Een methode voor het onderzoeken van leeftijdsgebonden veranderingen in de functionele connectiviteit van cognitieve controle Networks Associated met Dimensional Change Card Sort Prestatie

Summary

Deze video presenteert een methode voor de behandeling van leeftijdsgebonden veranderingen in functionele connectiviteit van cognitieve controle netwerken die zich bezighouden met gerichte taken / processen. De techniek is gebaseerd op multivariate analyse van fMRI data.

Abstract

De mogelijkheid om het gedrag aan te passen aan plotselinge veranderingen in de omgeving ontwikkelt zich geleidelijk in de kindertijd en adolescentie. Bijvoorbeeld, in de Dimensional Card Change Sorteren taak, de deelnemers over te schakelen van het sorteren van kaarten op een manier, zoals vorm, om ze te sorteren op een andere manier, zoals kleur. Instellen van gedrag op deze manier eist een kleine voorstelling kosten, of switch kosten, zoals dat de reacties zijn meestal trager en foutgevoelige op switch trials waarin de sortering regels te veranderen ten opzichte van studies waarin de sortering regel blijft hetzelfde herhalen. De mogelijkheid om flexibel gedrag aan te passen wordt vaak gezegd dat geleidelijk ontwikkelen, deels omdat gedrags kosten zoals switch kosten meestal nemen bij hogere leeftijd. Waarom aspecten van hogere orde cognitie, zoals gedrags-flexibiliteit, ontwikkelen zo geleidelijk blijft een open vraag. Een hypothese is dat deze veranderingen optreden in samenhang met functionele veranderingen in brede schaal cognitieve controle netwerken. In deze visie,complexe mentale operaties, zoals schakelen, betrekken snelle interacties tussen verschillende gedistribueerde hersengebieden, waaronder die die update en de taak de regels te handhaven, heroriënteren aandacht en selecteer gedrag. Met de ontwikkeling, functionele verbindingen tussen die gebieden te versterken, wat leidt tot snellere en efficiëntere schakelhandelingen. De huidige video beschrijft een werkwijze voor het testen van deze hypothese door het verzamelen en multivariate fMRI van deelnemers van verschillende leeftijden.

Introduction

De mogelijkheid om gedrag te reguleren ontwikkelt zich geleidelijk in de kindertijd en adolescentie (voor een overzicht, zie Diamond ^1). In de Dimensional Card Change Sorteren taak, bijvoorbeeld deelnemers schakelen van het sorteren kaarten op een manier, zoals vorm, om ze te sorteren op een andere manier, zoals kleur ² (zie figuur 2). Schakelen eist een kleine voorstelling kosten, of switch kosten, zoals dat de reacties zijn meestal trager en foutgevoelige op switch trials waarin de sortering regels te veranderen ten opzichte van studies waarin de sortering regel blijft hetzelfde ³ herhalen. De omvang van deze kosten meestal kleiner als kinderen ouder worden ⁴ illustreert het feit dat de capaciteit voor gedragregulatie jonge leeftijd ondergaat verdere ontwikkeling.

Omdat complexe mentale operaties, zoals schakelen, betrekken snelle interacties tussen verschillende hersengebieden ^5, is er groeiende belangstelling voor relating ontwikkeling van hogere orde cognitieve veranderingen in de functionele organisatie van massale corticale netwerken ^6.

Een benadering voor het onderzoeken ontwikkelingsverandering in massale netwerken door het gebruik van zaad gebaseerde functionele analyses van ^6,7. De eerste stap in deze techniek is om te overleggen met de beschikbare onderzoeksliteratuur en definieer a priori regio's van belang, of ROI, die lijken op het gedrag in kwestie relevant zijn. Deze ROI of knooppunten, bepalen de basisskelet van het netwerk. Vervolgens laagfrequente fluctuaties in de activiteit (of T2 *-gewogen signaal intensiteit) in deze ROI's worden gemeten gedurende 5 tot 10 minuten, terwijl deelnemers zijn in rust in een MRI-scanner. Functionele connectiviteit tussen twee knooppunten van het netwerk wordt vervolgens gekwantificeerd als de correlatie van hun respectieve tijdsverloop. Knooppunten die sterk functioneel zijn aangesloten moeten vergelijkbaar zijn, en dus sterk gecorreleerd, signaaltijdsverloop. Aan de andere kant moet knooppunten die zwak functioneel verbonden zijn verschillend en dus zwak gecorreleerd zijn, signaleren tijd cursussen. Om een ​​model van het netwerk te voltooien, worden randen (of koppelingen) gemaakt tussen knooppunten waarvan de tijd cursussen correleren boven een gekozen drempel. Tests voor leeftijdsgebonden verschillen in functionele connectiviteit binnen een netwerk kan worden uitgevoerd op een enkel knooppunt naar knooppunt aansluiting, of op de topologie van de gehele set van knopen en randen. Deze verschillen in functionele connectiviteit kan dan worden gerelateerd aan maatregelen van cognitieve prestaties offline verzameld.

In dit artikel wordt een andere aanpak beschreven die gebaseerd is op groep onafhankelijke component analyse van taakgericht fMRI data ^8. Onafhankelijke componenten analyse (of ICA) is een statistische procedure voor het blindelings die verborgen bronnen grondslag liggen aan een reeks van waarnemingen, zodanig dat de geopenbaarde bronnen zijn maximaal onafhankelijk. Toegepast op de analyse van fMRI data, de pROCEDURE neemt aan dat elk deel is een mengsel van een eindig aantal ruimtelijk-onafhankelijke bronnen. Door een van een verscheidenheid van verschillende algoritmen, zoals Infomax algoritme ICA schat dan een ontmenging matrix, dat bij aanbrenging op de oorspronkelijke gegevens levert een reeks van maximaal onafhankelijke bronnen of onderdelen. Elke component kan worden beschouwd als een netwerk, voor zover het bestaat uit een verzameling voxels die een gemeenschappelijke tijdsverloop delen. Groep ICA is een bepaald type van ICA, waarbij een gemeenschappelijke set van groep componenten wordt eerst geschat op basis van een hele reeks gegevens, en vervolgens deelnemer specifieke sets van de groep componenten worden berekend in een back-reconstructie stap. Zodra een gehele dataset wordt ontleed in een set van componenten, de volgende stap is om artefactuele componenten die geluidsbronnen vertegenwoordigen weggooien, en identificeren theoretisch zinvolle onderdelen die overeenkomen met de netwerken van belang. Dit kan worden bereikt door het modelleren component time opleidingen in het kader van een GLM naar IDEntify netwerken activeren een voorspelde wijze ruimtelijk correleren componenten met een sjabloon van een netwerk van belang, of beide. De resulterende set van componenten kan vervolgens aan een groep vergelijking worden voorgelegd om te testen op mogelijke leeftijdsgebonden verschillen in functionele connectiviteit binnen theoretisch interessante netwerken ^7,9,10.

Studeren leeftijd-gerelateerde veranderingen in functionele connectiviteit door de toepassing van groep ICA aan taak-gebaseerde fMRI data heeft een aantal voordelen boven de toepassing van-zaad gebaseerde technieken om rust-state fMRI data. Eerste, in tegenstelling tot-zaad gebaseerde technieken die zich richten op een kleine set van a priori gedefinieerde ROI, de huidige groep ICA aanpak maakt gebruik van alle voxels die een volumetrische tijdreeks. Dit vermindert de mogelijkheden voor vertekening die noodzakelijkerwijs ontstaan ​​wanneer een kleine groep van zaden worden geselecteerd a priori als regio's van belang. Ten tweede, het toepassen van functionele connectiviteit analyse (ICA-gebaseerde of anderszins) aan taak-plaats resting state fMRI data heeft het voordeel dat netwerkorganisatie en netwerkfunctie meer rechtstreeks worden verbonden. Indien bijvoorbeeld het onderzoeken van de cognitieve of gedragsmatige gevolgen functionele connectiviteit (bijvoorbeeld variatie in DCCS prestaties) is een prioriteit, is het belangrijk aan te tonen dat het netwerk van belang wordt geassocieerd met taken. Met rust-state protocollen, dit is erg moeilijk, omdat de onderzoeker geen verslag van een cognitieve, gedragsmatige of affectieve toestanden ervaren door de deelnemer tijdens data-acquisitie. Het is daarom onmogelijk om directe bewijs dat een netwerk van belang die relevant zijn voor de taakuitvoering is voorzien. Wanneer daarentegen functionele analyses van, zoals ICA, wordt toegepast op taak-data, is het mogelijk te bevestigen dat het netwerk plaats minimaal is aan de uitvoering van een taak. Tenslotte ICA is minder onderhevig aan de negatieve invloed van ruis. Geluidsbronnen, zoals die geassocieerd with beweging van het onderwerp en het hartritme, hebben unieke tijdruimtelijke profielen. Daarom is in de context van een groep ICA, deze bronnen worden geïsoleerd en toegewezen aan afzonderlijke componenten, waardoor overblijvende componenten relatief vrij van deze ongewenste variantiebronnen. Omdat-zaad gebaseerde analyses gebruiken ruwe time opleidingen in de schatting van functionele connectiviteit, en de tijd cursussen zijn per definitie mengsels van neurofysiologische signaal en kunstmatig lawaai, groep verschillen in functionele connectiviteit inschattingen kunnen echte groep verschillen in onderliggende neurofysiologie, groep verschillen in weerspiegelen de structuur van geluid of beide ^11.

Protocol

1. Verkrijgen van goedkeuring voor het werken met proefpersonen

2. FMRI Data Acquisition

1. Verwerven van fMRI data volgende procedures geschikt voor jonge kinderen (zie Raschle, et al.. ^12). Alles in het werk om mogelijke leeftijdsgebonden verschillen in de taakuitvoering en beweging te beperken, als deze verschillen te introduceren ongewenste verwart dat iemands vermogen om conclusies te trekken over hun ontwikkeling-relevante verschillen in hersenactiviteit en functionele connectiviteit beperken.
   Opmerking: In het huidige protocol, een herhaalde proeven versie van de DCCS werd toegediend in de vorm van een blokontwerp ^13. Elke run bestaat uit twee 8-proef schakelaar blokken en twee 8-proef herhalen blokken, waar de schakelaar blokken bestaan ​​uit 4 schakelaar proeven en 4 herhalen proeven, en herhaal blokken bestaan ​​uit 8 herhaalde proeven. Het protocol is perfect geschikt voor gebruik in combinatie met event-related fMRI data. Echter, blok ontwerpen zijn leuk om mee te werken bij de eerste krijgen acquainted met ICA, omdat het gemakkelijk is om de taak modulaties zien in het onderdeel tijd cursussen.
2. Preprocessen fMRI data volgende standaard fMRI preprocessing procedures.
   1. Lijn alle functionele beelden naar dezelfde oriëntatie en positie. Typisch wordt de eerste functionele volume dat een referentiebeeld voor andere volumes worden uitgelijnd als.
   2. Coregister de T1-gewogen (anatomische) afbeelding met de T2 *-gewogen (functionele) scans, zodat de activering wordt gelegd op de juiste anatomische locatie.
   3. Normaliseren alle beelden naar een gestandaardiseerde afmeting, ruimte, en de positie met de selectie van een sjabloon hersenen (bijv. Talairach ruimte). Dit zorgt ervoor dat homologe gebieden van verschillende onderwerpen worden vergeleken.
      Opmerking: De beelden worden vervormd om Talairach ruimte in het huidige protocol, hoewel andere sjablonen kunnen ook gebruikt worden (bijvoorbeeld MNI {Montreal Neurological Institute} ruimte).
   4. Smooth alle functionele volumes in de DAT-een set met een 6-10 mm smoothing kernel.
3. Afzonderen voorbewerkte volumes in een aparte set van directories. Gebruik "Functional scans" als de top directory. In "Functional scans" een aparte map voor elke deelnemer, en binnen elke deelnemer directory, een aparte directory voor elke run. De gegevens zijn nu klaar voor ICA analyse.

3. Groep Independent Component Analysis (ICA)

1. Download en installeer groep ICA software. Er zijn een aantal toolboxen beschikbaar voor de uitvoering van ICA op verschillende soorten neurofysiologische gegevens, met inbegrip van fMRI. Hoewel elke gereedschapskist die groep ICA presteert potentieel geschikte zou zijn, wordt de ene gebruikt in het huidige protocol genaamd GIFT. GIFT is ontwikkeld door Vince Calhoun en collega's aan de Universiteit van New Mexico. De GIFT toolbox is een set van MATLAB scripts die werkt samen met SPM, een bekende fMRI analyse pakket. Beide kunnen be gratis gedownload worden van het internet (GIFT: mialab.mrn.org / software / gift / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Eenmaal gedownload, voeg de GIFT gereedschapskist en alle sub-directories om de MATLAB zoekpad en bewaar pad bestand.
2. Het berekenen van een groep ICA op fMRI gegevens met behulp gift maakt substantiële eisen aan RAM-geheugen. De precieze eisen aan geheugen afhankelijk van het aantal deelnemers, de hoeveelheid data verzameld van elke deelnemer, en de resolutie van de gegevens. Om het geheugen problemen te voorkomen, is het het beste om de ICA analyse op een server te draaien. Als het uitvoeren van de analyse op een lokale computer, kan de RAM-vereisten worden geschat door het gebruik van een script "icatb_mem_ica.m" dat deel uitmaakt van GIFT.
3. Set-up of parametriseren de analyse. Doe dit door het wijzigen van een reeds bestaande batch script genaamd "Input_data_subjects_1.m" die is opgeslagen in GIFT onder "icatb_batch_files".
   Opmerking: Dit kan ook worden gedaan met behulp van de gift van Graphical User Interface. Het is echter veel gemakkelijker, met een beetje oefening, het opzetten van de analyse door het wijzigen van deze reeds bestaande script.
   1. Geef gegevens modaliteit als fMRI
   2. Geef Type Analysis als ICA met ICASSO. Dit zal zorgen voor de ICA wordt uitgevoerd met de ICASSO procedure. ICASSO schat de betrouwbaarheid van de ontleding door het uitvoeren van meerdere malen ICA ab andere willekeurige zaden. Daarna test de gelijkenis van elk resultaat door middel van clustering. Gebruik van ICASSO wordt aanbevolen als gemiddelde van de kwaliteitscontrole van de ICA decompositie, maar aanzienlijk de tijd die nodig GIFT het compleet te verlengen.
      1. Om de ICA lopen met de ICASSO procedure, selecteert u '2 'bij "analyse" en dan parametriseren de ICASSO procedure in de volgende lijnen van het setup-bestand.
   3. Maximaliseren van de prestaties van de groep PCA door te kiezen voor '1 'onder Groep PCA prestatie-instellingen. Beschouw deze parameter op '2"Moet problemen onvoldoende RAM geheugen optreden.
   4. Om later staat het sorteren van de resulterende onderdelen met behulp van voorspellers van een standaard SPM ontwerp matrix, moet u opgeven of er verschillende matrices voor verschillende vakken.
   5. Geef aan waar de voorbewerkte functionele gegevens worden opgeslagen en of een SPM.mat bestand met het ontwerp matrix samen wordt opgeslagen met de voorbewerkte functionele gegevens.
      1. De meest eenvoudige manier om GIFT om de gegevens te lezen is als elke deelnemer heeft hetzelfde aantal runs, en de data directory is gestructureerd als beschreven in stap 2.3 onder fMRI-data-acquisitie. Als dat zo is, dan onder DataSelectionMethod, koos '1 'voor methode 1, en voltooi de parameter "sourceDir_filePattern_flagLocation" door het opnemen van het bestandspad waar de gegevens worden opgeslagen, de bestandsindeling van de gegevens, en een verklaring waaruit blijkt dat individuele sessies worden opgeslagen als submappen binnen elk onderwerp map.
   6. Geef de directory waar de output van de analyse moet worden geschreven. Schrijf niet de resultaten naar dezelfde map waar de gegevens worden opgeslagen.
   7. Zorg voor een prefix die zal worden toegevoegd aan alle output bestanden.
   8. Zorg voor een filepath om een ​​masker. Alle ICA ingediend volumes worden gemaskeerd. GIFT biedt een standaard masker. Voor dit werk, een eigen script om een ​​masker te genereren uit de gegevens die ICA zal worden voorgelegd. Op zijn minst moet het masker schedel, extracerebrale ruimte, en vooral de oogbollen te elimineren. Signaal van oogbol voxels zal zeer grote schommelingen laten zien tijdens een run en zal dus een aanzienlijke invloed hebben op de structuur van de uiteindelijke componenten. Figuur 3 illustreert wat een goede masker eruit moet zien.
   9. Geef het type groep PCA worden gebruikt. Gebruik 'vakspecifieke.'
   10. Geef de back-reconstructie methode. In dit stadium, individuele subject IC's en de bijbehorende tijd cursussen zijn weer berekendm de resultaten van de groep analyse. GICA wordt aanbevolen voor het verkrijgen van de beste tijd cursussen, maar er is veel discussie in de literatuur over dit punt.
   11. Geef datatype pre-processing. Gebruik intensiteit normalisatie voor niet-numerieke waarden (dwz infinites, en NaN's) in de uitvoer te voorkomen. In dit voorbeeld hebben we gekozen voor de standaard van '1 '.
   12. Geef het type van PSO (we gebruiken standaard) en accepteer de standaardwaarden onder PCA-opties. GIFT voert een PCA op elke run van elke deelnemer en behoudt een aantal onderdelen gelijk is aan het aantal bronnen ongemengd in de ICA te zijn. De PSO dient twee belangrijke doelen. Ten eerste, het helpt om geluidsbronnen die uniek zijn voor elke deelnemer en elke run zijn te elimineren. Ten tweede, het maakt de computationele eisen van de analyse meer handelbaar.
   13. Opgeven hoeveel PSO te lopen op de gegevens vóór de ICA (2 wordt aanbevolen). Als goed, opgeven hoeveel onderdelen te behouden na elke PCA (als het runnen2, wordt aanbevolen dat het aantal componenten behouden na de eerste PCA tweemaal het aantal behouden na de tweede).
   14. Geef aan hoe de gegevens moeten worden geschaald. Voor dit werk werd z-score scaling gebruikt.
   15. Kies een blinde bronscheiding algoritme voor het ICA. Voor dit werk werd Infomax gebruikt. GIFT biedt een keuze uit minstens 10 verschillende algoritmes.
   16. Overige parameters kunnen worden gelaten zoals het is.
4. Zodra de ICA is voltooid, selecteert uit de beschikbare componenten degenen die van potentieel theoretisch belang. Door de gave GUI, kiest component selectie: ruimtelijke sortering sorteert de ruimtelijke componenten door middel van ruimtelijke correlatie met een van de bestaande sjablonen; temporele sortering sorteert de component tijd cursussen door middel van lineaire voorspellers van de SPM ontwerp matrix die u kunt opslaan met de gegevens (zie 3.3.5).
   Opmerking: Beide benaderingen selectie component nut. Echter, bij het werken met de taak van gegevens, tijdelijke selectiecriteria zijn bijzonder nuttig, omdat ze een middel om te controleren of de geselecteerde component werd geactiveerd door de opgave. In het geval van de DCCS, kunnen gebruik maken van tijdelijke sortering worden gebruikt om te bevestigen dat de geselecteerde component was actief tijdens schakelblokken dan tijdens herhaalde blokken.
5. Testen of kind en volwassen versies van deze geselecteerde componenten verschillen. Geaggregeerde kinderen en volwassenen onderdelen plaats in twee groepen en test door middel van een twee-monster t-test gebieden waarbij de componenten variëren. Dit is relatief eenvoudig te doen via de GIFT GUI.

Results

Groep ICA, zelfs op een relatief kleine fMRI dataset, zal een set van componenten vergelijkbaar met die waargenomen in andere studies terug. Figuur 4 is een superpositie van 5 dergelijke componenten en de bijbehorende time opleidingen ongemengde uit een steekproef van 12 kinderen en 13 volwassenen , met ongeveer 800 volumes per deelnemer. Zoals getoond in figuur 4, standaardmodus, fronto-pariëtale kunnen cingulo-insulaire en visuele netwerken gemakkelijk worden afgeleid uit de resultate...

Discussion

Hogere-orde mentale operaties, zoals de mogelijkheid om te sorteren regels te schakelen, ontwikkelen zich snel hele kindertijd en adolescentie. Omdat deze mentale activiteiten te betrekken interacties tussen meerdere gedistribueerde gebieden van de hersenen, is er groeiende belangstelling voor de relatie tussen de ontwikkeling van hogere orde cognitie en leeftijd-gerelateerde veranderingen in de organisatie van brede schaal corticale netwerken. We presenteren een methode op basis van de groep onafhankelijke componenten ...

Materials

List of materials used in this article

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