Met behulp Informatieve Connectiviteit om de Synchrone opkomst van fMRI Multi-voxel Informatie Across Time Meet

Samenvatting

Informationele connectiviteit meet de overeenstemming tussen tijdsverlopen van multi-voxel informatie tussen verschillende hersengebieden. Multi-voxel patroondiscriminerbaarheid tijdreeksen worden uit regio's geëxtraheerd en vergeleken, waardoor netwerken worden onthuld die niet worden geïdentificeerd in een typische functionele connectiviteitsbenadering.

Samenvatting

Het is nu duidelijk dat de conditie-relevante informatie aanwezig in verspreide patronen van functionele magnetische resonantie imaging (fMRI) hersenactiviteit kan zijn, zelfs voor aandoeningen met een vergelijkbaar niveau van univariate activering. Multi-voxel patroon (MVP) analyse is gebruikt om deze informatie te decoderen met groot succes. FMRI onderzoekers ook vaak proberen te begrijpen hoe hersengebieden samenwerken in onderling verbonden netwerken, en gebruik functionele connectiviteit (FC) naar regio's die reacties over tijd gecorreleerd identificeren. Net zoals univariate analyses ongevoelig voor informatie in MVP kan zijn, kan FC niet volledig karakteriseren van de hersenen netwerken die voorwaarden met karakteristieke MVP handtekeningen verwerken. De hier beschreven methode, informatieve connectiviteit (IC), kunnen regio's identificeren met gecorreleerde veranderingen in de MVP-discriminability in de tijd, onthullend connectiviteit dat niet toegankelijk is voor FC. De methode kan verkennend zijn, met behulp van zoeklichten om zaad-conn identificerenected gebieden, of geplande, tussen voorgeselecteerde regio-of-interest. De resultaten kunnen netwerken van regio's die MVP-gerelateerde aandoeningen verwerken verhelderen, kunnen afbraak MVPA zoeklicht kaarten in afzonderlijke netwerken of kan worden vergeleken over taken en patiëntengroepen.

Inleiding

Het doel van de analyse hier beschreven methode is om de connectiviteit tussen hersengebieden op basis van schommelingen in hun multi-voxel informatie te meten. Vooruitgang in de functionele magnetische resonantie imaging (fMRI) analysetechnieken is gebleken dat een grote hoeveelheid informatie kan worden opgenomen in het bloed-oxygenatie-level-dependent (BOLD) activiteit patronen die zijn verspreid over meerdere voxels ^1-3. Een set van technieken die gevoelig zijn voor multivariate gegevens zijn - bekend als multi-voxel patroon analyse (MVPA) - is gebruikt om aan te tonen dat de omstandigheden onderscheiden MVP kan hebben ondanks het feit dat niet te onderscheiden univariate reacties ^1,2,4. Standaardanalyses die univariate reacties vergelijken, kunnen ongevoelig deze multi-voxel informatie.

Meerdere hersengebieden betrokken zijn bij de mens te verwerken stimuli en cognitieve operaties uit te voeren. Functionele connectiviteit (FC) is een methode vaak gebruikt om onderzoegate dergelijke functionele netwerken ^5,6. In zijn meest elementaire vorm, FC kwantificeert co-activering, of synchroniciteit, tussen verschillende voxels of regio's. FC is gebruikt om functioneel verbonden hersenennetwerken identificeren veel succes. Voor vele regio's en omstandigheden, echter, univariate antwoorden niet alle beschikbare informatie binnen BOLD activiteit weergeven. FC technieken die volgen dynamisch veranderende univariate respons niveaus kan de gevoeligheid voor gemeenschappelijke schommelingen in multi-voxel informatie ontbreekt. De analysemethode hier gepresenteerde informatieve verbinding (IC; eerst beschreven in een recent artikel ^7), overbrugt een spleet tussen MVPA en FC, door het meten van connectiviteit met een metriek die gevoelig is voor multi-voxel informatie over de tijd. Terwijl FC tracks dynamisch veranderende univariate activering, titels IC dynamisch veranderende MVP discriminability - een maat voor hoe goed een MVP echte toestand kan worden onderscheiden van (onjuiste) alternatieven. Belangrijk in thij dezelfde manier dat verschillende regio's kan een vergelijkbaar niveau van univariate reacties tonen aan een aandoening, ondanks het uitvoeren van verschillende berekeningen (bv. visuele verwerking of actie planning wanneer een persoon ziet de mens gemaakte objecten), kunnen verschillende regio's ook soortgelijke (en gesynchroniseerd) niveaus van MVP discriminability terwijl ze voorwaarden anders verwerken. Een recent onderzoek toonde aan dat IC interregionale connectiviteit die niet detecteerbaar is met een standaard FC aanpak ⁷ kan onthullen. Onderzoekers kunnen daarom gebruik maken van IC naar interacties tussen hersengebieden sonde als deelnemers reageren op omstandigheden of stimuli die kenmerkend verdeeld patronen. IC is verschillend van een aantal recente connectiviteit toepassingen die schommelingen in univariate activering onderzocht in relatie tot de indeling resultaten ^{8, 9.} In tegenstelling tot deze benaderingen, IC detecteert synchrone multi-voxel patroon discriminability tussen regio's.

Protocol

1. Bereid de fMRI gegevens

Opmerking: Na het uitvoeren van een fMRI scan, pre-proces van de verzamelde gegevens met behulp van de beschikbare instrumenten in de meeste fMRI softwarepakketten voor het begin van dit protocol (hoewel ruimtelijke smoothing moet worden vermeden of geminimaliseerd om multi-voxel patronen te behouden). Een voorbeeld van een geschikte dataset wordt beschreven in een eerdere toepassing van de werkwijze ^7.

1. Verwijder beweging en betekenen materie signalen wit van de tijdreeksen van voorbewerkte fMRI gegevens door het creëren van een regressiemodel met voorspellers voor motion parameters (roll, pitch, yaw, x, y, z) en de gemiddelde materie signaal wit. Voeren de analyses hieronder op de resulterende residuen (dwz de resterende variantie).
2. Importeer de gegenereerde reststromen tot een analyse-pakket (bijv. MATLAB, Python). De open source Informatieve Connectivity Toolbox (http://www.informationalconnectivity.org) kan fMRI gegevens importeren in MATLAB.
3. Z-score each voxel's tijdreeksen.
4. Scheid tijdstippen van de dataset in onafhankelijke sets ("plooien"), zoals verschillende scanner runs. Opmerking: Het gebruik scanner loopt zorgt voor onafhankelijkheid tussen de plooien, die anders moeilijk kan zijn om te garanderen (bijvoorbeeld, kon afhankelijkheden worden gecreëerd tussen tijdstippen een run tijdens pre-processing). Runs kunnen worden gegroepeerd om het aantal vouwen (bijvoorbeeld even en oneven runs ²⁾ verminderen, hoewel enkelvoudige punten zal trainingsgegevens geven.
5. Maak een verslag van de toestand labels die bij tijdstippen door het genereren van een vector van aandoening labels die N tijdstippen lang.
6. Schuif de voorwaarde labels voorwaarts in elk geleid door een aantal malen te herhalen (TRS) gelijk aan 5 sec, om rekening te houden met de hemodynamische vertraging tussen gebeurtenissen en opgenomen fMRI signalen.

2. Selecteer en analyseren een Seed Regio

1. Selecteer een zaad regio door het isoleren van een anatomischal ruimte, functioneel gelokaliseerd gebied of best presterende 'informatie brain mapping' zoeklichten ^10.
   Opmerking: Stappen 2,2-4,2 hieronder kan worden uitgevoerd door de open-source Informatieve Connectiviteit MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Vergelijk de MVP van elke keer-punt om een prototypisch MVP voor elke conditie (Let op: dit is dezelfde aanpak als in de populaire-correlatie gebaseerde naaste buur classifier ^2). Figuur 1 (boven) geeft een voorbeeld van echte gegevens verzameld in het deelnemers bekeken blokken van vier soorten van de mens gemaakte objecten.
   1. Bereken een prototypisch (gemiddelde) MVP voor elke aandoening door het gemiddelde van de tijdstippen van elke voorwaarde in alle-maar-een kudde. Dit is de "training" voor elke vouw (bijvoorbeeld voor vouwen 2 van 5 worden zin MVP berekend uit tijdspunten bij plooien 1, 3, 4 en 5).
   2. Correleren ieder tijdstip bepaald '; S MVP met de gemiddelde-MVP van elke conditie van de trainingsgegevens. Dit zal ieder tijdstip bepaald met een correlatie waarde voor elke aandoening te geven (Let op: de staat met de hoogste correlatie hier zou de voorspelling van de populaire correlatie gebaseerd MVPA classifier ² zijn)
   3. Fisher-transformatie van de r-waarden z-scores.
3. Kwantificeren 'MVP discriminability' voor elk meetpunt: identificeren Eerst de correlatie uit 2.2.3 dat de relatie tussen het meetpunt MVP en de gemiddelde-MVP van de toestand van dat tijdpunt vertegenwoordigt, en vervolgens aftrekken van de hoogste van de overige correlaties (dwz 'correlatie met de juiste voorwaarde 'minus' maximale correlatie met een onjuiste toestand '). Het resultaat is dat timepoint MVP discriminability. Een alternatieve (en geldige) benadering zou zijn de gemiddelde correlatie van de onjuiste condities aftrekken.
   Opmerking: De voorgestelde aanpak heeft de intuïtieve Advantage die tijdstippen met positieve discriminability waarden correct zijn ingedeeld door de correlatie gebaseerd classifier, terwijl tijdstippen met negatieve waarden zijn niet correct voorspeld. Een voorbeeld van de resulterende waarden weergegeven in Figuur 1 (onder). De stappen tot aan dit punt zijn vastgelegd in onderstaande formules.
   
   X is een genormaliseerde 1-op-m rij vector met m voxel activering waarden op tijdstip-point n, Y is een genormaliseerde 1-op-m rij vector van de gemiddelde opleiding patroon voor de juiste (c) of onjuiste (i) de voorwaarden voor tijd-punt n. De artanh functie past de Fisher z transformatie.

3. Bereken een tijdreeks van MVP Discriminability voor elke Zoeklicht

1. Voer een zoeklicht analyse ^10: Plaats een driedimensionale cglans rond elke voxel beurt (een 'zoeklicht').
2. Herhaal de stappen 2.2 en 2.3 voor elke zoeklicht, zodat elke zoeklicht heeft een tijdreeks van MVP discriminability waarden (een per meetpunt).

4. Bereken Informatieve Connectiviteit tussen het zaad en zoeklichten

1. Correleren van het zaad MVP discriminability tijdreeks (vanaf 2.3) met discriminability tijdreeksen elk zoeklicht's (vanaf 3.2) met behulp van Spearman Rank correlatie. De resulterende r _s waarde is de IC tussen het zaad en zoeklicht.
2. Wijs aan elke zoeklicht's IC waarde aan centrale voxel het zoeklicht's en schrijf de resulterende individu hersenen kaart.

5. Bereken Groep Statistische Kaart

1. IC als de gegevens nog niet in gestandaardiseerde ruimte (bijv. Talairach of MNI), transformeren deelnemers kaarten in dezelfde ruimte.
2. Eventueel glad de individuen &# 39; zoeklicht kaarten.
3. Maak een groep statistische kaart middels een manier t-test voor of elk zoeklicht's IC waarde aanzienlijk groter is dan nul.

6. Test Belang

Opmerking: Talrijke benaderingen bestaan ​​voor het bepalen van de statistische significantie van fMRI groep kaarten. Als permutatietoets betekenis kan bepalen met minimale veronderstellingen, terwijl goed voor vloeiender (zoals elke gepermuteerde groep kaart ondergaat dezelfde verwerking) de dataset is, is deze optie hieronder uiteengezet.

1. Voor elk van 1000 permutaties, willekeurige shuffle MVP-discriminability waarden van het zaad over de tijdreeks. Houd nabijgelegen tijdstippen temporele autocorrelaties (zoals tijdstippen in hetzelfde blok) samen (bijvoorbeeld door herverdelingsblokken plaats aangrenzend TR).
2. Bereken individuen 'IC kaarten voor elke permutatie (stap 4 hierboven).
3. Genereer 1000 gepermuteerde groep kaarten: Randomly selecteert u een gepermuteerde IC kaart van elke deelnemer en voeren een groep proef op deze willekeurige reeks (stap 5 hierboven).
4. Drempel elke gepermuteerde groep kaart op een gewenst niveau (bijv. p <0,001) en haal de maximale clustergrootte van de kaart.
5. Sorteer de resulterende 1000 maximum-cluster volumes en identificeren van de cluster grootte op de 95 ^e percentiel (bv. de ^50e grootste voor 1000 permutaties).
6. Breng de drempel die in 6.4 (bijv. p <0,001) en de minimale cluster grootte van 6,5 tot de echte (niet-gepermuteerde) IC groep kaart in zodat het cluster-gecorrigeerd p <0,05. Omdat elke gepermuteerde kaart is gebaseerd op dezelfde MVP discriminability waarden (in een andere volgorde), deze betekenis kaart wijst regio's met meer synchrone discriminability waarden dan verwacht door toeval.

Resultaten

De IC resultaten kunnen nu worden weergegeven met behulp van fMRI-analyse software pakket van de onderzoeker aangewezen. Figuur 2 toont IC resultaten, berekend op basis van blokken van visueel voorgesteld door de mens gemaakte objecten (volledige details in de bijbehorende publicatie ^7).

De IC-analyse is bijzonder waardevol voor de voorwaarden bekend te zijn geassocieerd MVP's: Voorwaarden met karakteristieke MVP's, maar zonder verschillen in univariate reacties, hebben meer kans om onderscheid tussen IC en FC hebben (geïllustreerd met gegevens die zijn opgenomen als deelnemers bekeken verschillende soorten man gemaakte voorwerpen in figuur 3). Figuur 4 toont dat met aanzienlijke zoeklichten multi-voxel informatie hoge IC, maar minder goed vertegenwoordigd in FC resultaten.

.. Figuur 1 Voorbeelden van patroon discriminability in de tijd Top:. De substraten van MVP discriminability berekend uit een onderwerp in Haxby et al. (2001) ^2, zoals geanalyseerd in Coutanche & Thompson-Schill (2013) ^7. De blauwe lijn geeft de z-score correlatie tussen 'MVP's en de gemiddelde tijd-punten (' training ') patroon van de juiste klasse. De groene lijnen geven de correlaties MVP 'met drie foute klassen. Onder: Patroon discriminability is het verschil tussen de correlaties voor de juiste klasse en de hoogste verkeerde klasse. Time-punten met positieve patroon discriminability waarden zou kunnen worden ingedeeld door een correlatie gebaseerde classifier. Figuur oorspronkelijk gepubliceerd in Coutanche & Thompson-Schill (2013) ^7. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 2. Voorbeeld connectiviteit kaarten. Elke rij geeft de regio's aanzienlijk aangesloten op een zaad (in blauw weergegeven). Significantie wordt bepaald door een groep t-test (p <0,001) minimale clustergrootte van permutatie testen. De IC resultaten worden weergegeven met behulp van AFNI ^{1 1} op het oppervlak kaarten geproduceerd met FreeSurfer ^{1 2.} Cijfer is gewijzigd van Coutanche & Thompson-Schill (2013) ^7. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur. 3 Synchronized MVP discriminability vergelijking met activering betekenen Voorbeelden van MVP discriminability in twee regio's met synchrone MVP discriminability (dwz informatieve connectiviteit) zonder synchrone gemiddelde activering (dwz functionele connectiviteit).; gegevens zijn afkomstig van een onderwerp uit Haxby et al.. (2001) ^2, zoals geanalyseerd in Coutanche & Thompson-Schill (2013) ^7. Deze gegevens punten werden verzameld, terwijl het onderwerp bekeken visuele presentaties van de mens gemaakte objecten, die te onderscheiden door multi-voxel patronen zijn, maar de reacties niet zeggen. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 4. Voorbeeld IC en FC waarden tussen een zaad in de LEFt spoelvormige gyrus en schijnwerpers in de hersenen. Informatieve en functionele connectiviteit sterktes (z-as) zijn vertegenwoordigd tussen een zaad en schijnwerpers, met betrekking tot gemiddelde responsie elke zoeklicht's (x-as) en MVPA classificatie nauwkeurigheid (y-as) vier soorten door de mens gemaakte objecten (kans = 25%). Zoeklichten delen voxels met het zaad regio werden verwijderd. De IC grafiek bevat voorbeelden van zoeklichten met sterke connectiviteit die hoge kwalificatie prestaties maar lage gemiddelde respons niveaus, die niet zijn opgepikt in een typisch FC aanpak (gezien door de opening in de top-links octant van de grafiek rechts) hebben. Figuur oorspronkelijk gepubliceerd in Coutanche & Thompson-Schill (2013) ^7. Klik hier om een grotere versie van deze afbeelding te bekijken.

Discussie

Informatieve connectiviteit heeft MVPA's gevoeligheid voor drinkpatroon informatie, en geeft een mogelijkheid om tussen-regio interacties te bestuderen door middel van een verbinding aanpak. MVPA en standaard univariate analyses kunnen elk onthullen de betrokkenheid van de verschillende regio's, soms met weinig overlap tussen hun resultaten ^{1 3.} Zoals verwacht voor een methode die is gebaseerd op deze analyse benaderingen, IC en FC geven ook aanvullende resultaten ^7. De beslissing om al dan niet in dienst IC zal uiteindelijk afhangen van de omstandigheden waaronder het onderzoek en de theoretische vragen die worden gesteld. Ontwerp overwegingen die van invloed zijn of MVPA wordt uitgevoerd op een dataset zal ook invloed hebben op de vraag of IC wordt gebruikt. Studies ontworpen met IC expliciet in het achterhoofd zal willen aanbevelingen volgen voor MVPA ^{1 4,} tegelijkertijd ervoor te zorgen dat het proces-level data kunnen uit de hele tijdsverloop van de scan worden geëxtraheerd.

Bij de behandeling vanen rapporteren IC resultaat is het belangrijk dat zoeklichten overlapt het zaad verwijderd om circulariteit voorkomen. Bovendien, als een directe vergelijking IC en FC resultaten, is het raadzaam om ook een FC analyse op basis van de gemiddelde activering van zoeklichten, in plaats van alleen voxels vergelijken. Deze aanvullende analyse kan zorgen dat de verschillen tussen de resultaten niet vanwege verschillen in de niveaus van signaal-ruis in zoeklichten versus voxels.

De hier beschreven procedure richt zich vooral op een verkennende analyse in dienst zoeklichten. Het is vermeldenswaard dat door het vervangen van zoeklichten met regio-of-interest, IC kan ook regio's die zijn geselecteerd voorafgaande i vergelijken. De huidige discriminability metrische - het vergelijken van een MVP's correlatie voor de 'ware' voorwaarde om de correlatie voor de maximale alternatieve voorwaarde - is ook aanpasbaar. Vele machine learning classificatoren hebben voorspelling gewichten voor diffErent klassen, die gemakkelijk kunnen vervangen de correlatie vergelijkingen hier gedragen (zoals bij de 'vertrouwen' van een classifier in de tijd te volgen). IC heeft verschillende gebruiksmogelijkheden. Maar ook als een primaire analyse informatieve netwerken te onderzoeken, kan IC een secundaire follow-analyse om een ​​MVPA zoeklicht zijn. MVPA zoeklicht kaarten zijn waardevol voor het begrijpen van die gebieden verschillende omstandigheden kunnen onderscheiden, maar doorgaans niet onderverdeeld in verschillende netwerken. De IC aanpak kan hierbij helpen, door de onthulling waarin van zoeklichten hebben synchrone discriminability. Tenslotte kunnen IC kaarten van verschillende taken worden vergeleken om taak netwerken begrijpen en patiënten worden vergeleken met controles beter te begrijpen hoe meerdere voxel verschillen ^{1 5} manifesteren op netwerkniveau.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
MATLAB softwarepakket	MathWorks
AFNI softwarepakket	NIMH