Hoe te amygdala activiteit detecteren met Magneto Source Imaging gebruik

Het algemene doel van deze procedure is om amygdala-activiteit tijdens het leren te detecteren met behulp van MAGNETOENCEFALOGRAFIE of MEG. Dit wordt bereikt door eerst een impliciete angstleeropdracht te ontwerpen die de amygdala activeert. De tweede stap is het registreren van de hersenactiviteit tijdens de opdracht met behulp van MEG.

Identificeer vervolgens de oppervlakken van de cortex en de amygdala met behulp van anatomische MRI-scans met een hoge resolutie. De laatste stap is het gebruiken van de oppervlakken van de cortex en amygdala om de neurale bronnen van het MEJ-signaal te modelleren. Uiteindelijk kunnen bronbeeldvormingsmodellen worden gebruikt om neurale activatie in de amygdala aan te tonen tijdens leren zonder bewustzijn.

Het belangrijkste voordeel van deze techniek ten opzichte van bestaande methoden zoals fMRI is dat MEG-signalen in realtime worden geregistreerd, waardoor ze kunnen worden gebruikt om neurale processen te bestuderen die snel of kortstondig zijn. Hoewel deze methode kan worden gebruikt om de functie van de amygdala te bestuderen, is hij ook bruikbaar voor het bestuderen van de functie van andere subcorticale regio's. Begin met het verbinden van de computer voor de stimuluspresentatie met het MEG-acquisitiesysteem met behulp van een standaard DB 25 multi-connector lintkabel.

Sluit vervolgens de computer voor de stimuluspresentatie aan op de slab standalone monitor of sam. Wanneer de transistor-transistor logica-pulsen die worden gebruikt om de stimuluspresentaties te markeren via de acht-bit naar twee-bit isolatieadapter en de synchronisatiekabel naar de sam worden gestuurd, kunnen deze artefacten in de MEG-data veroorzaken. Om deze artefacten te voorkomen, markeert u het begin van de stimuli uitsluitend met de bits die door de isolatieadapter worden geblokkeerd, zoals hier getoond.

De schokstimulator wordt vervolgens aangesloten op de sam. Leid daarna een afgeschermde verlengkabel door de golfgeleider en sluit deze aan op de schokstimulator. De SAM moet vervolgens worden verbonden met een computer waarop de slab-software voor gegevensverwerving is geïnstalleerd.

Sluit de draaischijf aan op de computer voor stimuluspresentatie en het MEG-acquisitiesysteem met behulp van de BNC-splitter van gameport naar gameport en de adapter van gameport naar USB. Bevestig de elektroden en sensoren op de proefpersoon volgens het hier getoonde schema. Digitaliseer, zodra alles correct is ingesteld, de positie van de kop van de proefpersoon ten opzichte van de HPI-spoelen met behulp van referentiepunten.

Digitaliseer vervolgens 50 tot 100 punten op de hoofdhuid van het subject. Begeleid het subject naar het MEG-systeem en sluit de elektroden en sensoren aan op de juiste interface. Verhoog de stoel zodat het hoofd van het subject de bovenkant van de MEG-helm raakt en positioneer het scherm zodat het geprojecteerde beeld scherp is.

Stel vervolgens de schok in op een niveau dat door de proefpersoon als pijnlijk maar draaglijk wordt ervaren. Instrueer de proefpersoon tot slot over het juiste gebruik van de draaiknop aan de hand van een voorbeeldscenario. Begin met het laden van de software voor gegevensverwerving van de plaat om het registreren van eventcodes en de toediening van schokken te starten.

De trainingssessie wordt vooraf geprogrammeerd en bestaat uit vier blokken van differentiële trace-angstconditionering met 15 trials per conditie, stimulus of CS per blok, zoals hier te zien is wanneer alles gereed is. Start vier trainingtrials en registreer de ruwe data op twee kilohertz. Controleer tijdens elke trial de data in real-time visueel op systematische ruisbronnen.

Vraag de proefpersoon na elke run om de intensiteit van de schok te beoordelen om habituatie vast te stellen. Gebruik na voltooiing van de trials FreeSurfer om een gesegmenteerd subcorticaal volume en oppervlakken van de cortex, de buitenste huid en de buitenste schedel te creëren. Maak vervolgens de volumes van de amygdala en hippocampus aan en converteer deze naar oppervlakken.

Met behulp van Slicer 3 en ParaView is de volgende stap het aanmaken van een nieuw subject in de Brainstorm-database. Importeer het MRI-volume in Brainstorm en warp het volume naar de standaardruimte door de fiduciaire punten te identificeren; importeer vervolgens de oppervlakken en lijn het hoofdhuid-oppervlak handmatig uit met de MRI. Zodra dit is voltooid.

Pas deze transformatie toe op alle andere oppervlakken. Voeg de oppervlakken van de cortex, hippocampus en amygdala samen. Maak tot slot regions of interest voor de amygdala en hippocampus.

Importeer, zodra deze zijn aangemaakt, het MEG-opnamebestand voor elke trainingssessie. De MEG-acquisitiesoftware maakt gebruik van signal space separation om artefacten te verwijderen die worden veroorzaakt door bronnen buiten de magnetisch afgeschermde ruimte. Zorg ervoor dat u de opgeschoonde bestanden gebruikt, die vaak in een map genaamd SSS staan, om de opgeroepen responsen te analyseren.

Gebruik eerst het event-kanaal om de epics te identificeren die overeenkomen met elk van de experimentele trials. Verwijder artefacten veroorzaakt door hartslagen en oogbewegingen met behulp van signal space projections op basis van events die zijn geïdentificeerd op de elektrocardiografie- en elektro-oculografiekanalen. Verfijn vervolgens de MRI-registratie met behulp van hoofdpunten.

Bereken de ruiscovariantie van de opnames met de methode van overlappende sferen met de input van cortex, bereken het hoofdmodel, bereken de bronnen met de minimum norm schatting-methode en ga verder met de analyse van de bronnen. Pas vervolgens een banddoorlaatfilter toe op de bronnen voor de individuele trials. Neem de absolute waarde van de banddoorlaatgefilterde bronnen en zet deze waarden om naar Z-scores op basis van de baseline-variabiliteit, voer ruimtelijke smoothing uit op de bronnen en bereken het gemiddelde van de bronnen over de trials.

Projecteer deze gemiddelden op de standaardanatomie voor het experiment. Bereken vervolgens T-toetsen op de bronnen over de verschillende condities. Filter de significante T-toetsresultaten met behulp van ruimtelijke en temporele drempelwaarden om te corrigeren voor de familie-gewijze fout.

Identificeer significant geactiveerde regio's en exporteer het tijdverloop van de activatie voor elk subject. Bereken vervolgens het gemiddelde en de standaardfout van het gemiddelde over de subjecten voor elk tijdstip. Projecteer eerst de ruwe gegevens van de individuele trials op de standaardanatomie voor het experiment. Bereken tijd-frequentiedecomposities op gegevens van anatomische en functionele regio's van belang.

Zet de resulterende tijd-frequentiedecompositiekaarten om naar Z-scores en bereken het gemiddelde van de resulterende kaarten over de trials voor elk subject. Voer tenslotte een T-toets uit op de kaarten over de verschillende condities; hier worden de gedragsresultaten van een typische conditioneringsstudie getoond. De grafiek links laat zien dat de subjecten vergelijkbare verwachtingsniveaus hebben over de 60 trials, wat suggereert dat de masking-procedure hun vermogen om tussen de conditiestimuli te discrimineren heeft geblokkeerd.

De grafiek rechts toont de differentiële responsen tijdens de testsessie. Merk op dat de ongefilterde groep grotere responsen vertoont op de oude stimuli vergeleken met de nieuwe, wat suggereert dat de training leidt tot een betere herverwerving in vergelijking met de gefilterde groep. Dit voorbeeld toont MEG-resultaten van een typisch conditioneringsexperiment.

Het 3D-model links toont de amygdala in het oranje en de hippocampus in het groen. De grafiek rechts geeft de activiteit van een amygdala-cluster weer. De lichtgekleurde lijn representeert de activiteit opgewekt door ongefilterde gezichten, terwijl de donkerdere lijn de activiteit representeert die is opgewekt door gefilterde gezichten.

Deze grafiek stelt het MEG-signaal voor dat is geregistreerd vanuit de amygdala, onderverdeeld naar tijd en frequentie. Warme kleuren vertegenwoordigen regio's in het spectrograaf die significant meer vermogen vertonen voor ongefilterde gezichten dan voor gefilterde gezichten. Koele kleuren vertegenwoordigen de tegenovergestelde regio's, waarbij de gestreepte overlay significante verschillen tussen de groepen aangeeft.

Deze figuur toont de activatie van het occipitale gelaatgebied. In een typisch conditioneringsexperiment stellen warme kleuren grotere reacties op ongefilterde gezichten voor dan op gefilterde gezichten. Volg deze procedure.

Andere methoden, zoals coherentieanalyse, kunnen worden gebruikt om aanvullende vragen over neurale communicatie te beantwoorden. Na het bekijken van deze video zou u een goed inzicht moeten hebben in het gebruik van source imaging voor het detecteren van neurale responsen en subcorticale hersenstructuren.