Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Pomiar aktywności czołowo-limbicznej za pomocą emocjonalnego zadania dziwacznego u dzieci z rodzinnym wysokim ryzykiem schizofrenii

8.3K wyświetleń

⸱

DOI:

10.3791/51484

⸱

2 grudnia 2015

 ,  ,  ,  ,  ,  ,  , 
1Department of Psychiatry, University of North Carolina at Chapel Hill School of Medicine, 2Duke-UNC Brain Imaging and Analysis Center, Duke University Medical Center, 3Curriculum in Neurobiology, University of North Carolina at Chapel Hill

W tym artykule

Podsumowanie

Ten artykuł opisuje, jak wykorzystać emocjonalne zadanie dziwaka i fMRI do pomiaru aktywacji mózgu u dzieci i młodzieży z rodzinnie wysokim ryzykiem schizofrenii (FHR). FMRI zostało użyte do pomiaru różnic w regionach czołowo-prążkowo-limbicznych podczas emocjonalnego dziwnego zadania. Dzieci z FHR wykazywały nieprawidłową aktywację funkcjonalną w okresie dojrzewania.

Streszczenie

Okres dojrzewania to krytyczny okres rozwojowy, w którym często pojawiają się wczesne objawy schizofrenii. Krewni pierwszego stopnia osób ze schizofrenią, którzy są w grupie rodzinnego wysokiego ryzyka (FHR), mogą wykazywać podobne zmiany poznawcze i emocjonalne. Jednak zmiany neurologiczne leżące u podstaw pojawienia się tych objawów pozostają niejasne. Badanie to miało na celu zidentyfikowanie różnic w obszarach czołowych, prążkowiowych i limbicznych u dzieci i młodzieży z FHR za pomocą funkcjonalnego rezonansu magnetycznego. Grupy składające się z 21 dzieci i młodzieży w FHR oraz 21 zdrowych osób z grupy kontrolnej wykonały emocjonalne, dziwaczne zadanie, które opierało się na selektywnej uwadze i tłumieniu informacji emocjonalnych nieistotnych dla zadania. Standardowe zadanie zostało zmodyfikowane tak, aby zawierało awersyjne i neutralne dystraktory w celu zbadania potencjalnych różnic grupowych zarówno w przetwarzaniu emocjonalnym, jak i wykonawczym. To zadanie zostało zaprojektowane specjalnie po to, aby umożliwić dzieciom i młodzieży wykonanie tego zadania poprzez dostosowanie trudności i treści obrazu emocjonalnego do wieku. Ponadto demonstrujemy technikę odpowiedniej rejestracji fMRI dla dzieci i młodzieży. Paradygmat ten może być również zastosowany w przyszłych badaniach do pomiaru zmian w aktywności neuronalnej w innych populacjach z hipotetycznymi zmianami rozwojowymi w przetwarzaniu wykonawczym i emocjonalnym.

Wprowadzenie

Schizofrenia jest zaburzeniem neurorozwojowym o znanym komponencie genetycznym1,2 i z objawami obejmującymi deficyty zarówno w przetwarzaniu wykonawczym, jak i emocjonalnym3,4. Uważa się, że krewni pierwszego stopnia są narażeni na zwiększone ryzyko rozwoju schizofrenii i wykazano, że dzielą niektóre z tych samych deficytów neuropoznawczych zarówno wsferze poznawczej, jak i społeczno-emocjonalnej. W związku z tym spodziewamy się, że aktywność mózgu w regionach związanych z przetwarzaniem wykonawczym i emocjonalnym może być zmieniona u zagrożonych członków rodziny przed wystąpieniem objawów klinicznych.

Poprzednie badania wykazały, że zarówno dorośli ze schizofrenią, jak i dorośli z rodzinnym wysokim ryzykiem wykazują nieprawidłową aktywność w sieciach przetwarzania wykonawczego i emocjonalnego; jednak pozostaje niejasne, jak te zmiany zachodzą podczas rozwoju. Wykazanie, że zmiany te zachodzą we wczesnym okresie życia, będzie kluczowym pierwszym krokiem w zrozumieniu patofizjologii zaburzenia. Dlatego w tym badaniu wykorzystano emocjonalny paradygmat dziwaka podczas funkcjonalnego skanowania MRI (fMRI) w celu zmierzenia aktywności mózgu podczas wykonywania zadania, które wymaga zarówno przetwarzania wykonawczego, jak i emocjonalnego u nastolatków, którzy są zagrożeni rozwojem schizofrenii. Paradygmaty Oddballa są często wykorzystywane do badania funkcji obwodów czołowo-prążkowych w schizofrenii6 oraz u osób z rodzinnym wysokim ryzykiem7 poprzez pomiar selektywnych procesów uwagi przypisanych do bodźców docelowych istotnych dla danego zadania. W tym przypadku standardowe dziwaczne zadanie zostało zmodyfikowane tak, aby zawierało nieistotne dla zadania bodźce awersyjne i neutralne, które, jak wykazano, wywołują zmiany w aktywności mózgu u pacjentów ze schizofrenią8.

Ten artykuł mierzy funkcjonalne różnice między zdrowymi nastolatkami a nastolatkami z wysokim rodzinnym ryzykiem schizofrenii za pomocą emocjonalnego dziwacznego zadania. Projekt zadania jest podobny do tego zastosowanego przez Fichtenholtza i współpracowników9, ale wybór awersyjnych obrazów emocjonalnych został zmodyfikowany tak, aby był odpowiedni dla dzieci w wieku od 9 do 18 lat. Zastosowanie tego zadania podczas funkcjonalnego rezonansu magnetycznego pozwoliło na zidentyfikowanie określonych obszarów mózgu, które wykazywały wzorce hiperaktywacji i hipoaktywacji u dzieci i młodzieży z FHR w schizofrenii, a także związane z wiekiem zmiany w aktywności neuronalnej podczas rozwoju nastolatka.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Techniki badawcze wykorzystane w niniejszym badaniu zostały zatwierdzone przez komisje bioetyczne (IRB) Uniwersytetu Duke oraz Uniwersytetu Karoliny Północnej w Chapel Hill.

1. Projekt zadania obrazowania

  1. Opracuj behawioralne zadanie oparte na zdarzeniach, w którym rzadko występujące bodźce docelowe (koło) są prezentowane w sekwencji częściej występujących bodźców standardowych (pomieszanych obrazów). Schemat zadania przedstawiono na Rysunku 1. Zadanie należy zrealizować przy użyciu oprogramowania CIGAL10.

Schemat zadania poznawczego, sekwencja czasowa, wyświetlanie obrazu neutralnego, docelowego i awersyjnego, 1500 msec.
Rycina 1. Schemat projektu zadania. Rycina ta została zmodyfikowana na podstawie pracy Hart et al.20, za zgodą autorów. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

  1. Wybierz zestaw bodźców awersyjnych oraz zestaw bodźców neutralnych z bazy danych International Affective Picture System (IAPS). Obrazy IAPS są oceniane w skali od 1 do 9 w celu odzwierciedlenia poziomu pobudzenia i walencji11. Wysokie wartości wskazują na wyższą walencję pozytywną oraz wyższe pobudzenie. Wybierz zestaw obrazów odpowiednich dla wieku grupy badawczej, takich jak zdjęcia węży, pająków lub innych zwierząt.
    Uwaga: Obrazy awersyjne nieistotne dla zadania, wykorzystane w niniejszym badaniu, miały średnią ocenę walencji 3,38 (S.D. = 1,78) i średnią ocenę pobudzenia 6,14 (S.D. = 2,08). Obrazy bodźców neutralnych miały średnią walencję 6,21 (S.D. = 0,26) i średnią ocenę pobudzenia 3,72 (S.D. = 2,15).
  2. Zaprogramuj skrypt zadania w taki sposób, aby obrazy były prezentowane w kolejności pseudolosowej przez 1 500 msec, z średnim odstępem międzybodźcowym wynoszącym 500 msec. Prezentuj bodźce docelowe i nieistotne dla zadania obrazy neutralne nie częściej niż co 15 sec, tak aby każdy z nich stanowił około 4% wszystkich bodźców. Zastosuj jitter czasów rozpoczęcia zdarzeń, aby uzyskać lepszą rozdzielczość funkcji odpowiedzi hemodynamicznej.
  1. Stwórz 8 zestawów obrazów, po jednym dla każdego z 8 przebiegów funkcjonalnych, w taki sposób, aby uczestnicy w trakcie wszystkich 8 przebiegów zobaczyli łącznie 40 obrazów docelowych oraz 40 neutralnych obrazów nieistotnych dla zadania.

2. Przygotowanie uczestnika i skanowanie

  1. Zrekrutować dzieci i młodzież w wieku od 9 do 18 lat, będących albo zdrowymi osobami kontrolnymi, albo osobami z wysokim rodzinnym ryzykiem psychozy.
    1. Upewnić się, że zdrowe osoby nie cierpią na żadne choroby psychiatryczne i nie mają krewnych pierwszego stopnia z takimi schorzeniami. Upewnić się, że uczestnicy z grupy ryzyka rodzinnego mają co najmniej jednego krewnego pierwszego stopnia (rodzica lub rodzeństwo) z schizofrenią. Nie wykluczać ich z badania ze względu na obecność innych chorób psychiatrycznych u krewnych pierwszego stopnia.
    2. Dobrać zdrowych uczestników do grupy osób z ryzykiem rodzinnym pod względem wieku i płci.
  2. Uzyskać świadomą zgodę od uczestników powyżej 18 roku życia. W przypadku osób niepełnoletnich uzyskać świadomą zgodę od rodziców lub opiekunów prawnych. Dodatkowo uzyskać pisemną zgodę od niepełnoletnich biorących udział w badaniu.
  3. Umieścić uczestników w symulatorze skanera MRI, aby oswoić ich z otoczeniem. Odtworzyć nagranie dźwiękowe hałasu skanera i przeprowadzić próbny przebieg zadania behawioralnego, aby upewnić się, że instrukcje do zadania są zrozumiałe.
  4. Umieścić uczestnika w skanerze MRI i wykonać niezbędne skany lokalizacyjne mózgu i/lub obrazy anatomiczne.
  5. Używając bezpiecznego dla MRI panelu sterowania, poinstruować uczestników, aby naciskali jeden przycisk palcem wskazującym w odpowiedzi na wszystkie bodźce docelowe, a inny przycisk palcem środkowym dla wszystkich pozostałych bodźców.
  6. Po skanowaniu fMRI zebrać od podgrupy uczestników subiektywne oceny pobudzenia i walencji obrazów wykorzystanych w badaniu. W niniejszym badaniu uzyskano oceny od 15 osób z grupy kontrolnej oraz 13 osób z wysokim ryzykiem rodzinnym.

3. Pozyskiwanie obrazów

  1. Umieść uczestników w skanerze MRI 3,0 Tesla. Najpierw wykonaj zestaw obrazów strukturalnych, w tym trójwymiarowy koplanarny obraz anatomiczny T1-contrast, wykorzystując sekwencję impulsów spoiled gradient-recalled acquisition (TR: 5,16 msec; TE: 2,04 msec; FOV: 24 cm; macierz obrazu: 256 × 256; kąt nachylenia: 20; wielkość woksela: 0,94 mm × 0,94 mm × 1,9 mm; 68 przekrojów osiowych).
  2. Uzyskaj dane z obrazowania funkcjonalnego, stosując sekwencję gradient echo echo-planar z objęciem całego mózgu (TR: 2 000 msec; TE: 27 msec; FOV: 24 cm; macierz obrazu: 64 × 64; kąt nachylenia: 60; wielkość woksela: 3,75 mm × 3,75 mm × 3,8 mm; 34 przekroju osiowego), aby umożliwić pomiar aktywności mózgu podczas wykonywania zadania behawioralnego. Uruchom tę sekwencję obrazowania dla każdego przejścia zadania behawioralnego. Każde przejście powinno składać się ze 120 punktów czasowych obrazowania.
  3. Przedstaw zadanie w 8 przebiegach funkcjonalnych, z których każdy trwa około 4 min.

4. Analizy

  1. Preprocessing obrazów: Open fMRI Expert Analysis Tool (FEAT) w FSL12Wybierz analizę pierwszego poziomu (First-level analysis) oraz statystykę wstępną (Pre-stats).
    1. Na „Danew zakładce wybierz liczbę obrazów wejściowych i wprowadź ścieżkę do każdego z obrazów MR, które zostaną przetworzone. Ustaw katalog wyjściowy. Wprowadź Objętości całkowite, liczba odrzuconych akwizycji oraz TR.
    2. Na Statystyka wstępnazakładka, ustaw korekcję ruchu na MCFLIRT, Wygładzanie przestrzenne FWHM do 5 mm, i Korekcja czasu akwizycji warstw. Wybierz Ekstrakcja mózgu metodą BET i „Filtr górnoprzepustowyfiltrowanie czasowe, lecz nie wybieraj opcji B0 unwarping (chyba że posiadasz mapę pola gradientu) lub „Inormalizacja intensywności". 12,14.
    3. Na Rejestracjakarta, wybierz Główny obraz strukturalny Wprowadź ścieżkę do obrazu T1-zależnego czaszki badanego po usunięciu tkanek miękkich (skull-stripped). Użyj liniowego wyszukiwania normalnego z co najmniej 6 stopniami swobody (DOF). Wybierz Standardowa przestrzeń zaznacz pole wyboru. Wprowadź ścieżkę do obrazu atlasu MNI. Użyj zwykłego, liniowego wyszukiwania z 12 stopniami swobody (DOF). Naciśnij Start.
    4. Należy wykluczyć uczestników, u których wystąpiły ruchy głowy przekraczające 3 mm w kierunkach X, Y lub Z.
  2. Poziom 1: Porównanie danych pomiędzy warunkami zadań w obrębie jednego przebiegu. Otwórz FEAT. Wybierz Analiza pierwszego poziomu i Statystyka + analizy post-hoc.
    1. Na Dane zakładka, ustaw liczbę wejść i wprowadź ścieżkę do każdego z obrazów MR. Wprowadź ścieżkę dla Katalog wyjściowy Wprowadź Objętości całkowite liczba odrzuconych akwizycji oraz czas powtórzenia (TR).
    2. Na „Statystykazakładka, wybierz „Stosuj wybielanie FILMpole wyboru16Naciśnij przycisk „Pełna konfiguracja modelu” przycisk. Ustaw „Liczba oryginalnych pęcherzyków zewnątrzkomórkowych (EV)” do liczby warunków zadania. Dla każdego warunku wybierz „Niestandardowy (format 3-kolumnowy)” z rozwijanego menu kształtów podstawowych i „HRF Double-Gama z „Splotmenu rozwijane17,18 i wybierz plik tekstowy zawierający czas trwania zadania.
      1. Sformatuj ten plik tekstowy w 3 kolumnach z jednym wpisem dla każdego „zdarzenia” danego typu. Pierwsza kolumna powinna zawierać czas rozpoczęcia (w sekundach), druga powinna zawierać czas trwania (w sekundach), a trzecia wagę zdarzenia. Na Kontrasty & Testy F zakładka, utwórz jeden kontrast dla każdego warunku zadania i jeden dla każdego porównania.
    3. Na Analizy post-hoc zakładka, wybierz Grupowanie"na Progowanie menu rozwijane i ustaw próg Z i Klaster P próg odpowiednio do 2,3 i 0,058,19.
    4. Na Rejestracjazakładka, wybierz Główny obraz strukturalny Wprowadź ścieżkę do obrazu T1-ważonego czaszki badanego po usunięciu tkanek pozaistniejących (skull-stripped). Użyj liniowego przeszukiwania normalnego z co najmniej 6 stopniami swobody (DOF). Wybierz Standardowa przestrzeń zaznacz pole wyboru. Wprowadź ścieżkę do obrazu atlasu MNI. Użyj standardowego, liniowego wyszukiwania z 12 stopniami swobody (DOF). Naciśnij Start.
  3. Poziom 2: Porównanie danych między seriami dla każdego stanu zadania. Otwórz FEAT. Z menu rozwijanego wybierz „Higher-level analysis” oraz „Stats + Post-stats”.
    1. W karcie Dane wybierz Dane wejściowe stanowią katalogi FEAT niższego poziomu. Ustaw liczbę wejść i wprowadź ścieżkę do każdego z obrazów MR. Wprowadź ścieżkę dla Katalog wyjściowy.
    2. Na Statystyki zakładka, zmień Efekty mieszane: FLAME1pole wyboru do Efekty stałe. Naciśnij przycisk Kreator konfiguracji modelu przycisk. Wybierz średnia dla jednej grupy i kliknij Proces przycisk
    3. Na Statystyki poeksperymentalnezakładka, wybierz Grupowaniena Progowaniemenu rozwijane i ustaw próg Z" i „Klastry Ppróg odpowiednio do 2,3 oraz 0,058,19Naciśnij Start.
  4. Poziom 3: Porównanie danych między badanymi dla każdego warunku zadania we wszystkich przebiegach. Otwórz moduł FEAT. Wybierz „Analiza wyższego poziomu” i “Statystyka i analizy po-statystyczne” z menu rozwijanego.
    1. W karcie Dane wybierz „Wejściami są obrazy 3D cope z katalogów FEAT”. Określ liczbę wejść i wprowadź ścieżkę do każdego z obrazów MR. Wprowadź ścieżkę dla Katalog wyjściowy".
    2. Na Statystyka zakładka, Naciśnij przycisk Pełna konfiguracja modeluUstaw liczbę zmiennych objaśniających (EV) równą liczbie zmiennych grupowych i kowariantów, takich jak grupa diagnostyczna, wiek, płeć itp. Wprowadź wartości dla każdego badanego (Input 1 – Input n) dla każdej zmiennej EV. Możesz użyć Wklej okno, aby skopiować arkusz z tymi wartościami.
      1. Na Kontrasty & Testy Fzakładka, dodaj kontrast dla każdej zmiennej testowej oraz dla każdego kontrastu (np. grupa diagnostyczna). Dla każdej zmiennej testowej ustaw kontrast, wybierając wartość 1 w kolumnie pod odpowiednim EV. Dla każdego kontrastu ustaw pierwszą wartość na 1, a drugą na -1. Wybierz Gotowe.
    3. Na Statystyka po badaniuzakładka, wybierz Klaster na Progowanie menu rozwijane i ustawić próg Z" i „Klaster P” próg odpowiednio do 2,3 i 0,058,19Naciśnij Start.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Nie stwierdzono różnic między grupami pod kątem charakterystyki demograficznej20. Dane behawioralne wskazały, że zadanie wykrywania celu znajduje się na odpowiednim poziomie trudności dla dzieci i młodzieży w wieku od 9 do 18 lat. W niniejszym badaniu grupa kontrolna prawidłowo zidentyfikowała 82,36% celów (S.D. = 0,14), a grupa wysokiego ryzyka rodzinnego prawidłowo zidentyfikowała 76,8% celów (S.D. = 0,17). W obu grupach odnotowano zmniejszoną dokładność identyfikacji obrazów emocjonalnych ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Wykazano, że zmodyfikowany paradygmat emocjonalnego dziwaka w obecnym badaniu wywołuje różnice w rekrutacji neuronalnej podczas selektywnej uwagi i przetwarzania emocjonalnego u dzieci i młodzieży zagrożonych schizofrenią. Podczas gdy istniejące paradygmaty wykorzystujące zadanie emocjonalnego dziwactwa zostały wykorzystane do zbadania zmian neuronalnych w populacjach dorosłych z chorobami psychicznymi8, obecny paradygmat może być szczególnie przydatny do pomiaru markerów podatności w młodszych grupach wiekowy...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Dr Perkins otrzymuje obecnie wsparcie grantowe od firmy Janssen i jest konsultantem firmy Dainippon. W przeszłości dr Perkins jest lub był członkiem biura prelegenta Eli Lilly i AstraZeneca. Dr Perkins otrzymał wcześniej granty od firm AstraZeneca, Bristol-Myers Squibb, Otsuka, Eli Lilly, Janssen i Pfizer; oraz opłaty konsultingowe i edukacyjne od firm AstraZeneca, Bristol-Myers Squibb, Eli Lilly, Janssen, Glaxo Smith Kline, Forest Labs, Pfizer i Shire. Wszyscy pozostali autorzy deklarują brak biomedycznych interesów finansowych ani potencjalnego konfliktu interesów.

Podziękowania

Dziękujemy Erin Douglas, Annie Evans i Carolyn Bellion za ich wkład w rekrutację uczestników i ocenę kliniczną. Dziękujemy również Michaelowi Caspowi, Zoe Englander, Justinowi Woodliefowi i Jamesowi Carterowi za ich wkład w gromadzenie i analizę danych oraz Robertowi M. Hamerowi za konsultacje w zakresie analizy statystycznej i redakcji manuskryptu. Na koniec dziękujemy osobom i ich rodzinom, które wzięły udział w tym badaniu.

To badanie było wspierane przez grant P5 MH064065 0 z Narodowego Instytutu Zdrowia Psychicznego. Dr Hart był wspierany przez T32 HD040127 z National Institute of Child Health and Human Development.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skaner MRI 3TGEBIAC 3T (wymieniony)
Skaner

Bibliografia

  1. Kety, S. S., Rosenthal, D., Wender, P. H., Schulsinger, F. Mental illness in the biological and adoptive families of adpoted schizophrenics. Am J Psyc. 128, 302-306 (1971).
  2. Weinberger, D. R. Implications of normal brain development for the pathogenesis of schizophrenia. Arch Gen Psychia. 44, 660-669 (1987).
  3. Nuechterlein, K. H., Dawson, M. E. Information processing and attentional functioning in the developmental course of schizophrenic disorders. Schizophr Bul. 10, 160-203 (1984).
  4. Nuechterlein, K. H. The vulnerability/stress model of schizophrenic relapse: a longitudinal study. Acta Psychiatr Scand, Supp. 382, 58-64 Forthcoming.
  5. Keshavan, M. S. Premorbid cognitive deficits in young relatives of schizophrenia patients. Front Hum Neurosc. 3 (62), (2010).
  6. Kiehl, K. A., Liddle, P. F. An event-related functional magnetic resonance imaging study of an auditory oddball task in schizophrenia. Schizophr Re. 48, 159-171 (2001).
  7. Bramon, E. Is the P300 wave an endophenotype for schizophrenia? A meta-analysis and a family study. Neuroimag. 27, 960-968 (2005).
  8. Dichter, G. S., Bellion, C., Casp, M., Belger, A. Impaired modulation of attention and emotion in schizophrenia. Schizophr Bul. 36, 595-606 (2010).
  9. Fichtenholtz, H. M. Emotion-attention network interactions during a visual oddball task. Brain Res Cogn Brain Re. 20, 67-80 (2004).
  10. Voyvodic, J. T. Real-time fMRI paradigm control, physiology, and behavior combined with near real-time statistical analysis. Neuroimag. 10, 91-106 (1999).
  11. International affective picture system (IAPS): Digitized photographs, instruction manual and affective ratings. Technical Report A-6. , The Center for Research in Psychophysiology, University of Florida. (2005).
  12. Smith, S. M. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimag. 23, 208-219 (2004).
  13. Smith, S. M. Fast robust automated brain extraction. Hum Brain Map. 17, 143-155 (2002).
  14. Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimag. 17, 825-841 (2002).
  15. Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Med Image Ana. 5, 143-156 (2001).
  16. Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimag. 14, 1370-1386 (2001).
  17. Beckmann, C. F., Jenkinson, M., Smith, S. M. General multilevel linear modeling for group analysis in FMRI. Neuroimag. 20, 1052-1063 (2003).
  18. Woolrich, M. W., Behrens, T. E., Beckmann, C. F., Jenkinson, M., Smith, S. M. Multilevel linear modelling for FMRI group analysis using Bayesian inference. Neuroimag. 21, 1732-1747 (2004).
  19. Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimag. 15, 870-878 (2002).
  20. Hart, S. J. Altered fronto-limbic activity in children and adolescents with familial high risk for schizophrenia. Psychiatry Re. 212, 19-27 (2013).
  21. Hariri, A. R., Bookheimer, S. Y., Mazziotta, J. C. Modulating emotional responses: effects of a neocortical network on the limbic system. Neurorepor. 11, 43-48 (2000).
  22. Gottesman, I. I., Gould, T. D. The endophenotype concept in psychiatry: etymology and strategic intentions. Am J Psyc. 160, 636-645 (2003).
  23. Glahn, D. C., Thompson, P. M., Blangero, J. Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Hum Brain Map. 28, 488-501 (2007).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Funkcjonalny rezonans magnetycznyryzyko schizofreniiMRI dzieci i młodzieżyprojektowanie zadań behawioralnychanaliza danych fMRItrening w skanerze imitacyjnymawersyjne bodźce neutralne
Pomiar aktywności czołowo-limbicznej za pomocą emocjonalnego zadania dziwacznego u dzieci z rodzinnym wysokim ryzykiem schizofrenii
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.