검색하는 것으로, 템플릿을 생성 분석에 사용 된 것과 유사한 모델의 순서를 선택하는 것이 좋습니다 귀하의 분해에 그대로.

ICA와 함께 앞으로 이동하기 전에 고려 가치가있을 수있는 몇 가지주의 사항이 있습니다. 첫째, 공간 구성 요소는 기능적 연결성에 나이와 관련된 차이를 조사하기위한 기초를 제공하지만, 당신에게 방법 또는 구성 요소의 상호 작용을 포함하는 지역 여부에 대해 아무것도 말하지 않습니다. 두 지역은 구성 요소에로드 할 수 있습니다때문에, 양방향 단방향, 또는 간접적으로 (즉, 제 3 영역을 통해) 연결의, 또는 통계적 사고로. 따라서 결론을 그리기에주의하십시오. 당신의 관심 영역이 상호 작용하고 이러한 상호 작용은 개발과 변경 방법에 대한 특정 가설을 테스트하는 경우 둘째, 추가 분석 또는 방법을 고려해야합니다. 하나의 가능성은 지연된 상관 분석에 의해 구성 요소 간의 효율적인 연결을위한 IC 시간 과정 및 테스트를 사용하는 것이다. 분석의 이러한 종류의 도구는 선물의 기능 네트워크 연결 (또는 FNC) 도구 상자의 일부로 사용할 수 있습니다. 다른 방법으로는 SPM8에서 사용할 수있는 동적 인과 모델링 (DCM) 등의 완전히 다른 접근 방법을 고려 할 수 있습니다.

기존 방법의 장점

현재 방법의 주요 장점은 대상 뇌 네트워크의 기능을 추론하기위한 최소한 몇 가지 기준을 가르치시는 것입니다의. 네트워크는 다른 복셀의 신호 타임 코스 공분산에 기초하여 식별 및 이들 공분산 추정치 기능적 연결성 안정된 측정 값이다되는 한도 내에서, ICA 및 시드 기반 접근은 그들이인가되었는지 여부 두피 네트워크의 집광 이미지로 이어질 휴식 상태 또는 작업의 fMRI 데이터 ^15을 기반으로. 작업 데이터 그룹 ICA를인가 중요한 장점은 선택된 네트워크의 기능에 대한 예비 가설을 형성 할 수 있다는 것이다. 특정 네트워크 - 규칙 스위칭 - 현재 방법에서, 우리는 특정 인식 작업을 연결하기위한 목적이 사실을 활용. 참가자는 나머지에있는 동안 몇 군데 동일한 네트워크, 그것은 적어도 직접 특정 행동 선택 네트워크를 연결하는 것이 가능하지 않을했다.

추가 응용 프로그램 및 향후 방향

그룹 ICA는 그룹의 다른 작풍을 폭로을위한 큰 잠재력을 보여 주었다나이, 진단 상태, 성격 등 ^16과 관련이있는 책임을 포함 대뇌 피질 네트워크의 조직과 기능에 NCES. 이러한 ICA 등 다변량 절차는 또한 다른 데이터 양상 걸쳐 협회의 식별에 매우 적합하고, ICA는 특히 fMRI를 구조적 MRI 데이터의 fMRI와 EEG와의 fMRI 유전학 ⁽¹⁷⁾ 사이의 연계를 식별하기위한 아주 유익한 입증되었다.

새롭고 흥미로운 방향은 대뇌 피질의 연결 ⁽¹⁸⁾ 역동적 인 변화를 탐구 ICA를 사용하는 것입니다. 지금까지, 대뇌 피질의 네트워크는 적어도 짧은 시간 척도에, 구조적으로 정적으로 개념화되었다. 최근 작업하지만, 내부와 네트워크 사이의 두 기능 연결이 상대적으로 짧은 시간 척도에, 아마도인지와 행동의 변화와 관련하여 동적으로 변경되는지 여부를 조사하기 시작했다. 주로 휴식 상태 데이터에 기초하여 예비 연구 결과, 제안하는 뇌소규모 국가의 다양한 다른 뇌 영역 간의 연결 별개의 별자리 특징으로 각을 반복합니다. 현재의 방법 중 한 가지 분명한 확장 작업 데이터 그룹 ICA의 응용 프로그램을 통해인지 적 요구의 변화와 관련하여 네트워크 연결의 역동적 인 변화를 검사하는 것입니다. 다른 연령대의 참가자들로부터 수집의 fMRI 데이터에 적용, 결과는 잠재적으로 젊은 세 이상 뇌가 동적으로인지 및 행동 문제에 적응하는 방법의 차이를 공개 할 수 있습니다.

Materials

Name	Company	Catalog Number	Comments
SPM8	The MathWorks, Inc.	R2013a