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

Artykuł metodologiczny

Topograficzne oszacowanie wizualnych pól recepcyjnych populacji za pomocą fMRI

8.8K wyświetleń

⸱

DOI:

10.3791/51811

⸱

3 lutego 2015

 ,  ,  , 
1Department of Neuroscience and Neurology, Baylor College of Medicine, 2Max Planck Institute for Biological Cybernetics, 3Bernstein Center for Computational Neuroscience

W tym artykule

Podsumowanie

Ważne jest, aby uzyskać bezstronne szacunki wizualnych pól recepcyjnych populacji (pRF) za pomocą funkcjonalnego rezonansu magnetycznego. Używamy łagodnych ograniczeń regularyzacji do oszacowania topografii pRF bez apriorycznych założeń dotyczących kształtu pRF, co pozwala nam wybrać konkretne modele pRF post hoc. Jest to szczególnie korzystne u osób z uszkodzeniami drogi wzrokowej.

Streszczenie

Kora wzrokowa jest tak zorganizowana retinotopowo, że sąsiednie populacje komórek odwzorowują sąsiednie części pola widzenia. Funkcjonalne obrazowanie metodą rezonansu magnetycznego pozwala nam oszacować populacyjne pola recepcyjne oparte na wokselach (pRF), tj. część pola widzenia, która aktywuje komórki w każdym wokseli. Wcześniejsze, bezpośrednie metody estymacji pRF1 mają pewne ograniczenia: 1) model pRF jest wybierany a priori i może nie w pełni uchwycić rzeczywisty kształt pRF oraz 2) centra pRF są podatne na błędną lokalizację w pobliżu granicy przestrzeni bodźca. W tym przypadku zaproponowano nową metodę topograficznego szacowania pRF2, która w znacznym stopniu omija te ograniczenia. Model liniowy służy do przewidywania sygnału zależnego od poziomu tlenu we krwi (BOLD) poprzez konwolucję liniowej odpowiedzi pRF na bodziec wzrokowy z kanoniczną funkcją odpowiedzi hemodynamicznej. Topografia PRF jest reprezentowana jako wektor wagowy, którego składowe reprezentują siłę zagregowanej odpowiedzi neuronów wokselowych na bodźce prezentowane w różnych lokalizacjach pola widzenia. Wynikowe równania liniowe można rozwiązać dla wektora wagi pRF za pomocą regresji grzbietowej3, uzyskując topografię pRF. Model pRF, który jest dopasowany do szacowanej topografii, może być następnie wybrany post-hoc, poprawiając w ten sposób oszacowania parametrów pRF, takich jak lokalizacja centrum pRF, orientacja pRF, rozmiar itp. Dostępność topografii pRF pozwala również na wizualną weryfikację oszacowań parametrów pRF, co pozwala na wyodrębnienie różnych właściwości pRF bez konieczności przyjmowania apriorycznych założeń dotyczących struktury pRF. Podejście to może być szczególnie przydatne do badania organizacji pRF u pacjentów z zaburzeniami układu wzrokowego.

Wprowadzenie

Funkcjonalny rezonans magnetyczny (fMRI) mierzy nieinwazyjnie funkcjonalną organizację kory wzrokowej w skali makroskopowej (zazwyczaj rzędu milimetrów). Wczesne badania retinotopii fMRI wykorzystywały miarę koherencji między lokalizacją bodźca i wywoływały odpowiedzi BOLD4-7. W badaniach tych zazwyczaj nie szacowano wielkości pola receptywnego w populacji. Później Dumoulin i Wandell zaproponowali metodę przezwyciężenia takiego ograniczenia poprzez jawne modelowanie lokalizacji i rozmiaru pRF, wykorzystując funkcję liniową tego modelu do przewidywania odpowiedzi BOLD. Jednak jednym z ograniczeń tej pionierskiej metody jest to, że parametryczny model pRF musi być wybierany a priori i może prowadzić do błędnych oszacowań pRF, jeśli okaże się nieodpowiedni.

Aby przezwyciężyć ograniczenia metody parametrycznego modelu pRF, ostatnio opracowano nowe metody. Metody te bezpośrednio przewidują reakcję BOLD na bodziec poprzez rekonstrukcję topografii pRF. Metoda8 zaproponowana przez Greene'a i współpracowników rekonstruuje topografię pRF poprzez rzutowanie wsteczne odpowiedzi BOLD na poszczególne przestrzenie bodźców 1D i budowanie topografii pRF w przestrzeni bodźców 2D, jak to jest typowa technika tomografii komputerowej. Z drugiej strony proponowana przez nas metoda2 bezpośrednio szacuje topografię pRF 2D za pomocą regresji liniowej i zastosowania techniki regularyzacji. W tej metodzie topografia pRF jest reprezentowana jako zestaw wag, który jest mnożony przez bodziec w celu oszacowania odpowiedzi populacji neuronalnej danego woksela. Następnie końcowa odpowiedź zależna od poziomu tlenu we krwi (BOLD) wywołana przez bodziec jest szacowana przez konwolucję odpowiedzi populacji neuronów i kanonicznej funkcji odpowiedzi hemodynamicznej. W celu rozwiązania problemu niedostatecznie ograniczonego układu liniowego, dodatkowo stosuje się regularyzację regresji grzbietowej w celu wymuszenia rzadkości (patrz rysunek 1 poniżej). Technika regularyzacji tłumi szumy i artefakty, a tym samym pozwala naszej metodzie na bardziej wiarygodne oszacowanie topografii pRF.

Metody topograficzne nie wymuszają na kształcie pRF określonego parametrycznego kształtu, a zatem mogą odkryć rzeczywistą strukturę pRF. Następnie można wybrać odpowiedni model parametryczny na podstawie topografii pRF. Na przykład topografia pRF może być wykorzystana do oddzielenia centrum pRF i otoczenia, a następnie późniejsze modelowanie centrum pRF może być dokładniejsze poprzez zminimalizowanie wpływu tłumienia pRF, a także wpływu innych potencjalnych artefaktów powstających w obszarach odległych od centrum pRF. Niedawno przeprowadziliśmy ilościowe porównanie naszej metody z kilkoma innymi metodami, które bezpośrednio (tj. przed oszacowaniem topografii) pasują do izotropowego Gaussa1, anizotropowego Gaussa i różnicy izotropowych Gaussów do pRF9. Stwierdzono, że metoda oparta na topografii przewyższała te metody w odniesieniu do modelowania centrum pRF, osiągając wyższą wyjaśnioną wariancję szeregów czasowych sygnału BOLD.

Dokładne oszacowanie właściwości pRF w różnych obszarach ujawnia, w jaki sposób pokrywają one pole widzenia i jest ważne dla zbadania funkcjonalnej organizacji kory wzrokowej, szczególnie w odniesieniu do percepcji wzrokowej. Właściwości, takie jak to, jak zmienia się rozmiar pRF wraz z mimośrodem1,10 i organizacją otoczenia centrum pRF9, są dobrze zbadane w literaturze dotyczącej ludzi. Proponowana metoda szacowania topografii pRF skutkuje dokładniejszym modelowaniem parametrów pRF i z większym prawdopodobieństwem ujawnia nieznane prawidłowości, które nie są łatwe do modelowania a priori w bezpośrednich modelach parametrycznych. Podejście to będzie szczególnie przydatne do badania organizacji pRF u pacjentów ze zmianami szlaku wzrokowego, dla których struktura pRF niekoniecznie jest przewidywalna a priori. Poniżej opisano, jak oszacować topografię pRF i jak wykorzystać topografię do modelowania centrum pRF.

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

Protokół

1. Pozyskiwanie danych

  1. Przygotować protokół stymulacji skuteczny w wywoływaniu wiarygodnej retinotopowej odpowiedzi wizualnej, zgodnie z opisem w pracy Dumoulin i Wandell1 oraz Lee et al.2. W zależności od konkretnego pytania badawczego można jednak zastosować inne, dobrze ugruntowane paradygmaty.
  2. Prezentować bodźce w postaci pasków przesuwających się po ekranie sekwencyjnie w 8 kierunkach przestrzeni, w odstępach 45 stopni. Należy zapewnić synchronizację ruchu z akwizycją klatek skanera (TR ~2 sec), tak aby pasek przesuwał się o jeden krok w momencie rozpoczęcia klatki fMRI i pozostawał w nowej lokalizacji do końca tej klatki.
  3. Aby zmierzyć prawidłowy sygnał bazowy, należy dodać epoki bez stymulacji paskiem1.
    1. Zdefiniować pole widzenia (promień od 10 do 15°) w kącie wizualnym, w którym prezentowany jest bodziec. Wewnątrz paska prezentować ruchome lub migoczące wzory szachownicy (rozmiar pola = 0,94 x 0,94 deg2, częstotliwość odświeżania wzoru = 250 msec/wzór), aby wywołać silne odpowiedzi wizualne.
    2. Wprowadzić następujące konkretne parametry: 8 równomiernie rozłożonych kierunków ruchu, szerokość paska równa 1,875 deg oraz przesunięcie paska o połowę jego szerokości na klatkę (2 sec). Dodatkowe szczegóły znajdują się w pracy Lee et al.2.
    3. Wygenerować punkt (~0,25°) w centrum ekranu, na którym oczy badanego będą fiksować wzrok podczas eksperymentu. Zmieniać kolor punktu losowo w czasie.
  4. Przeprowadzić skanowanie mózgu badanego w skanerze MRI przy użyciu typowego obrazowania echo-planarnego (EPI) o czasie trwania 192 klatek (24 klatki dla każdego kierunku ruchu). Powtórzyć skanowanie 4-8 razy, aby zwiększyć stosunek sygnału do szumu.
  5. Ustawić parametry sekwencji EPI w następujący sposób: TR = 2 sec, TE = 40 msec, rozmiar macierzy = 64 x 64, 28 warstw, rozmiar voksela = 3 x 3 x 3 mm3, kąt odchylenia = 90°. Alternatywnie można zastosować sekwencje o wyższej rozdzielczości (np., 2 x 2 x 2 mm3) lub krótkim TR (np., 1-1,5 sec), obejmujące wyłącznie korę wzrokową2.
  6. Śledzić ruchy gałek ocznych za pomocą systemu eyetrackera podczas skanów funkcjonalnych, aby zapewnić utrzymanie fiksacji w granicach 1-1,5° od punktu fiksacji.
    UWAGA: W tym przypadku zastosowano eyetracker oparty na współrzędnych głowy w systemie gogli, jednak można użyć innych odpowiednich systemów eyetrackingowych.
  7. Polecić badanym fiksowanie wzroku na punkcie w centrum ekranu wygenerowanym w kroku 1.3.2. Aby upewnić się, że badani fiksują wzrok, polecić im zgłaszanie zmian koloru punktu fiksacji.
  8. Wykonać skany anatomiczne w rozdzielczości 1 x 1 x 1 mm3 (np., T1-MPRAGE; TR = 1 900 msec, TE = 2,26 msec, TI = 900 msec, kąt odchylenia = 9°, 176 partycji).
    UWAGA: Te skany anatomiczne zostaną wykorzystane do segmentacji, a także do dopasowania obrazów funkcjonalnych do anatomii zarówno w obrębie jednego, jak i pomiędzy różnymi skanami. Dla lepszego dopasowania obrazów funkcjonalnych (EPI) do anatomii, należy wykonać również skan anatomiczny w płaszczyźnie (in-plane) o rozdzielczości identycznej z EPI, stosując sekwencję szybkich gradientowych ech z niszczeniem podłużnej namagnesowania (SPGR) ważoną T11.

2. Wstępne przetwarzanie danych

UWAGA: Przed szacowaniem właściwości pRF konieczne jest przeprowadzenie kilku typowych kroków przetwarzania wstępnego danych fMRI, takich jak korekcja ruchów głowy oraz dopasowanie wolumenów funkcjonalnych do skanu anatomicznego. W niniejszym artykule całe przetwarzanie wstępne, szacowanie, analiza i prezentacja uzyskanych wyników zostały wykonane przy użyciu otwartoźródłowego zestawu narzędzi programistycznych VISTA LAB opartego na środowisku MATLAB, dostępnego w serwisie oprogramowania VISTA: http://white.stanford.edu/newlm/index.php/Main_Page.

  1. Wczytaj skan anatomiczny do programu MATLAB i przygotuj anatomię wolumetryczną, korzystając z funkcji createVolAnat.
  2. Wykonaj segmentację istoty szarej, istoty białej oraz płynu mózgowo-rdzeniowego (CSF) za pomocą funkcji „ItkGray”.
  3. Przygotuj dane funkcjonalne, konwertując pliki DICOM (tj. surowy format plików MRI dla aparatów Siemens) do plików NIFTI (tj. standardowy format plików funkcjonalnego MRI), a następnie wczytaj dane do VISTA za pomocą funkcji mrInit.
  4. Skoryguj ruchy głowy i wyrównaj obrazy funkcjonalne do anatomii wczytanej w kroku 2.1, korzystając z funkcji rxAlign w oparciu o transformację macierzy afinicznej.
  5. Uśrednij skany funkcjonalne po korekcji ruchu w celu poprawy stosunku sygnału do szumu, wybierając mrVISTA Analysis TimeSeries Average tSeries. Z wykluczenia z uśredniania pomiń skany, podczas których ruchy gałek ocznych odchylały się od punktu fiksacji o więcej niż 1-1,5°. Jeśli sygnały z różnych serii wykazują różne dryfty stałoprądowe (dc-drifts), uśrednij skany funkcjonalne po usunięciu tych dryftów.
  6. Oblicz współrzędne mapowania między skanami funkcjonalnymi a istotą szarą i zidentyfikuj odpowiadające im woksele istoty szarej w skanach funkcjonalnych, wybierając następne menu: mrVISTA Window Open Gray 3-View Window. Przypisz sygnały BOLD do wokseli istoty szarej poprzez interpolację, wybierając jedną z dostępnych opcji w programie mrVISTA.

3. Szacowanie topografii pRF i modelowanie parametryczne

  1. Pobrać pliki z kodem, korzystając z następującego łącza: https://sites.google.com/site/leesangkyun/prf/codes.zip, rozpakować skompresowany plik i umieścić je w preferowanej lokalizacji na komputerze lokalnym. Dodać ścieżkę do folderu w programie MATLAB.
  2. Ustawić parametry bodźca użyte w eksperymencie, wybierając następujące menu: mrVISTA Analysis Retinotopic Model Set Parameters. Określić następujące parametry, takie jak obrazy bodźców, rozmiar bodźca, kanoniczną funkcję hemodynamiczną oraz częstotliwość odświeżania skanera fMRI.
  3. Przed szacowaniem pRF przygotować wstępne zestawy parametrów (Rysunek 1B).
    1. Ustawić zestawy do walidacji krzyżowej w pliku „tprf_set_params.m” z plików z kodem. Podzielić szeregi czasowe na co najmniej dwa podzbiory (jeden zestaw do testowania i pozostałe zestawy do treningu), które są wystarczająco długie, aby pasek przeskanował całą przestrzeń bodźca. Alternatywnie, bez uśredniania skanów w kroku 2.4, przeprowadzić walidację skanów, pomijając jeden skan w celu testowania i wykorzystując pozostałe skany do treningu.
    2. Ustawić gruboziarnisty zestaw parametrów (λ na Rysunku 1; λ = [10-2 10-1 1 101 102]) w pliku „tprf_set_params.m”. Następnie ustawić drobnoziarnisty zakres skali ([0.1 0.3 0.5 0.7 0.9 1 3 5 7 9]) w pliku „tprf_set_params.m”.
      UWAGA: Program wykorzystuje zestaw gruboziarnisty do wybrania λ, która daje najwyższą wyjaśnioną wariancję. Następnie program przeszukuje przestrzeń wokół wybranego λ, korzystając z drobnoziarnistego zakresu skali, aby dalej doprecyzować wybór λ zapewniającej najwyższą wyjaśnioną wariancję.
    3. Ustawić próg (0.2) wyjaśnionej wariancji dla wokseli reagujących wizualnie w pliku „tprf_set_params.m”.
      UWAGA: Próg ten służy jako punkt odniesienia do wyboru wokseli reagujących wizualnie. Alternatywnie można stworzyć ROI dla regionu niereagującego wizualnie (np. rysując sferę o promieniu 1 cm w obszarze mózgu niereagującym wizualnie), gdzie próg może zostać obliczony automatycznie.
    4. Ustawić zestaw progów ([0.3, 0.5, 0.7]) do zdefiniowania centralnego obszaru pRF w znormalizowanej topografii w pliku „tprf_set_params.m” (tj. [0 do 1] lub [-1 do 1] z epokami bez stymulacji paskiem w kroku 1.3.1).
      UWAGA: Z dostarczonego zestawu progów program wybiera próg „najlepszy”, tj. próg definiujący centralny obszar pRF, dla którego model centrum pRF wyjaśnia największą wariancję sygnału. Alternatywnie można wybrać inny zestaw wartości progowych w zależności od charakterystyki topografii.
  4. Uruchomić plik „tprf_runpRFest.m”, obliczyć topografię pRF (Rysunek 1) i dopasować dwuwymiarową anizotropową rozkład Gaussa. Po określeniu wszystkich parametrów opisanych w tym protokole i uruchomieniu kodu uzyskać końcowe wyniki szacowania.

Proces topografii pRF; formuła macierz-wektor, optymalizacja λ, schemat dopasowania modelu.
Rycina 1: Proces szacowania pRF. (A) Schematyczna ilustracja procesu stosowanego do szacowania topografii pRF. h(t): funkcja odpowiedzi hemodynamicznej, A(t): bodziec, m: pRF, Reg: regularyzacja normą L2. (B) Szczegółowe kroki szacowania topografii pRF i modelowania centrum pRF. Zestaw parametrów wymaganych do szacowania jest wymieniony w każdym kroku. Przedstawiono jednowymiarowy przekrój topografii oraz jej model. W sekcji „Model Fitting” krzywe czarna i czerwona reprezentują odpowiednio topografię oraz model centrum pRF z progiem centrum wynoszącym 0,5. Niebieska przerywana linia wskazuje próg dla centralnego obszaru pRF.

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

Wyniki

Dokładne modelowanie pRF wymaga poprawnego uchwycenia kształtów pRF. Bez znajomości topografii pRF, wybór modeli o symetrii kołowej stosowanych w poprzednich badaniach1,9-11 jest uzasadniony. Wynika to z faktu, że jeśli lokalna organizacja retinotopowa jest jednorodna we wszystkich kierunkach pola widzenia, lokalna odpowiedź populacji może być przedstawiona jako kołowo symetryczny sumaryczny agregat odpowiedzi neuronalnych. Jednak nasze obserwacje wykazują, że nie zawsze jest to prawdą (Rysunek 2

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

Dyskusja

W artykule pokazano, jak oszacować topografię pól recepcyjnych populacji wzrokowej w korze wzrokowej człowieka i jak wykorzystać ją do wyboru odpowiedniego modelu parametrycznego dla pola recepcyjnego. Aby retinotopia zakończyła się sukcesem, należy dobrać odpowiedni protokół stymulacji i skuteczną metodę analizy, a także zoptymalizować parametry eksperymentalne badanego (ruch i fiksacja). Bodźce słupkowe poruszające się sekwencyjnie w polu widzenia są skutecznym paradygmatem bodźca do szacowania pRF, ponieważ generują w...

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

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Dziękujemy grupie oprogramowania VISTA (Brian Wandell i współpracownicy, ze Stanford).

S. S. był wspierany przez McNair 2280403105, NEI R01-EY109272 i NEI R01-EY024019 oraz jako HHMI Early Carrer Award. A. P. i G. K. był wspierany przez Max-Planck Society, G. K. był wspierany przez projekt PLASTICISE 7 Programu Ramowego Komisji Europejskiej, nr umowy. HEATH-F2-2009-223524.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skaner MRISiemens/Philips/GE
MATLABThe Mathworks, Inc.Źródło: http://www.mathworks.com 
Oprogramowanie VISTAGrupa oprogramowania VISTA http://white.stanford.edu/newlm/index.php/Software
PsychoToolboxPsychoToolbox Źródło: http://psychtoolbox.org 
Eye Tracker (VisuaStimDigital)Resonance Technology Inchttp://mrivideo.com/

Bibliografia

  1. Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
  2. Lee, S., Papanikolaou, A., Logothetis, N. K., Smirnakis, S. M., Keliris, G. A. A new method for estimating population receptive field topography in visual cortex. Neuroimage. 81, 144-157 (2013).
  3. Hastie, T., Tibshirani, R., Friedman, J. H. The elements of statistical learning : data mining, inference, and prediction. , 2nd edn, Springer. (2009).
  4. Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
  5. Engel, S. A., Glover, G. H., Wandell, B. A. Retinotopic organization in human visual cortex and the spatial precision of functional MRI. Cereb Cortex. 7, 181-192 (1997).
  6. Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525(1994).
  7. DeYoe, E. A., et al. Mapping striate and extrastriate visual areas in human cerebral cortex. Proc Natl Acad Sci U S A. 93, 2382-2386 (1996).
  8. Greene, C. A., Dumoulin, S. O., Harvey, B. M., Ress, D. Measurement of population receptive fields in human early visual cortex using back-projection tomography. J Vis. , (2014).
  9. Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. , (2012).
  10. Harvey, B. M., Dumoulin, S. O. The relationship between cortical magnification factor and population receptive field size in human visual cortex: constancies in cortical architecture. J Neurosci. 31, 13604-13612 (2011).
  11. Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686(2012).

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

Przedruki i uprawnienia

Tagi

Analiza fMRImapowanie kory wzrokowejmodelowanie sygna u BOLDregresja grzbietowafunkcja odpowiedzi hemodynamicznejprotok stymulacji wzrokowejkorekcja ruchu g owypr g wyja nionej wariancjiszacowanie topografii PRF
Topograficzne oszacowanie wizualnych pól recepcyjnych populacji za pomocą fMRI
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.