Метод исследования, связанные с возрастом различия в функциональной связности когнитивный контроль сети, связанной с Изменение размеров карты Сортировать Performance

Summary

Это видео представляет собой метод изучения возрастных изменений в функциональной связности когнитивных сетей управления, привлеченных целевых задач / процессов. Методика основана на многомерный анализ данных МРТ.

Abstract

Возможность регулировки поведение к внезапным изменениям в окружающей среде развивается постепенно в детстве и юности. Например, в изменение размеров карты Сортировать задачи, участники перейти от сортировка карт в одну сторону, таких как форма, сортировке им другой способ, например, цвета. Регулировка поведение таким образом взыскивает небольшую стоимость производительность, или стоимость коммутатора, например, что ответы, как правило, медленнее и более подвержены ошибкам на переключатель испытаний, в которых изменения в правилах сортировки по сравнению повторить испытания, в которых правило сортировки остается тем же самым. Возможность гибко настраивать поведение часто говорят, развиваются постепенно, отчасти потому, что поведенческие расходы, такие как расходы выключателей обычно уменьшается с увеличением возраста. Почему аспекты высшего порядка познания, например, поведенческой гибкости, развиваться так постепенно остается открытым. Одна из гипотез является то, что эти изменения происходят в связи с функциональными изменениями в широкомасштабных сетей когнитивный контроль. С этой точки зрения,сложные мыслительные операции, такие как переключение, привлекать быстрые взаимодействия между несколькими распределенными областях мозга, в том числе те, которые обновление и поддерживать правила задач, переориентировать внимание и выберите поведения. С развитием, функциональные связи между этими регионами укрепить, что приводит к более быстрым и эффективным переключений. Нынешний видео описан способ проверки этой гипотезы посредством сбора и многомерного анализа МРТ данным участников разных возрастов.

Introduction

Возможность регулировать поведение развивается постепенно в детстве и юности (см. обзор Алмаз ^1). В изменение размеров карты Сортировать задачи, например, участники перейти от сортировка карт в одну сторону, таких как форма, сортировке им другой способ, например, цвета ² (см. рисунок 2). Переключение взыскивает небольшую стоимость производительность, или стоимость коммутатора, например, что ответы, как правило, медленнее и более подвержены ошибкам на переключатель испытаний, в которых изменения в правилах сортировки по сравнению повторить испытания, в которых правило сортировки остается тем же ^3. Величина этих затрат, как правило, становится все меньше, как дети становятся старше ^4, иллюстрируя тот факт, что способность к регуляции поведения подвергается продолжение разработки в раннем возрасте.

Поскольку сложные мыслительные операции, такие как переключение, привлекать быстрые взаимодействия между несколькими областях мозга ^5, есть растущий интерес к отношений Типынг развитие высшего порядка познания к изменениям в функциональной организации широкомасштабных корковых сетей ^6.

Один из подходов к исследованию изменений в процессе развития в широкомасштабных сетей является использование семян на основе функционального анализа подключения ^6,7. Первым шагом в этой технике должен провести консультации с имеющейся научной литературы и определить априорные регионах, представляющих интерес, или трансформирования, которые, кажется, имеют отношение к поведению в вопросе. Эти трансформирования, или узлы, определить базовый скелет сети. Далее, низкочастотные колебания активности (или Т2 *-взвешенные интенсивность сигнала) в этих трансформирования измеряются от 5 до 10 мин в то время как участники находятся в состоянии покоя в МРТ сканера. Функциональная связность между любыми двумя узлами сети затем количественно как соотношение их соответствующих курсов времени. Узлы, которые сильно связаны функционально должны иметь похожи, и, таким образом, тесно связаны, сигналВремя курсы. С другой стороны, узлы, которые слабо связаны функционально должен иметь разнородных и, таким образом слабо коррелировать, сигнал времени курсы. Для завершения модель сети, края (или ссылки) рисуются между узлами, продолжительность которой курсы коррелируют выше выбранного порога. Тесты для возрастных различий в функциональной связности внутри сети могут быть проведены только на одном узла к узлу связи, или от топологии всей совокупности узлов и ребер. Эти различия в функциональной связности, то может быть связано с мерами когнитивных функций, собранных в автономном режиме.

В данной работе, другой подход описан, которая основана на групповой независимого анализа компонент на основе задач МРТ данных ^8. Независимый анализ компонент (или МКА) представляет собой статистический порядок слепо выявления скрытых источников, лежащих в основе ряд наблюдений таких, что выявленные источники максимально независимым. Применительно к анализу данных МРТ, рrocedure предполагает, что каждый объем представляет собой смесь из конечного числа пространственно-независимых источников. С помощью одного из множества различных алгоритмов, таких как алгоритма Infomax, ICA затем оценивает несмешивания матрицу, при нанесении на исходных данных приводит к системе максимально независимых источников или компонентов. Каждый компонент можно рассматривать как сеть, поскольку она состоит из набора вокселей, которые разделяют общие времени курс. Группа МКА является особый тип ICA, в котором общий набор компонентов группы сначала оценивается от всего набора данных, а затем участники конкретных наборов компонентов группы вычисляются в шаг назад-реконструкции. После того, как весь набор данных разбивается на набор компонентов, следующим шагом будет отказаться артефактом компоненты, которые представляют источники шума, а также определить теоретически значимые компоненты, которые соответствуют сетей, представляющих интерес. Это может быть достигнуто либо по времени курсов компонентов моделирование в контексте GLM к средеntify сетей, которые активируют в прогнозируемом образом, пространственно корреляции компонентов с шаблоном сети интереса, или обоих. В результате набор компонентов, то можно подать в сравнении группы для проверки возможных различий, связанных с возрастом в функциональной связности внутри теоретически интересных сетей ^7,9,10.

Изучение возрастных изменений в функциональной связности за счет применения группы МКА к ответу на основе данных МРТ имеет несколько преимуществ по сравнению с применением методов семян на основе к отдыхая-государственных данных МРТ. Во-первых, в отличие от методов семян на основе, которые сосредоточены на небольшой набор априорных определяется трансформирования, нынешний подход группа МКА использует все вокселы содержащие объемный временной ряд. Это уменьшает возможности для ошибки, которая обязательно возникают, когда небольшая группа семян выбираются априори как регионах, представляющих интерес. Во-вторых, применяя функциональный анализ подключения (МКА основе или иным образом) к задаче-а не основываться состояния МРТ данных имеет то преимущество, что позволяет организации сети и функция сети, чтобы быть более непосредственно связаны. Если, например, рассматривая когнитивные или поведенческие последствия функциональной связи (например, изменения в производительности КЦЦС) является приоритетом, важно, чтобы показать, что сеть интерес связан с выполнения задачи. С покоя государственных протоколов, это очень трудно, потому что исследователь не имеет никаких записей о любых познавательных, поведенческих или эмоциональных состояний, испытываемых участника во время сбора данных. Поэтому невозможно, чтобы обеспечить прямые доказательства, что любая сеть интерес имеет отношение для выполнения задания. В противоположность этому, когда функциональный анализ соединения, такие как ВСА, применяется для целевой-данных, можно подтвердить, что сеть интерес, по крайней мере, связанный с выполнением задачи. Наконец, МКА менее подвержен негативного влияния шума. Источники шума, такие как те, что связаны именноч при условии движения и сердечный ритм, имеют уникальные пространственно-временные профили. Таким образом, в контексте групповой ICA, эти источники выделен и назначен отдельных компонентов, в результате чего остальные компоненты относительно свободны от этих нежелательных источников дисперсии. Поскольку анализ семян на основе использования сырья времени курсы в оценке функциональной связности, и времени курсы, по определению, смеси нейрофизиологической сигнала и артефактом шума, групповые различия в функциональных оценок подключения может отражать истинные групповых различий в основной нейрофизиологии, групповых различий в структура шума, или обоих ^11.

Protocol

1. Получить одобрение для работы с человеческой субъектов

2. МРТ сбора данных

1. Приобретать данные МРТ в соответствии с процедурами, пригодных для маленьких детей (см. Raschle и соавт. ^12). Сделайте все возможное, чтобы ограничить возможные различия, связанные с возрастом в выполнении задачи и движения, как эти различия ввести нежелательные путает, которые ограничивают свою способность делать выводы о умственно-соответствующими различиями в активации мозга и функциональной связности.
   Примечание: В текущем протокола, повторных испытаний версия DCCS вводили в виде блочной конструкции ^13. Каждый прогон включает в себя два 8-пробные переключения блоков и два 8-пробные повторных блоков, где блоки переключателей состоит из 4 выключателей испытаний и 4 повторных испытаний и повторных блоки состоят из 8 повторных испытаний. Протокол идеально подходит для использования с событий, связанных с данным МРТ. Тем не менее, блок-схемы хороши для работы с при первом получении ACQUainted с ВСА, как легко видеть, модуляции задач в составных курсов времени.
2. Данные предварительной обработки МРТ следующие стандартные процедуры предварительной обработки МРТ.
   1. Выровняйте все функциональные изображения в той же ориентации и положения. Как правило, первый функциональный объем используется в качестве опорного изображения для всех других объемов привести в соответствие с.
   2. Coregister в Т1-(анатомической) изображения с T2 *-взвешенных (функциональные) сканирует, так что активация накладывается на правильном анатомического расположения.
   3. Нормализовать все изображения в унифицированный размер, пространства и положение с выбором шаблона мозга (например Talairach пространства). Это помогает гарантировать, что гомологичные регионы из разных субъектов сравниваются.
      Примечание: Изображения деформированные в Talairach пространстве в текущем протоколе, хотя другие шаблоны можно также использовать (например, MNI {Монреальского неврологического института} пространства).
   4. Гладкая все функциональные объемы в DATнабор с 6 до 10 мм сглаживания ядро.
3. Секвестр препроцессированные объемы в отдельный набор каталогов. Используйте "Функциональные сканирование" в качестве корневого каталога. В "функциональных проверок" включают отдельную директорию для каждого участника, и в каждом каталоге участника, отдельная директория для каждого перспективе. Данные теперь готов для анализа ICA.

3. Группа независимых компонент анализ (МКА)

1. Скачать и установить программное обеспечение группы ICA. Есть ряд панелей инструментов, доступных для реализации ICA на различных типах нейрофизиологических данных, в том числе МРТ. Хотя любой инструментарий, который выполняет группа ICA бы быть потенциально пригодны, один используется в текущем протоколе называется ПОДАРОК. ПОДАРОК ​​был разработан Винс Калхун и его коллеги из Университета Нью-Мексико. ПОДАРОК ​​инструментов представляет собой набор скриптов MATLAB, которая работает вместе с СПУ, известного анализа пакета МРТ. Оба могут бэ бесплатно скачивать из интернета (ПОДАРОК: mialab.mrn.org / Программное обеспечение / подарок / index.html #; СЗМ: www.fil.ion.ucl.ac.uk/spm/). После загрузки, добавьте ПОДАРОК ​​инструментов и все подкаталоги в пути поиска MATLAB и сохранить файл маршрута.
2. Вычисление группы ICA на данных МРТ с использованием ПОДАРОК ​​делает значительные требования к оперативной памяти. Точные требования к памяти будет варьироваться в зависимости от количества участников, количество данных, полученных от каждого участника, а также разрешающей способности данных. Чтобы избежать проблем с памятью, то лучше, чтобы запустить анализ ICA на сервере. Если запустить анализ на локальном компьютере, требования к оперативной памяти может быть оценена с помощью скрипта "icatb_mem_ica.m", который является частью ПОДАРОК.
3. Настройка или параметризации анализ. Сделайте это путем изменения уже существующий сценарий серии под названием "Input_data_subjects_1.m", который хранится в ПОДАРОК ​​в разделе "icatb_batch_files".
   Примечание: Это может также быть сделано с помощью графического пользовательского подарок в INTERFтуз. Тем не менее, это гораздо проще, с немного практики, чтобы настроить анализ, изменяя этот предварительно существующий сценарий.
   1. Укажите модальность данных как МРТ
   2. Укажите тип анализа, как ВСА ICASSO. Это гарантирует, что МКА запускается с процедурой ICASSO. ICASSO оценивает надежность разложения, запустив несколько раз ICA начиная с различных случайных семян. Затем он проверяет схожесть каждого результата с помощью кластеризации. Использование ICASSO рекомендуется как средство проверки качества разложения ICA, но значительно продлить время, необходимое ПОДАРОК ​​для завершения анализа.
      1. Чтобы запустить ICA с процедурой ICASSO выберите '2 'в разделе "Тип анализа», а затем параметризации процедуру ICASSO в последующие строках файла установки.
   3. Оптимизируйте производительность группы СПС, выбрав '1 'в настройках производительности Группа СПС. Рассмотреть вопрос о создании для этого параметра значение '2'Должен проблемы нехватки памяти RAM произойти.
   4. Чтобы включить позже сортировки результате компонентов с использованием прогностических от стандартного SPM матрице, указать, следует ли существуют различные матрицы для различных предметов.
   5. Укажите, где предварительно обработанные функциональные данные хранятся и действительно ли файл SPM.mat содержащий дизайн матрицу хранится вместе с предварительно обработанных функциональных данных.
      1. Самый простой способ получить ПОДАРОК ​​читать данные, если каждый участник имеет одинаковое количество трасс, а также каталог данных структурирована как описано в шаге 2.3 под сбора данных МРТ. Если так, то под DataSelectionMethod, выбрал '1 'для метода 1, и завершить параметр "sourceDir_filePattern_flagLocation", включив путь файла, где хранятся данные, формат файла данных, а также заявление о том, что индивидуальные занятия хранятся в виде подкаталогов в каждой папке темы.
      Укажите каталог, в котором выход анализа должен быть написан. Не пишите результаты в тот же каталог, где хранятся данные.
   6. Обеспечить префикс, который будет добавлен ко всем выходных файлов.
   7. Обеспечить путь к файлу в маску. Все объемы, представленные ICA маскируются. ПОДАРОК ​​предоставляет маску по умолчанию. За эту работу, сценарии в доме, чтобы генерировать маску из данных, которые будут представлены в ВСА. Как минимум, маска должна устранить череп, экстра-мозговой пространство, и особенно глазные яблоки. Сигнал от глазного яблока вокселями покажет очень большие колебания во время бега и, следовательно, будет иметь значительное влияние на структуру конечных компонентов. Рисунок 3 иллюстрирует то, что хорошая маска должна выглядеть.
   8. Укажите тип группы СПС, который будет использоваться. Используйте 'предметно-конкретными.'
   9. Укажите метод обратного восстановления. На этом этапе, индивидуальный субъект ИС и связанные с ними программы обучения вычисляются сюдам результаты группового анализа. GICA рекомендуется для получения наилучших курсов времени, хотя есть широкая дискуссия в литературе по этому вопросу.
   10. Укажите тип данных предварительной обработки. Используйте интенсивности нормализации, чтобы избежать не-числовые значения (то есть бесконечных частей, и Нэн) на выходе. В этом примере мы выбрали по умолчанию '1 '.
   11. Укажите тип PCA (мы используем стандарт) и примите значения по умолчанию в соответствии СПС Options. GIFT выполняет СПС на каждом опыте каждого участника и сохраняет ряд компонентов, равным числу источников быть несмешанные в ВСА. СПС выполняет две важные цели. Во-первых, это помогает устранить источники шума, которые уникальны для каждого участника и каждого запуска. Во-вторых, он делает вычислительные требования анализа более сговорчивым.
   12. Укажите, сколько СПС для работы на данных до ВСА (2 рекомендуется). Кроме того, указать, сколько компонентов, чтобы сохранить после каждого СПС (если работает2, рекомендуется, что число компонентов, оставшихся после первого СПС в два раза превышает число сохраняется после второй).
   13. Укажите, как данные должны быть расширены. За эту работу, был использован г-оценка масштабирования.
   14. Выберите слепой исходный алгоритм разделения для ВСА. За эту работу, был использован Infomax. ПОДАРОК ​​предлагает на выбор не менее 10 различных алгоритмов.
   15. Остальные параметры можно оставить как есть.
4. После того, как МКА завершена, выбрать один из доступных компонентов те, которые являются потенциальной теоретический интерес. Благодаря дару GUI, выберите выбор компонентов: пространственная сортировка сортирует пространственные элементы, посредством пространственной корреляции с заранее существующего шаблона; временная сортировка сортирует времени компонент курсы с помощью линейных предикторов от СПУ матрице, что вы можете хранить с данными (см. 3.3.5).
   Примечание: Оба подхода к выбору компонентов полезны. Тем не менее, при работе с данными задач, временная выборкритерии являются особенно полезными, так как они обеспечивают средства проверки того, что выбранный компонент был активирован задачей. В случае DCCS, использование временной сортировки можно использовать для подтверждения того, что выбранный компонент был более активным во время переключения блоков, чем во время повторных блоков.
5. Проверьте, различаются ли детей и взрослых версии этих выбранных компонентов. Совокупный ребенок и взрослые компоненты интерес на две отдельные группы и теста с помощью двух образцов Т-тест регионах, где компоненты меняются. Это сравнительно легко сделать через дар GUI.

Representative Results

Группа МКА, даже на относительно небольшом наборе данных МРТ, вернется набор компонентов, сопоставимые с теми наблюдается и в других исследованиях. Рисунок 4 является наложение 5 таких компонентов и связанных с ними курсов времени несмешанных от образца 12 детей и 13 взрослых , с приблизительно 800 объемов на участника. Как показано на фиг.4, режим по умолчанию, лобно-теменной, cingulo-островной, и визуальный сети легко можно видеть из результатов этого разложения. Кроме того, обратите внимание, как легко это разглядеть дизайн блока во временных курсов компонентов визуальных и стандартный режим.

Успешный МКА разложение должно быть надежным. Надежность разложения можно оценить, анализируя вывод процедуры ICASSO. Рисунок 5 показывает часть вывода ICASSO для надежного разложения, проведенного в ПОДАРОК.

При использовании пространственного коррелированныхионный качестве основы для выбора компонентов, это хорошо, чтобы сообщить коэффициент корреляции и представить шаблон и выбранный компонент вместе для визуального сравнения. В недавней работе, пространственная и временная сортировка оба были использованы для идентификации компонента лобно-теменной, который был и пространственно коррелирует с шаблоном исполнительного сети управления, и был более активным в течение переключателя блоками, чем повторных блоков в DCCS. На рисунке 6 показан изображение шаблона и выбранный компонент. Обратите внимание, что есть хорошее соответствие между двумя изображениями.

Сравнения в группах карт компонентов может быть использован для проверки возрастных различий в функциональной связности для выбранного компонента. Воксели, которые появляются на полученных карт являются те, которые "нагрузка" сильнее от выбранного компонента для одной группы, чем другой. Другими словами, это вокселей, в котором временной ход вокселов больше похожи на время хода компонент (т.е. показывают сильную функциональную возможность подключения к сети) для одной группы, чем на другую. После этой процедуры, мы сравнили детей и взрослых прямо лобно-теменной компонентов - компонент мы подтвердили был пространственно коррелирует с шаблоном исполнительного сети управления и активировали путем DCCS - и обнаружили, что воксели пределах бокового префронтальной, передней части поясной извилины и теменной кора загружалась сильнее на этом компоненте у взрослых, чем у детей ^14. Этот контраст изображения показано на рисунке 7.

Рисунок 1. Общая схема эксперимента.

d/51003/51003fig2ahighres.jpg "Первоначально" / files/ftp_upload/51003/51003fig2a.jpg "/>

Рисунок 2. Блок-дизайн вариант изменения размеров карты Сортировать (DCCS) задач. В стандартной версии задачи, дети рода бивалентные тестовые карты в бункерах, отмеченных двухвалентных целей, которые соответствуют каждой тестовой карты на одном измерении.Дети сортировать небольшое количество карт в одну сторону (например, цвета), а затем проинструктированы для переключения и сортировать же карты новый способ (например, путем форме). Исход мера, правильно ли дети переключения критериев сортировки. (А) в блок-дизайна варианте, задача компьютер вводили. Два бивалентные объекты отображаются на экране на протяжении всего задания. Проверочные карты представлены централизованно для 1750 мс и участников сортировать карты с помощью кнопки-пресс. Испытания, в которых критерий сортировки отличается от предыдущего судебного разбирательства переключатель испытания; испытания, в которых критерий сортировки такой же, как на предыдущем суде повторные испытания. (б) Индивидуальные испытания представлены в 8-следственных блоков. Переключатель блоки содержат 4 повторения и 4 переключателя испытания; повторные блоки содержат 8 Повторите испытания. (в, г) Показатели результатов разница во времени отклика и точности через переключатель и повторите блоков.

. Рисунок 3 Результаты Группа ICA:. Представительные компонентов (а) составное изображение из 5 представительств компонентов группы из ВСА 11 взрослых и 12 участников детей. Модель заказ был 20. Работает были 78 томов долго. Компоненты имеют цветовую маркировку (красный = визуальная, синий = левый лобно-теменной; зеленый = по умолчанию режима; розовый = правый лобно-теменной; оранжевый = cingulo-островной). (Б) компонентов timecourses и блочная конструкция наложения. Из визуального осмотра, то очевидно, что производительность задача связана с увеличением активности в визуальных и левых компонентов лобно-теменной и уменьшением активности в сети по умолчанию режима. Эти интуитивные результаты показывают, как использование базовой конструкции блока позволяет относительно легко оценить качество в ICA разложения."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" целевых = "_blank"> Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

. Рисунок 4 Результаты Группа ICA:. Представительные компонентов (а) составное изображение из 5 представительств компонентов группы из ВСА 11 взрослых и 12 участников детей. Модель заказ был 20. Работает были 78 томов долго. Компоненты имеют цветовую маркировку (красный = визуальная, синий = левый лобно-теменной; зеленый = по умолчанию режима; розовый = правый лобно-теменной; оранжевый = cingulo-островной) (б) компонент времени курсы и блочная конструкция наложения.. Из визуального осмотра, то очевидно, что производительность задача связана с увеличением активности в визуальных и левой компонентов лобно-теменной и уменьшению активности в DEFAULT-сетевой режим. Эти интуитивные результаты показывают, как использование базовой конструкции блока позволяет относительно легко оценить качество в ICA разложения. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 5. Представитель ICASSO выход из высоконадежной разложения. Для проверки надежности какой-либо одной разложения, МКА запускается многократно, и результаты по отдельным трасс построены. Этот участок представляет собой краткий обзор результатов всех итераций МКА и позволяет визуально оценить сходство или расхождение в решениях, которые возникают из разных итераций ВСА. Холост точки представляют отдельные оценки пробегопределенных компонентов. Светло-голубые круги представляют centrotypes кластеров одиночных наблюдений. Компактные и изолированные кластеры, которые попадают в границы centrotype предложить хорошую надежность. Переменная кластеры, чтобы паразитные пределами границы centrotype предложить недостаточную надежность. Для большинства компонентов на этом рисунке, была высокая степень сходства в компоненте через различные итераций ВСА. Компоненты 58, 59 и 60 показали некоторые незначительные изменчивость разных итераций. Кликните здесь, чтобы посмотреть увеличенное изображение.

Рисунок 6. Шаблон исполнительный контроль и выбранный право лобно-теменной компонент, накладывается на одинаковых кусочков от высокой Resolutioн анатомические сканирования, появляются вполне сопоставимы. Пространственная корреляция может быть использована для количественного и статистически проверить на схожесть этих карт. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 7. Вычитая нужные компоненты лобно-теменной детей от взрослых показывает регионы, чьи функциональная связность с выбранным исполнительной сети сильнее для взрослых, чем для детей. Эти регионы включают медиальной префронтальной коры и вентральной области покрышки (см. сагиттальную ломтик) и дорсолатеральной префронтальной и нижних отделов теменной коры (см. аксиальный срез). Пожалуйста, нажмитездесь, чтобы посмотреть увеличенное рисунке.

Discussion

Умственные операции высшего порядка, такие как возможность переключаться правила сортировки, быстро развиваться на протяжении всего детства и юности. Потому что эти умственные операции включают взаимодействия между несколькими распределенными областях мозга, растет интерес к изучению взаимосвязи между развитием познания высшего порядка и возрастных изменений в организации широкомасштабных корковых сетей. Мы представляем метод, основанный на групповом анализе независимого компонента применяется к основе задач данных МРТ как средство изучения это соотношение напрямую.

Как и в случае любого между группами сравнения исследовании, успех метода основывается на высококачественных данных МРТ от взрослых и детей. Различия в группах в движения, связанных с артефакта может иметь серьезные последствия для качества ICA разложения и привести к ложным различий в полученных компонентов. Различия в группах в выполнении задачи могут быть потенциально ProblemaTic, а также, как они подорвут жизнеспособность временной сортировки для всех групп. Если, например, одна группа показывает большую разницу в производительности между экспериментальной и контрольной испытаний, но вторая группа не делает, это будет трудно определить компоненты, которые можно было бы претендовать связаны с задачей одинаково для обеих групп. Поэтому, не забудьте взять время, чтобы собрать свои данные должным образом. Следуйте педиатрических протоколов нейровизуализации хорошо описывается Raschle и соавт., 2009, и требуют времени для развития когнитивно-поведенческой методы, которые смягчают межгрупповых различий в производительности / стратегии использования.

Trouble-shooting/Caveats

Группа МКА является передовым многомерный метод, но тот, который в настоящее время приняты все чаще и чаще для различных аналитических приложений МРТ, в том числе шумоподавления, оценка функциональной связности и визуализации динамических состояний подключения мозга (см. ниже). Для пользователей впервые, наладка и переводвыход из группы МКА будет немного дезориентирует. Но, с немного практики / проб и ошибок, все становится намного проще. Следующие рекомендации помогают нам чрезвычайно в преодолении наших первоначальных неопределенности.

Во-первых, начать с малого и использовать данные, собранные с простым дизайном. Блок-схемы с 10 до 20 периодов отдыха сек между блоками являются идеальными в этом отношении. Для начала, попробуйте запустить в ICA работать на 3 или 4 100 объемом рейсов маршрутных данных из 4 или 5 человек. Это не даст публикуемые результаты, но будет работать достаточно быстро и производить разумные пространственные компоненты. Кроме того, он должен быть относительно легко увидеть блочная конструкция представлена ​​в времени ходе компонентов затылочных и компонентов по умолчанию, с этих временных курсов положительно и отрицательно связан с задачей, соответственно (см. рисунок 4). Это хороший способ быстро обрести уверенность с процедурой до масштабирования анализ до включаяэлектронной весь набор данных. Если вещи не работать в этом пункте, вернуться к своим предварительно обработаных изображений и проверьте вопросами качества данных (например Сильные артефакты изображения, плохие ломтиками, и т.д.). Если пространственные компоненты являются чрезвычайно редкими (т.е. пространственные ИС состоят из множества мелких рассеянных скоплений вокселей), проверить, чтобы убедиться, объемы были сглажены - 8-мм ПШПВ ядра рекомендуется.

Начиная с небольшого набора данных также хороший способ получить представление о выборе модели порядка, или количество компонентов для включения в модели. В то время как нет единственно правильного способа сделать это решение, существует ряд руководящих принципов, чтобы рассмотреть. Во-первых, как подарок реализует форму пространственной ICA, максимальное количество компонентов, которые можно несмешанного с объемной временного ряда равна количеству объемов в таймсериях. Во-вторых, ПОДАРОК ​​вычисляет оценку размерности данных с использованием СПС, и эти оценки, как правило, в диапазоне Oе 18 до 22 компонентов. Вместе эти соображения обеспечить верхнюю и нижнюю границу для вашего выбора порядка модели. После этого, это до вас. Просто помните, что компоненты, которые были пространственно агрегированные по более низкой порядка модели будут разделены друг от друга на отдельные, но статистически связанных компонентов, как модель заказа увеличивается. Если вы планируете, чтобы выбрать компонент, используя шаблон из другой исследовательской группы, вы могли бы рассмотреть выборе модели заказ подобно тому, что был использован в анализе, который сгенерировал шаблон, так как это увеличит вероятность того, что компонент вы ищете останков пространственно нетронутыми в вашем разложения.

Есть несколько предостережений, которые могут быть, стоит прислушаться прежде чем двигаться вперед с ВСА. Во-первых, пространственные компоненты обеспечивают основу для изучения возрастных различий в функциональной связности, но не скажу вам ничего о том, как или даже ли регионы, которые включают взаимодействуют компонентов. Два региона можно загрузить на компонентеиз-за двунаправленной, однонаправленного или косвенной (например, через третью область) соединения, или даже с помощью статистического аварии. Поэтому, будьте осторожны в выводах. Во-вторых, если ваши интересы в тестировании конкретного гипотезу о том, как регионы взаимодействуют и как эти взаимодействия изменить с развитием, необходимо будет рассмотреть дополнительные анализы или методы. Одна из возможностей заключается в использовании времени курсы и тестирование микросхем для эффективного подключения между компонентами с помощью отставали корреляционного анализа. Инструменты для этих видов анализов доступны в рамках функционального сетевых соединений ПОДАРОК ​​(или ФСК) инструментов. Кроме того, вы можете рассмотреть совершенно иной подход, например, динамических причинной моделирования (DCM), доступный в SPM8.

Преимущества существующих методов

Основная сила текущего метода является то, что она дает, по крайней мере некоторую основу для выведения функцию целевой сети мозгас. В той степени, что сети идентифицируются на основе ковариации во времени сигнал курсов разных вокселах, и эти оценки ковариационные являются стабильным показателем функциональной связности, МКА и семян на основе подхода приводят к сходящихся изображений корковых сетей, применяются ли они к покоя состояние или задача передачи данных на основе МРТ ^15. Важным преимуществом применения группы МКА к целевой-данных является то, что можно сформировать предварительные гипотезы о функции отдельных сетей. В текущем методе мы использовать этот факт в целях увязки конкретного познавательную операцию - правил переключения - к определенной сети. Были в той же сети в образ в то время как участники были в состоянии покоя, это не было бы возможно, чтобы связать выбранную сеть с определенным поведением, по крайней мере, не напрямую.

Дополнительные приложения и будущие направления

Группа МКА показал большой потенциал для раскрытия группы DiffereNCES в организации и функционирования корковых сетей, в том числе те, которые связаны с возрастом, диагностики состояния, личности, и так далее ^16. Многомерные процедуры, такие как ICA также хорошо подходит для идентификации ассоциаций через различных модальностей данных и МКА, в частности, оказались весьма плодотворными для выявления связей между МРТ и структурных данных МРТ, МРТ и ЭЭГ, и МРТ и генетики ^17.

Один захватывающим новое направление является использование МКА в изучении динамические изменения в корковой связи ^18. На сегодняшний день корковые сети были представить как архитектурно статическим, по крайней мере, в течение коротких временных рамок. Последние работы, однако, началось изучение изменяет ли функциональная связность внутри и между сетями динамически на относительно коротких временных масштабах, возможно, в связи с изменениями в познании и поведении. Предварительные выводы, основанные в первую очередь на покоя государственных данных, позволяют предположить, что мозгциклов с помощью различных микросостояний, каждый из которых характеризуется отчетливым созвездии связей между различными частями мозга. Одним из очевидных расширение текущего метода будет изучить динамические изменения в подключение к сети в связи с изменениями в когнитивных требований путем применения группы МКА к данным задачи. Применительно к данным МРТ, полученных от участников разных возрастов, то результаты могут потенциально выявить различия в том, как молодые и пожилые мозги динамически адаптироваться к когнитивных и поведенческих проблем.

Materials

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