Artykuł metodologiczny

Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne

8.5K wyświetleń

⸱

DOI:

10.3791/59083

⸱

21 marca 2019

 ,  ,  , 
1Institute of Bioengineering, École Polytechnique Fédérale de Lausanne (EPFL), 2Department of Radiology and Medical Informatics, University of Geneva, 3Department of Neuroscience, University of Geneva

W tym artykule

Podsumowanie

Celem opisanego podejścia jest określenie, w jakich momentach paradygmatu (perspektywa czasowa), a pomiędzy którymi regionami (perspektywa przestrzenna), zachodzą znaczące rekonfiguracje w funkcjonalnej łączności na nagraniach funkcjonalnego rezonansu magnetycznego, podczas których odtwarzany jest bodziec ograniczony czasowo.

Streszczenie

Funkcjonalne obrazowanie metodą rezonansu magnetycznego oparte na zadaniach ma ogromny potencjał do zrozumienia, jak nasz mózg reaguje na różne rodzaje stymulacji; jednak często osiąga się to bez uwzględnienia dynamicznego aspektu przetwarzania funkcjonalnego, a wyniki analityczne zazwyczaj uwzględniają połączone wpływy efektów sterowanych zadaniami i leżące u podstaw spontaniczne fluktuacje aktywności mózgu. W tym miejscu przedstawiamy nowatorski potok metodologiczny, który może wykraczać poza te ograniczenia: zastosowanie schematu analitycznego z przesuwnym oknem umożliwia śledzenie zmian funkcjonalnych w czasie, a dzięki międzyobiektowym pomiarom korelacyjnym podejście może wyizolować efekty czysto związane z bodźcem. Dzięki rygorystycznemu procesowi progowania można wyodrębnić i przeanalizować znaczące zmiany w międzyobiektowej korelacji funkcjonalnej.

Na grupie zdrowych osób, które zostały poddane naturalistycznej stymulacji audiowizualnej, demonstrujemy użyteczność tego podejścia, wiążąc odkryte funkcjonalne rekonfiguracje z konkretnymi wskazówkami filmu. Pokazujemy, w jaki sposób, za pomocą naszej metody, można uchwycić albo czasowy profil aktywności mózgu (ewolucję danego połączenia), albo skupić się na przestrzennej migawce w kluczowym punkcie czasowym. Udostępniamy publicznie dostępną wersję całego pipeline'u, a krok po kroku opisujemy jego zastosowanie i wpływ jego kluczowych parametrów.

Wprowadzenie

Funkcjonalne obrazowanie metodą rezonansu magnetycznego (fMRI) stało się narzędziem z wyboru do nieinwazyjnego monitorowania zmian w aktywności mózgu wynikających z zewnętrznej stymulacji. Mówiąc dokładniej, pojawiło się żywe zainteresowanie zrozumieniem statystycznej współzależności między regionalnymi kursami czasu aktywacji, znanymi jako łączność funkcjonalna (FC)1 i zwykle obliczanymi jako współczynnik korelacji Pearsona. Wykazano, że funkcjonalne interakcje w mózgu rekonfigurują się jako funkcja podstawowego zadania2,3,4.

Dwa kierunki analityczne zostały oddzielnie zastosowane, aby wyjść poza tę wstępną charakterystykę: z jednej strony, zaobserwowano, że reakcja wywołana w danym regionie mózgu przez bodziec zablokowany w czasie jest silnie skorelowana między różnymi podmiotami5. Kwantyfikacja tej korelacji międzyobiektowej (ISC) wykazała potencjał do udoskonalenia naszego rozumienia procesów poznawczych6,7,8,9 i zaburzeń mózgu10,11. Co więcej, to międzyprzedmiotowe podejście korelacyjne zostało również rozszerzone na ocenę synchroniczności międzyregionalnej12, w tym, co stało się znane jako podejście międzyprzedmiotowej korelacji funkcjonalnej (ISFC)13.

Z drugiej strony, dynamiczny charakter rekonfiguracji FC zaczął przyciągać coraz większą uwagę (zobacz Hutchison et al.14, Preti, Bolton and Van De Ville15, Gonzales-Castillo and Bandettini16 dla najnowszych recenzji na temat strony tego pytania opartej na stanie spoczynku i zadaniach). W szczególności zmiany FC w całym mózgu w czasie można śledzić poprzez kolejne pomiary korelacji w stopniowo przesuwanym oknie czasowym17,18, ujawniając dodatkowe informacje w kontekście zadań behawioralnych19,20.

Tutaj prezentujemy ramy metodologiczne, które łączą te dwie drogi. Rzeczywiście, obliczamy ISFC w stylu przesuwanego okna, aby śledzić ewolucję międzyregionalnej synchronizacji między podmiotami wystawionymi na zamknięty w czasie, naturalistyczny paradygmat. Ze względu na aspekt międzyprzedmiotowy metody, analizy koncentrują się na efektach sterowanych bodźcem, podczas gdy spontaniczne zmiany fMRI (które nie są skorelowane między badanych) są silnie tłumione. Jest to ważne, ponieważ coraz częściej uważa się, że wzorce aktywności w stanie spoczynku i wywołane zadaniem charakteryzują się odrębnymi właściwościami21,22.

Jeśli chodzi o dynamiczny komponent metody, umożliwia ona bardziej kompletną i dokładną charakterystykę bodźców związanych z zadaniem, szczególnie podczas badania naturalistycznego paradygmatu, w którym różnorodny zestaw wskazówek (słuchowy, wizualny, społeczny itp.) jest łączony w czasie. Ponadto, ponieważ rzetelna ocena statystyczna znaczących fluktuacji dynamicznych była gorąco dyskutowana23,24, nasze podejście szczególnie dba o ten aspekt analiz, izolując znaczące zmiany ISFC poprzez porównanie z odpowiednimi danymi zerowymi.

Ilustrujemy metodę na grupie zdrowych osób wystawionych na bodźce audiowizualne filmowe, dla których pokazujemy, że czasowe i przestrzenne profile zmian ISFC wynikające z lokalizowanych podinterwałów filmowych mogą być dokładnie wyodrębnione. Opisujemy przy tym również wpływ głównych parametrów analitycznych, które mają być wybrane przez użytkownika. Przedstawione wyniki opierają się na części wcześniej publikowanych danych25,26.

Protokół

Poniższy protokół został zatwierdzony przez lokalną komisję etyczną (Biomedical Inserm 365 protocol C08-39).

1. Przygotowanie do obrazowania

  1. Zrekrutuj populację badawczą, uzyskując od wszystkich uczestników pisemną, świadomą zgodę. Uzyskaj zatwierdzenie z lokalnego komisetu etyki.
  2. Wybierz paradygmat badawczy, który można zastosować u wszystkich uczestników w sposób zsynchronizowany czasowo.
    UWAGA: W tym przypadku wykorzystano naukowy film dokumentalny audio-wizualny dla młodzieży (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. Obrazowanie

  1. Dla każdego badanego uwzględnionego w analizach należy przeprowadzić co najmniej jedną sesję obrazowania funkcjonalnego, podczas której ochotnik poddany jest badaniu z wykorzystaniem zablokowanego czasowo paradygmatu zainteresowania.
    1. Użyj skanera MRI 3 Tesla do akwizycji przekrojów poprzecznych za pomocą sekwencji obrazowania echo-planarnego.
    2. Zastosuj następujące parametry obrazowania: rozmiar woksela = 3 mm x 3 mm x 3 mm, czas repetycji (TR) = 2 s, czas echa = 50 ms, pole widzenia = 192, 40 przekrojów.
      UWAGA: W miarę możliwości zaleca się stosowanie krótszych wartości TR. Protokół można również zastosować przy bardziej ograniczonym polu widzenia (np. dla analiz ograniczonych do konkretnej podstruktury mózgu), co umożliwiłoby uzyskanie lepszej rozdzielczości czasowej (niższy TR) lub bardziej precyzyjną analizę przestrzenną.
    3. Pozostaw kilka sekund rejestracji (≥ 2 TR) przed i po prezentacji bodźca.
  2. Przeprowadź co najmniej jedną oddzielną sesję obrazowania funkcjonalnego, podczas której badany leży w spoczynku w skanerze, z zamkniętymi oczami i instrukcją, aby nie zasnąć.
    UWAGA: Oddzielne akwizycje stanu spoczynku i związane z bodźcem zapobiegają możliwym interakcjom między tymi warunkami (np. wcześniejsze obejrzenie filmu może pozostawić trwały ślad w następnie rejestrowanym stanie spoczynku)27. Jeśli nie planuje się przeprowadzenia wspomnianej dodatkowej akwizycji stanu spoczynku, w procesie obliczeniowym istnieje alternatywna opcja (choć bardziej podatna na wykrywanie wyników fałszywie dodatnich; patrz: Dyskusja), która zastępuje te dane zastępczymi przebiegami czasowymi obliczonymi z sygnałów związanych z paradygmatem (patrz: krok 5.1.2).
  3. Wykonaj obrazowanie strukturalne.
    1. Użyj skanera MRI 3 Tesla i sekwencji T1-weighted magnetization-prepared rapid acquisition gradient echo.
    2. Zastosuj następujące parametry obrazowania: rozmiar woksela = 1 mm x 1 mm x 1 mm, pole widzenia = 256, 176 przekrojów.

3. Przygotowanie danych i oprogramowania

  1. Dla każdej sesji przeznaczonej do analizy należy upewnić się, że istnieją następujące pliki danych:
    1. Zbiór wolumenów fMRI, występujących jako oddzielne 3D pliki NIFTI lub HDR/IMG, z zachowaniem spójnego schematu numeracji (np. „fMRI_01”, „fMRI_02” itd.).
    2. Obraz strukturalny MRI T1 w formacie NIFTI lub HDR/IMG.
    3. Atlas obszaru zainteresowania w przestrzeni Montreal Neurological Institute (MNI) w formacie NIFTI.
      UWAGA: Przykład wymaganych plików wejściowych dla reprezentatywnego badanego („S17”) wraz z pełnym kodem potoku przetwarzania znajduje się pod adresem https://c4science.ch/source/Intersubj_pipeline.git 
  2. Pobierz najnowszą wersję publicznie dostępnego oprogramowania Freesurfer28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Pobierz najnowszą wersję publicznie dostępnego zestawu narzędzi MATLAB Statistical Parametric Mapping (SPM) ze strony https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Otwórz program MATLAB (wersja 2017a lub nowsza) i zlokalizuj nowo pobrane foldery „freesurfer” oraz „spm12”. Dla każdego z nich kliknij prawym przyciskiem myszy i wybierz opcję Add to Path > Selected Folders and Subfolders.

4. Przetwarzanie wstępne danych

  1. W terminalu MATLAB wpisz spm, aby uruchomić menu główne SPM12, a następnie kliknij przycisk fMRI, aby uzyskać dostęp do opcji preprocessingu przeznaczonych dla danych fMRI. Wykonaj poniższe kroki oddzielnie dla każdej sesji fMRI przeznaczonej do preprocessingu.
    1. Kliknij Realign (Est & Res), a w nowo otwartym oknie Edytora Partii (Batch Editor) kliknij dwukrotnie Data > Session. W nowo otwartym oknie Session wybierz wszystkie obrazy funkcjonalne do przetworzenia. Następnie kliknij przycisk Done, a potem ikonę Run Batch w oknie Edytora Partii (zielony trójkąt). Poczekaj, aż krok realignacji zostanie zakończony, zgodnie z informacją w oknie terminala MATLAB.
    2. Kliknij Coregister (Est & Res), a w nowo otwartym oknie Edytora Partii kliknij dwukrotnie Reference image. W nowo otwartym oknie Reference Image wybierz średnią objętość funkcjonalną stworzoną w następnym kroku, poprzedzoną przedrostkiem „mean”, i kliknij przycisk Done. Następnie kliknij dwukrotnie Source image i w nowo otwartym oknie Source Image wybierz obraz T1. Kliknij przycisk Done, a potem ikonę Run Batch w oknie Edytora Partii (zielony trójkąt). Poczekaj, aż krok coregistracji zostanie zakończony, zgodnie z informacją w oknie terminala MATLAB.
      UWAGA: Obraz T1 zostaje w tym kroku nadpisany, dzięki czemu zaktualizowany obraz znajduje się w tej samej przestrzeni co objętości funkcjonalne.
    3. Kliknij Segment, a w nowo otwartym oknie Edytora Partii kliknij dwukrotnie Volumes. W nowo otwartym oknie Volumes wybierz obraz T1 i kliknij przycisk Done. Następnie w oknie Edytora Partii kliknij dwukrotnie Deformation Fields i wybierz opcję Inverse. Kliknij ikonę Run Batch (zielony trójkąt) i poczekaj, aż krok segmentacji zostanie zakończony, zgodnie z informacją w oknie terminala MATLAB.
  2. Wpisz JOVE_GUI1 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika preprocessingu. Wykonaj poniższe kroki dla każdej analizowanej sesji fMRI.
    1. Kliknij Enter fMRI data i wybierz wszystkie zrealignowane objętości funkcjonalne utworzone w kroku 4.1.1 (poprzedzone przedrostkiem „r”). W przypadku plików IMG/HDR wybierz obie objętości: IMG i HDR.
    2. Wprowadź TR danych (w sekundach) w odpowiednim edytowalnym oknie tekstowym.
    3. Kliknij Enter T1 data i wybierz trzy probabilistyczne objętości typów tkanek utworzone w kroku 4.1.3 (poprzedzone przedrostkami „c1”, „c2” i „c3”).
    4. Kliknij Enter motion file i wybierz plik tekstowy zawierający parametry ruchu z analizowanej sesji, utworzony w kroku 4.1.1 i poprzedzony przedrostkiem „rp”.
    5. Wybierz pożądany typ preprocessingu, tj. czy dane powinny zostać poddane detrendingowi czy nie (odpowiednio zaznaczając lub odznaczając dedykowany przycisk radiowy) oraz które kowarianty powinny zostać wyeliminowane poprzez regresję (wybierając odpowiednią opcję z dedykowanej listy).
      UWAGA: Krok regresji jest zainspirowany funkcją pochodzącą z narzędziowni DPARSF29. Sygnały z białej substancji i płynu mózgowo-rdzeniowego od poszczególnych badanych są uśredniane po wokselach, dla których odpowiednia probabilistyczna mapa tkanek DPARSF wykazała sygnał większy niż 0,9. W naszych analizach przeprowadziliśmy detrending danych oraz regresję przebiegów czasowych białej substancji/płynu mózgowo-rdzeniowego, a także trendów stałych, liniowych i kwadratowych.
    6. Aby przeprowadzić preprocessing danych, kliknij Preprocess i poczekaj na pojawienie się wyników w oknie. Dane można poddać ponownemu preprocessingowi w inny sposób, zmieniając opcje i ponownie klikając przycisk Preprocess.
      UWAGA: Wykres istoty szarej jest zainspirowany reprezentacją zaproponowaną przez Power i wsp.30.
    7. Aby zapisać wyniki dla kolejnych kroków, kliknij przycisk Save. Aby wyczyścić zawartość okna, kliknij przycisk Clear.

Interfejs graficzny użytkownika (GUI) do preprocessingu danych fMRI; detrending z wykorzystaniem schematów regresji; wykres zmienności sygnału w czasie.
Rycina uzupełniająca 1: Przykładowy zrzut ekranu z pierwszego okna graficznego interfejsu użytkownika preprocessingu. Przebiegi czasowe woxel-wise dla wokseli istoty szarej po zastosowaniu wybranych opcji preprocessingu (wykres w prawym górnym rogu) oraz współzmienne, które mogą być wykorzystane w preprocessingu (od góry do dołu: średnie przebiegi czasowe dla płynu mózgowo-rdzeniowego/istoty białej, parametry ruchu translacyjnego oraz parametry ruchu rotacyjnego). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

  1. Wpisz JOVE_GUI2 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika do wstępnego przetwarzania. Dla każdej sesji fMRI przeznaczonej do analizy wykonaj następujące kroki.
    1. Kliknij w Wybierz danei wybierz plik danych zapisany w kroku 4.2.7 (o nazwie „ISFC_VX.mat”).
    2. Kliknij w Wybierz ruchnastępnie należy wybrać plik tekstowy zawierający parametry ruchu z wybranej sesji, utworzony w kroku 4.1.1 i poprzedzony prefiksem „rp”.
    3. Kliknij w Wybierz atlasnastępnie należy wybrać plik NIFTI reprezentujący atlas, który zostanie wykorzystany do parcellacji.
    4. Kliknij w Wybierz odwrócone przekształcenie (inverse warp)i wybierz plik NIfTI reprezentujący pole deformacji z przestrzeni MNI do przestrzeni natywnej, utworzony w kroku 4.1.3 i poprzedzony przedrostkiem „iy”.
    5. Kliknij w Wybierz wolumen fMRIi wybrać dowolną z wolumenów danych fMRI.
      UWAGA: Ten krok umożliwia dostęp do informacji w nagłówku danych funkcjonalnych, dlatego wybór konkretnej objętości nie ma znaczenia.
    6. Wprowadź wartość TR danych (w sekundach) w odpowiednim edytowalnym oknie tekstowym.
    7. Wprowadź informacje dotyczące szorowania: rodzaj szorowania do wykonania (tj., ile klatek należy usunąć przed i po klatkach oznaczonych) na liście „Typ usuwania” (Scrubbing type) oraz wartość progu przesunięcia klatka po klatce (kryterium Powera)31) powyżej którego wolumen fMRI powinien zostać usunięty (scrubbing) w edytowalnym oknie tekstowym „Scrubbing threshold” (w mm).
      UWAGA: W odniesieniu do oczyszczonych punktów danych wykonano interpolację sześcianową (cubic spline interpolation), aby zastąpić je wartościami szacunkowymi z sąsiednich próbek. W naszych analizach oczyszczono jedną klatkę po wolumenach oznaczonych tagiem, stosując próg oczyszczania wynoszący 0,5 mm.
    8. Wprowadź rozmiar okna przesuwnego W do obliczeń ISFC (patrz krok 5), wyrażony w jednostkach TR.
      UWAGA: Informacja ta umożliwi filtrowanie przebiegów czasowych za pomocą funkcji pochodzącej z zestawu narzędzi DPARSF29, przy f = 1/W Hz32W naszych analizach przyjęliśmy wartość W = 10 TR jako wartość kompromisową, aby uchwycić fluktuacje dynamiczne, zachowując jednocześnie wystarczającą liczbę próbek dla uzyskania wiarygodnych oszacowań.
    9. Kliknij w Wykres przycisk służący do wyświetlenia przykładowych przebiegów czasowych z mapowaniem atlasowym przed (wykres górny) i po (wykres dolny) etapach usuwania artefaktów (scrubbing) i filtrowania. Należy sprawdzić poprzez inspekcję wizualną, czy po wybranych etapach preprocessingu sygnały wyjściowe nie zawierają istotnych komponentów artefaktowych.
    10. Aby zapisać wyniki kolejnych kroków, wprowadź nazwę pliku w dedykowanym edytowalnym oknie tekstowym i kliknij przycisk Zapisz przycisk. Aby wyczyścić zawartość okna, kliknij* Przejrzyście przycisk

wykres analizy danych fMRI; fluktuacje sygnału czasowego; proces GUI dla usuwania artefaktów (scrubbing) i wykreślania szeregów czasowych.
Rysunek uzupełniający 2: Przykładowy zrzut ekranu z drugiego okna graficznego interfejsu użytkownika preprocessingu. Regionalne przebiegi czasowe po atlasowaniu, przed (wykres górny) i po (wykres dolny) procesach scrubbingu i filtrowania zgodnie z wybranymi parametrami. Każda krzywa przedstawia jeden regionalny przebieg czasowy, wybrany losowo spośród wszystkich dostępnych. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

5. Obliczenia ISFC metodą przesuwnego okna

  1. Wpisz JOVE_GUI3 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika powiązanego z ISFC. Wykonaj następujące kroki oddzielnie dla każdego typu nabytego segmentu sesji fMRI (segmenty związane ze bodźcem, segmenty stanu spoczynku w sesjach związanych ze bodźcem oraz segmenty wyłącznie stanu spoczynku).
    1. Kliknij w Wczytaj daneor wybierz wszystkie odpowiednie pliki danych utworzone w kroku 4.3.
    2. Wybierz, czy wybrane segmenty sesji powinny zostać poddane randomizacji fazy.
      UWAGA: Randomizacja fazy może być stosowana jako alternatywna metoda generowania danych zerowych z sygnałów związanych z bodźcem, w przypadku braku dostępnych zapisów stanu spoczynkowego.
    3. Wprowadź czas repetycji (TR) danych (w sekundach) w dedykowanym edytowalnym oknie tekstowym.
    4. Wprowadź parametry okna przesuwnego do analizy w dedykowanych edytowalnych polach tekstowych: rozmiar okna (w jednostkach TR), dla którego należy obliczyć pomiary łączności, oraz wielkość kroku (w jednostkach TR), o którą przesuwane będą kolejne okna.
      UWAGA: W naszych analizach zastosowaliśmy okno o rozmiarze 10 TR i krok o wielkości 1 TR.
    5. Zmodyfikuj tabelę „Session types”, aby określić, które z załadowanych segmentów sesji zostały pozyskane w tej samej warunkach eksperymentalnych. Użyj rosnących liczb całkowitych zaczynając od 1, aby oznaczyć różne typy segmentów (np. jeśli bodziec był wyświetlany po raz pierwszy lub drugi w danym zapisie). Pozostaw tabelę bez zmian, jeśli pozyskano tylko jeden typ segmentu sesji.
      UWAGA: W niniejszej pracy sesja może odnosić się zarówno do połączonego nagrania filmu i stanu spoczynkowego (nazwanego RUN1 oraz URUCHOM2 w Rysunek 1A), lub do zapisu stanu spoczynku (RUN3). Segment sesji odnosi się do podczęści nagrania sesji, zarejestrowanej albo podczas oglądania filmu, albo podczas spoczynku badanych. Powyższe informacje są wykorzystywane w opisanym poniżej obliczaniu ISFC (patrz krok 5.1.8), aby ograniczyć zakłócający wpływ różnych typów segmentów sesji.
    6. Wprowadź parametry związane z bootstrappingiem w dedykowanych edytowalnych oknach tekstowych: liczbę powtórzeń bootstrappingu, dla których mają zostać wykonane obliczenia ISFC, oraz liczbę osób, które mają stanowić grupę referencyjną dla każdego powtórzenia obliczeń ISFC.
      UWAGA: W naszych analizach zastosowaliśmy 250 powtórzeń procedury bootstrappingu oraz włączyliśmy 6 badanych do grupy referencyjnej.
    7. Wprowadź specyfikacje dotyczące tego, która podczęść przebiegów czasowych powinna zostać przeanalizowana w Parametry czasowe sekcję w dedykowanych edytowalnych oknach tekstowych. Należy podać indeks początkowy i końcowy (w TR). Aby przeanalizować cały czas trwania rejestracji, należy użyć 1 jako indeksu początkowego oraz liczby próbek jako indeksu końcowego.
    8. Kliknij w Wykres przycisk służący do przeprowadzania obliczeń ISFC. Wyświetlacze są sukcesywnie aktualizowane w czasie, wraz z liczbą wykonanych złożeń bootstrappingowych. Dla pary regionów (i,j) i indeksu przesuwnego okna τ, ISFC oblicza się jako średnią z korelacji krzyżowych między segmentem sesji s a wszystkimi segmentami sesji z grupy referencyjnej w obrębie przesuwnego okna o długości W; grupę referencyjną tę oznaczamy jako Ψ, a liczbę badanych w niej jako NΨi niech xi[s](t) przebieg czasowy regionu i dla segmentu sesji s w czasie t; estymacja ISFC jest następnie określona wzorem:
      Równanie korelacji funkcjonalnej międzyosobniczej; ISFC; łączność mózgu; formuła badawcza; analiza.
      Pomiary ISFC są obliczane dla określonej liczby powtórzeń procedury bootstrappingu, przy czym w każdym powtórzeniu jako grupa referencyjna wykorzystywana jest wybrana liczba segmentów sesji (patrz krok 5.1.6). W przypadku uwzględnienia kilku podtypów segmentów sesji, grupa referencyjna zawsze składa się z mieszanki próbek tych podtypów. Wynikiem końcowym dla każdego segmentu sesji jest średnia wartość ISFC ze wszystkich powtórzeń, w których segment ten nie został uwzględniony jako pomiar referencyjny.
      UWAGA: Grupa referencyjna to zestaw segmentów sesji, z którymi porównywane są funkcjonalne przebiegi czasowe segmentu sesji s w każdym etapie procesu bootstrapowania. Aby wyniki były bardziej odporne na wartości odstające, wskaźnik ISFC jest obliczany wielokrotnie dla różnych grup referencyjnych (tj. różnych podzbiorów segmentów sesji). Co istotne, czas akwizycji t nie pokrywa się z indeksem przesuwnego okna τ, ponieważ ten drugi jest obliczany dla zestawu W punktów danych i zależy od wielkości kroku okna dla kolejnych szacunków. Proces bootstrapowania został zainspirowany wcześniejszą pracą Byrge i współpracowników.33.
    9. Aby zapisać wyniki następnych kroków, wprowadź nazwę pliku w odpowiednim edytowalnym oknie tekstowym i kliknij Zapisz przycisk. Aby wyczyścić zawartość okna, kliknij przycisk Przejrzyście przycisk

Interfejs graficzny (GUI) do analizy danych neuroobrazowych z wykresem ISFC, ustawieniami parametrów i konfiguracją sesji.
Rycina uzupełniająca 3: Przykładowy zrzut ekranu z pierwszego okna graficznego interfejsu użytkownika związanego z ISFC. (Wykres górny) Schematyczne przedstawienie częstotliwości obliczania pomiarów ISFC dla każdej rozważanej sesji (tj. sesje, które nie zostały wybrane do grupy referencyjnej). (Wykres dolny) Na przykładzie reprezentatywnego badanego, przebiegi czasowe ISFC obliczone dla pięćdziesięciu przykładowych połączeń, wybranych jako te o największych sumarycznych bezwzględnych wartościach ISFC w czasie. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

  1. Wpisz JOVE_GUI4 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika powiązanego z ISFC.
    1. Kliknij w Wczytaj dane ISFC oraz wybrać pliki wyjściowe ISFC powiązane z bodźcem, utworzone w kroku 5.1.
    2. Kliknij w Wczytaj puste dane i wybierz, w zależności od zastosowanego schematu generowania danych nulowych, plik lub pliki wyjściowe ISFC stanu spoczynkowego lub ISFC powiązanego ze bodźcem z randomizowaną fazą, utworzone w kroku 5.1.
    3. Kliknij w Wczytaj książkę kodową i wybierz plik książki kodowej utworzony w kroku 4.3.
    4. Wprowadź wartość TR danych (w sekundach) w odpowiednim edytowalnym oknie tekstowym.
    5. Wprowadź parametry okna przesuwnego użyte w obliczeniach w kroku 5.1 (rozmiar okna i wielkość kroku, w jednostkach TR) w odpowiednich edytowalnych polach tekstowych.
    6. W dedykowanym edytowalnym oknie tekstowym wprowadź (w procentach) wartość α, przy której przebiegi czasowe ISFC powinny zostać poddane progowaniu w celu wyróżnienia istotnych zmian.
      UWAGA: W tym i w innych miejscach odwołanie do wartości α wynoszącej 2,5% oznacza, że istotność zostaje osiągnięta, gdy wartość jest niższa niż 2,5%th centyl lub wartość większa od 97,5th percentyl danych zerowych. W naszych analizach dysponowaliśmy 5762 punktami danych stanu spoczynkowego i wybraliśmy wartość α wynoszącą 10-4Oznacza to, że dążyliśmy do tego, aby 0,01% próbek danych było większe lub równych wybranym progom, powyżej których odchylenie ISFC uznano by za istotne. Dla celów porównawczych poziom α wymagany przez korektę Bonferroniego wynosiłby 0,05/44 51 = 1,12 x 10-6, a najściślejszy możliwy poziom istotności α, jaki można przyjąć przy naszej ilości danych (n próbek), wyniósłby Równanie równowagi statycznej, 1/(2n+2)=8,68x10^-5, wzór do analizy równowagi..
    7. Kliknij w Wykres przycisk służący do przeprowadzenia procesu progowania ISFC, w którym wszystkie dostępne pomiary zerowe ISFC dla danej połączenia są agregowane w celu skonstruowania rozkładu zerowego, po czym pomiary ISFC związane ze bodźcem są progowane zgodnie z wybraną wartością α. Punkty czasowe, w których wartość ISFC związana z bodźcem statystycznie istotnie przekracza rozkład zerowy, są oznaczane jako -1/+1 odpowiednio dla istotnych spadków i wzrostów ISFC.
      UWAGA: Proces progowania jest inspirowany badaniami nad dynamiczną łącznością funkcjonalną w stanie spoczynku przeprowadzonymi przez zespół Betzel i wsp.23.
    8. Aby zwizualizować przestrzenne wzorce ISFC w różnych punktach czasowych, przesuń suwak znajdujący się poniżej wykresu ekscursji ISFC.

Analiza łączności mózgu; graf danych ISFC i diagram sieci; badania w dziedzinie neuronauk.
Rysunek uzupełniający 4: Przykładowy zrzut ekranu z drugiego okna graficznego interfejsu użytkownika związanego z ISFC. (Wykres w lewym górnym rogu) Na przykładowym badanym przebiegi czasowe ISFC obliczone dla trzech przykładowych połączeń, wybranych jako te wykazujące największą liczbę istotnych odchyleń ISFC, przedstawione wraz z powiązanymi obliczonymi progami istotności (linie poziome). (Wykres w lewym dolnym rogu) Dla tych samych połączeń powiązane przebiegi czasowe odchyleń uśrednione dla wszystkich badanych, z dwustronnymi 95% przedziałami ufności przedstawionymi jako miara błędu. (Wykres po prawej) Przestrzenny wzorzec ISFC (uśrednione odchylenia ISFC dla wszystkich badanych) dla wybranego punktu czasowego wskazanego pionową czarną linią na wykresach ISFC i odchyleń. Dodatnie odchylenia ISFC przedstawiono kolorem żółtym, a ujemne kolorem różowym. Wielkość i kod kolorystyczny węzłów są proporcjonalne do ich stopnia. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wyniki

W badaniu wzięło udział n = 15 osób z grupy typowego rozwoju (TD), od których uzyskano pisemną, świadomą zgodę. Wszyscy byli praworęcznymi mężczyznami (wiek 23,42 ± 7,8 lat). Wybranym paradygmatem był audiowizualny film dokumentalny o charakterze naukowym skierowany do młodzieży, dotyczący zagrożeń związanych z ekspozycją na słońce. Materiał ten zawiera szeroki wachlarz bodźców wizualnych, słuchowych i społecznych i jest dostępny pod adresem https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Dla każdego badanego przeprowadzono dwie sesje (RUN1 i RUN2), podczas których wyświetlano oceniany film od 5 do 353 s (czas trwania 5,8 min). Następnie od 386 do 678 s (czas trwania 4,9 min) zarejestrowano segment stanu spoczynku. Ponadto dla każdego badanego (z wyjątkiem jednej osoby cierpiącej na klaustrofobię) przeprowadzono jedną sesję wyłącznie w stanie spoczynku (RUN3), która trwała 310 s (5,2 min). Przykładowe sceny z filmu oraz ramy czasowe akwizycji danych przedstawiono w Rysunku 1A. Istotne jest, że protokół akwizycji nie był optymalny pod tym względem, że zapisy stanu spoczynku wykonane bezpośrednio po ekspozycji na film mogą być częściowo zaburzone przez tzw. efekty przenikania (spillover effects)27; wykorzystaliśmy te dane w niniejszych badaniach, aby uzyskać satysfakcjonującą liczbę próbek do progowania statystycznego, jednak należy tego unikać, jeśli to możliwe.

Wykluczyliśmy wszystkie sesje, w których usunięto więcej niż 10% klatek, przy progu 0,5 mm, i zastosowaliśmy parcellację według Craddocka i wsp.34 (dwupoziomowy algorytm korelacji czasowej) w celu wygenerowania regionalnych przebiegów czasowych dla łącznie 299 różnych obszarów mózgu.

Wartość ISFC obliczono oddzielnie dla (1) fragmentów oglądania filmu w sesjach RUN1 oraz RUN2, (2) podczęści stanu spoczynkowego RUN1 oraz uruchomienie2oraz (3) RUN w stanie spoczynku3 nagrania. W głównych prezentowanych wynikach zastosowano długość okna W = 10 TR i porównano je z niższą wartością W = 5 TR. Wielkość kroku była zawsze równa 1 TR. Procedurę bootstrapingu przeprowadzono dla 250 powtórzeń, uwzględniając 6 segmentów sesji w każdej grupie referencyjnej.

Rysunek 1B przedstawia przebiegi czasowe ISFC wygenerowane dla W = 10 TR oraz W = 5 TR dla trzech reprezentatywnych połączeń: połączenie 1 obejmowało lewy obszar płata ciemieniowego dolnego związany z oczekiwaniem poruszających się obiektów (współrzędne MNI: 41,9,32)35 oraz prawy obszar operkularny czołowy powiązany z hamowaniem reakcji (-34,-52,45)36. Ten drugi obszar był również zaangażowany w połączenia 2 i 3, odpowiednio z obszarem zaangażowanym w koordynację sensoryczną (54,6,34)37 oraz obszarem powiązanym z przetwarzaniem znaczenia słów (6,62,9)38.

Porównanie różnych długości okna wykazuje, że przy ustawieniu W = 5 TR wariancja czasowa u badanych jest ogólnie większa zarówno w przypadku segmentu oglądania filmu, jak i stanu spoczynkowego w porównaniu do W = 10 TR, co jest znanym zjawiskiem w analizach okna przesuwnego39. Dla połączenia 1, niezależnie od długości okna, zlokalizowany fragment nagrania podczas oglądania filmu (około 5 s) wykazuje silny, zsynchronizowany wzrost ISFC u wszystkich badanych, który w dużej mierze przekracza zakres wartości przyjętych w przypadku stanu spoczynkowego. Oczekujemy zatem, że dzięki naszej metodzie progowania uda się uchwycić ten fragment czasowy jako istotny przejściowy wzrost ISFC.

W przypadku połączenia 2 obserwujemy podobną dynamikę czasową, jednak dla W = 5 TR wzrost staje się trudniejszy do wyodrębnienia w porównaniu z przebiegami czasowymi w stanie spoczynku, co wynika z większego szumu związanego z metodologią przesuwnego okna. Połączenie 3 odzwierciedla przypadek, w którym nie występuje wyraźna odpowiedź na film, w związku z czym fluktuacje w przebiegach czasowych podczas oglądania filmu i w stanie spoczynku są podobne. Oczekiwanym rezultatem na tym etapie analizy jest mieszanina połączeń wykazujących wyraźne rekonfiguracje indukowane bodźcem oraz połączeń, które nie reagują.

Oś czasu i wykres ilustrujące oglądanie filmu w porównaniu ze stanem spoczynkowym, przedstawiające analizę sFC w czasie.
Rycina 1: Harmonogram akwizycji i przykładowe przebiegi czasowe ISFC. (AFilm oglądany przez badanych zawierał szeroki wachlarz sytuacji społecznych (obrazy przykładowe 1 i 4), wyjaśnienia naukowe z kolorowymi panelami (obrazy przykładowe 2 i 5) oraz krajobrazy (obraz przykładowy 3). Dla każdego badanego zarejestrowano trzy sesje: dwie (RUN1 i URUCHOMIENIE2) obejmowała stymulację filmem (od 5 do 353 s, zaznaczoną na zielono), po której nastąpił okres stanu spoczynku (od 386 do 678 s, zaznaczony na żółto), podczas gdy jedna (RUN3) polegał wyłącznie na rejestracji w stanie spoczynku (czas trwania 310 s, zaznaczony kolorem pomarańczowym). (B) Dla trzech reprezentatywnych połączeń (odpowiednio C1, C2 i C3, zaznaczonych śladami w kolorach ciemnozielony/czerwony, jasnozielony/pomarańczowy i turkusowy/żółty), ewolucja ISFC w czasie podczas oglądania filmu (kolory zimne) lub w stanie spoczynku (kolory ciepłe). Dla W = 10 TR (lewy panel) zmiany ISFC podczas oglądania filmu są wyraźniejsze w porównaniu do W = 5 TR (prawy panel). Każdy ślad odzwierciedla przebieg czasowy ISFC jednej sesji. Rycina ta została częściowo zmodyfikowana na podstawie pracy Bolton et al.25. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 2A przedstawia wyniki po zastosowaniu progu statystycznego dla przebiegów czasowych ISFC w odniesieniu do tych samych trzech połączeń co powyżej. Wartość przebiegu czasowego równa 1 oznacza, że u wszystkich badanych nastąpił taki sam wzrost ISFC w tym samym punkcie czasowym; wartość 0 oznacza, że u żadnego badanego nie wystąpiła istotna zmiana ISFC; wartość -1 reprezentuje synchroniczny spadek ISFC u wszystkich badanych. Podobnie jak wcześniej, porównujemy W = 5 TR i W = 10 TR, a także wyróżniamy dwa przypadki wartości α: α = 0,01% oraz α = 5%.

Zgodnie z powyższymi spostrzeżeniami, krótsza długość okna zmniejsza liczbę wyekstrahowanych istotnych zmian ISFC. Jednak w przypadku połączenia 1, zarówno W = 5 TR, jak i W = 10 TR, wyodrębniają ten sam konkretny moment (t = 55 s) jako wykazujący silny wzrost ISFC. Biorąc pod uwagę opóźnienie hemodynamiczne wynoszące około 5 s, odpowiada to fragmentowi filmu, w którym kolorowe linie rozszerzały się w stronę lalki i gwałtownie zatrzymały tuż przed nią (46-49 s), co jest zgodne z rolą zaangażowanych obszarów w oczekiwaniu na ruchomy obiekt i hamowaniu reakcji35,36.

Przy zwiększeniu α z 0,01% do 5% można zaobserwować znacznie niższą swoistość wykrywanych stanów przejściowych ISFC, co prawdopodobnie obejmuje wiele wyników fałszywie dodatnich i zgodnie z oczekiwaniami wykazuje znacznie mniejszą synchronizację czasową.

Jako kolejny punkt widzenia na dane, Rysunek 2B przedstawia mapy przestrzenne całego mózgu dla istotnych zmian ISFC w czasie t = 5 s. Można zauważyć, że odpowiedź na scenę z filmu wykracza daleko poza opisane tutaj przykładowe połączenia.

Analiza sieci mózgowych; wizualizacja danych EEG; grafy łączności; proces eksperymentalny.
Rysunek 2: Przekroje czasowe i przestrzenne wzorców ISFC. (A) Przebiegi czasowe stanów przejściowych ISFC, uśrednione dla wszystkich badanych, dla trzech reprezentatywnych połączeń (C1, C2 i C3, odpowiednio linie ciemnozielona, jasnozielona i turkusowa). Scena z filmu, która wywoła zmiany ISFC, jest zaznaczona jasnoszarym kolorem i przedstawiona za pomocą przykładowych obrazów. Dla W = 10 TR (lewa kolumna wykresów) zmiany ISFC są wykrywane silniej niż dla W = 5 TR (prawa kolumna wykresów). Dla α = 0,01% (górny rząd wykresów) specyficzność względem lokalnych sygnałów z filmu jest większa niż dla α = 5% (dolny rząd wykresów). Każda linia odzwierciedla przebieg czasowy stanu przejściowego ISFC dla jednej sesji, a dwustronne 95% przedziały ufności są przedstawione jako miara błędu. (B) Dla W = 10 TR i α = 0,01% w t = 55 s (moment szczytowej wartości przejściowej ISFC dla C1) występuje wyraźny, ograniczony przestrzennie wzorzec stanów przejściowych ISFC; dla W = 5 TR i α = 5% połączenia ulegające znaczącej zmianie ISFC w tym czasie są znacznie liczniejsze. Należy zauważyć, że w opisanym przebiegu czasowym przyjmujemy opóźnienie hemodynamiczne wynoszące około 5 s (tj., wartość 5 s odnosi się tutaj do bodźca wideo w 50 s). Rycina ta została częściowo zmodyfikowana na podstawie pracy Bolton i wsp.25. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dyskusja

Na zbiorze danych od zdrowych ochotników wykazaliśmy, że synchroniczne międzyosobnicze wzrosty i spadki FC, czyli przejścia ISFC, odpowiadają czasowo zlokalizowanym wskazówkom w filmie, dostarczając informacji wykraczających poza opis statyczny. Chociaż zastosowanie miar korelacji międzyosobniczej pozwala skupić analizę na funkcjonalnych rekonfiguracjach wywołanych bodźcem, należy mieć świadomość, że ogranicza to wyniki do efektów wspólnych dla badanej populacji: w związku z tym można spodziewać się nadreprezentacji niskopoziomowego przetwarzania sensorycznego w porównaniu z przetwarzaniem czołowym40. Aby obejść to ograniczenie, opracowywane są nowe metody, które posiadają również zdolność do wyodrębniania obszarów najsilniej różniących się między badanymi osobami41.

Kolejne ograniczenie wprowadzonej metodologii wynika z zastosowania okna przesuwnego, ponieważ rozdzielczość czasowa przebiegów przejściowych ISFC jest niższa w porównaniu do podejść analizujących każdą klatkę z osobna15. Jak wykazaliśmy, konieczny jest kompromis między wystarczająco krótką długością okna, aby prawidłowo rozdzielić dynamiczne rekonfiguracje ISFC, a rozmiarem wystarczająco dużym, by uzyskać wiarygodne oszacowania. Dwa krytyczne kroki w naszej procedurze zapewniają, że wyodrębnione stany przejściowe ISFC odzwierciedlają rzeczywiste zmiany w łączności: po pierwsze, filtrowanie górnoprzepustowe regionalnych przebiegów czasowych z wykorzystaniem odwrotności długości okna32; po drugie, wykorzystanie danych ISFC ze stanu spoczynku do wygenerowania odpowiedniego rozkładu zerowego, z identycznymi parametrami akwizycji w porównaniu do danych związanych ze bodźcem. Oczywiście to drugie podejście wymaga dłuższego całkowitego czasu akwizycji, tak aby dane ze stanu spoczynku mogły zostać zebrane dodatkowo do sesji związanych ze bodźcem. Jako alternatywne podejście pozwalające uniknąć dodatkowych pomiarów w stanie spoczynku, oferujemy również możliwość generowania danych z randomizacją fazy bezpośrednio z przebiegów czasowych związanych ze bodźcem, co jest metodą często stosowaną w analizach dynamicznej łączności funkcjonalnej23,24. Dalsza ewaluacja na podzbiorze sesji wykazała, że choć metoda rozkładu zerowego dla stanu spoczynku jest bardziej konserwatywna i tym samym mniej podatna na wyniki fałszywie dodatnie, globalne wzorce detekcji odchyleń ISFC były podobne w obu schematach (patrz. Supplementary Figure 5).

Grafy zerowe stanu spoczynkowego i randomizacji faz; analiza częstotliwości współwystępowania impulsów w stosunku do konektorów.
Rysunek dodatkowy 5: Wykrywanie odchyleń ISFC w różnych metodach generowania danych null. W przypadku metod generowania danych zerowych dla stanu spoczynku (lewa kolumna, wykresy niebieskie) lub randomizacji fazy (prawa kolumna, wykresy czerwone), przedstawiono procent wyekstrahowanych ekscursji ISFC we wszystkich połączeniach. Dolne wykresy stanowią powiększenie połączeń wychodzących z trzech pierwszych rozważanych obszarów mózgu. Błąd reprezentuje odchylenie standardowe pomiędzy badanymi. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.

Czas trwania akwizycji w stanie spoczynku wiąże się w rzeczywistości z krytycznym parametrem analiz: wartością α. Jak pokazano powyżej, zbyt liberalny wybór doprowadzi do wystąpienia dużej liczby wyników fałszywie dodatnich w wykrytych przejściowych stanach ISFC. Im większa ilość dostępnych danych w stanie spoczynku, tym bardziej rygorystyczny może być osiągalny poziom wyników fałszywie dodatnich, ponieważ ustalanie progu może opierać się na bardziej ekstremalnych wartościach z rozkładu zerowego. Przykładowo, dla n = 29 obszarów atlasu, jak w tym przypadku, i przy naszej liczbie 5 762 punktów danych w stanie spoczynku, mogliśmy osiągnąć co najwyżej wartość α bliską 0,01% (szczegóły matematyczne znajdują się w kroku 5.2.6).

Kolejnym kluczowym aspektem dotyczącym każdej analizy fMRI jest rygorystyczne usuwanie potencjalnych artefaktów związanych z ruchem z analizowanych danych30,42. W szczególności, jeśli istnieje zamysł zastosowania wprowadzonego schematu analizy w populacjach chorych wykazujących znaczne ruchy w skanerze, zaleca się, aby oprócz uwzględnienia zmiennych ruchu jako współzmiennych w przeprowadzonych analizach statystycznych, wykonano dodatkowe kroki preprocessingu, takie jak odszumianie falkowe (wavelet denoising)43 lub ICA-AROMA4. Porównania grupowe, na przykład w celu porównania stanów przejściowych ISFC między grupą zdrową a chorą, można łatwo przeprowadzić, stosując opisane podejście równolegle dla obu interesujących grup (patrz Bolton et al.25 dla przykładu populacji zdiagnozowanej pod kątem zaburzeń spektrum autyzmu). Niemniej jednak różnica między grupami może wtedy wynikać z dwóch odrębnych uwarunkowań: (1) braku zmian ISFC w jednej grupie lub (2) bardziej heterogenicznej ewolucji w tej grupie. Aby rozdzielić te dwa czynniki, schemat analizy należy uruchomić ponownie dla grupy chorej, wykorzystując zestaw badanych zdrowych jako grupę referencyjną na etapie bootstrappingu. W pierwszym przypadku nadal odnotowano by brak odpowiedzi, podczas gdy w drugim nie.

Poza zakresem opisanym w niniejszej pracy, wprowadzona metodologia otwiera również obiecujące perspektywy na przyszłość: z punktu widzenia analitycznego, przejściowe mapy ISFC mogą być traktowane jako grafy mózgu, z których można wyprowadzić wskaźniki ilościowe określające konektywność mózgową45, lub można wyodrębnić dynamiczne stany ISFC za pomocą metod klasteryzacji i ocenić je pod kątem ich charakterystyki przestrzennej i czasowej17,46. Dodatkowo można rozważyć zastosowanie bardziej zaawansowanych narzędzi pomiaru konektywności niż współczynnik korelacji Pearsona, aby ujawnić subtelniejsze aspekty FC47,48.

Z perspektywy eksperymentalnej, zastosowanie naszego schematu do szerszego zestawu paradygmatów stanowi obiecujący kierunek: na przykład, zamiast filmu, który był badany w niniejszej pracy, można by rozważyć wykorzystanie utworu muzycznego49 lub narracji fabularnej13,50 jako bodźca zsynchronizowanego czasowo. Alternatywnie, za pomocą hyperscanningu51, można by nawet badać naturalną komunikację społeczną52,53.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca była częściowo wspierana przez każdą z następujących: Szwajcarską Narodową Fundację Nauki (grant numer 205321_163376 dla DVDV), Fundację Bertarelli (dla TB i DVDV), Centrum Obrazowania Biomedycznego (CIBM) i Narodową Agencję Badań (grant tymczasowy numer 04701 dla ALG). Autorzy chcieliby podziękować Roberto Martuzzi i Giulii Preti za ich wkład w zawartość wideo tej pracy, ponieważ: odpowiednio operator rezonansu magnetycznego i zeskanowany ochotnik.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Freesurfer wersja 6.0Laboratorium Neuroobrazowania Obliczeniowego, Martinos Center for Biomedical Imaging, Boston (MA), USAhttps://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstallZestaw narzędzi kompatybilny z MATLAB, umożliwiający przeprowadzanie różnych etapów przetwarzania, wizualizacji i analiz na danych funkcjonalnego rezonansu magnetycznego
MATLAB_R2017aMathWorkshttps://ch.mathworks.com/downloads/Działająca wersja oprogramowania obliczeniowego MATLAB (należy używać wersji 2014a lub nowszej)
Statystyczne mapowanie parametryczne w wersji 12.0 (SPM12)Wellcome Trust Center for Neuroimaging, University College London, Londyn, Wielka Brytaniahttps://www.fil.ion.ucl.ac.uk/spm/software/spm12/Kompatybilny z MATLAB zestaw narzędzi umożliwiający wykonywanie analiz statystycznych na danych funkcjonalnego rezonansu magnetycznego
Skaner MRI Tim-Trio 3 TSiemenshttps://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-timSkaner rezonansu magnetycznego, w którym badani rejestrują swoją funkcjonalną aktywność mózgu (przy 3 T)

Bibliografia

  1. Friston, K. J. Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping. 2 (1-2), 56-78 (1994).
  2. Gonzales-Castillo, J., et al. Tracking ongoing cognition in individuals using brief, whole-brain functional connectivity patterns. Proceedings of the National Academy of Sciences U.S.A. 112 (28), 8762-8767 (2015).
  3. Peltz, E., et al. Functional connectivity of the human insular cortex during noxious and innocuous thermal stimulation. Neuroimage. 54 (2), 1324-1335 (2011).
  4. Shirer, W. R., Ryali, S., Rykhlevskaia, E., Menon, V., Greicius, M. D. Decoding subject-driven cognitive states with whole-brain connectivity patterns. Cerebral Cortex. 22 (1), 158-165 (2012).
  5. Hasson, U., Nir, Y., Levy, I., Fuhrmann, G., Malach, R. Intersubject Synchronization of Cortical Activity During Natural Vision. Science. 303 (5664), 1634-1640 (2004).
  6. Hasson, U., Furman, O., Clark, D., Dudai, Y., Davachi, L. Enhanced Intersubject Correlations during Movie Viewing Correlate with Successful Episodic Encoding. Neuron. 57 (3), 452-462 (2008).
  7. Hasson, U., Yang, E., Vallines, I., Heeger, D. J., Rubin, N. A Hierarchy of Temporal Receptive Windows in Human Cortex. Journal of Neuroscience. 28 (10), 2539-2550 (2008).
  8. Jääskeläinen, I. P., et al. Inter-Subject Synchronization of Prefrontal Cortex Hemodynamic Activity During Natural Viewing. The Open Neuroimaging Journal. 2, 14(2008).
  9. Wilson, S. M., Molnar-Szakacs, I., Iacoboni, M. Beyond Superior Temporal Cortex: Intersubject Correlations in Narrative Speech Comprehension. Cerebral Cortex. 18 (1), 230-242 (2008).
  10. Hasson, U., et al. Shared and idiosyncratic cortical activation patterns in autism revealed under continuous real-life viewing conditions. Autism Research. 2 (4), 220-231 (2009).
  11. Salmi, J., et al. The brains of high functioning autistic individuals do not synchronize with those of others. NeuroImage: Clinical. 3, 489-497 (2013).
  12. Mantini, D., et al. Interspecies activity correlations reveal functional correspondence between monkey and human brain areas. Nature Methods. 9 (3), 277(2012).
  13. Simony, E., et al. Dynamic reconfiguration of the default mode network during narrative comprehension. Nature Communications. 7, 12141(2016).
  14. Hutchison, R. M., et al. Dynamic functional connectivity: promise, issues, and interpretations. Neuroimage. 80, 360-378 (2013).
  15. Preti, M. G., Bolton, T. A. W., Van De Ville, D. The dynamic functional connectome: state-of-the-art and perspectives. Neuroimage. 160, 41-54 (2017).
  16. Gonzalez-Castillo, J., Bandettini, P. A. Task-based dynamic functional connectivity: Recent findings and open questions. Neuroimage. 180, 526-533 (2018).
  17. Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. 24 (3), 663-676 (2014).
  18. Sakoğlu, Ü, et al. A method for evaluating dynamic functional network connectivity and task-modulation: application to schizophrenia. Magnetic Resonance Materials in Physics, Biology and Medicine. 23 (5-6), 351-366 (2010).
  19. Douw, L., Wakeman, D., Tanaka, N., Liu, H. State-dependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility. Neuroscience. 339, 12-21 (2016).
  20. Mooneyham, B. W., et al. States of mind: characterizing the neural bases of focus and mind-wandering through dynamic functional connectivity. Journal of Cognitive Neuroscience. 29 (3), 495-506 (2017).
  21. Kim, D., Kay, K., Shulman, G. L., Corbetta, M. A New Modular Brain Organization of the BOLD Signal during Natural Vision. Cerebral Cortex. 28 (9), 3065-3081 (2018).
  22. Lynch, L. K., et al. Task-Evoked Functional Connectivity Does Not Explain Functional Connectivity Differences Between Rest and Task Conditions. Human Brain Mapping. 39, 4939-4948 (2018).
  23. Betzel, R. F., Fukushima, M., He, Y., Zuo, X. N., Sporns, O. Dynamic fluctuations coincide with periods of high and low modularity in resting-state functional brain networks. Neuroimage. 127, 287-297 (2016).
  24. Hindriks, R., et al. Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? Neuroimage. , 242-256 (2016).
  25. Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Brain dynamics in ASD during movie-watching show idiosyncratic functional integration and segregation. Human Brain Mapping. 39 (6), 2391-2404 (2018).
  26. Jochaut, D., et al. Atypical coordination of cortical oscillations in response to speech in autism. Frontiers in Human Neuroscience. 9, 171(2015).
  27. Dodero, L., Sona, D., Meskaldji, D. E., Murino, V., Van De Ville, D. Traces of human functional activity: Moment-to-moment fluctuations in fMRI data. Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium. , 1307-1310 (2016).
  28. Fischl, B. Freesurfer. Neuroimage. 62 (2), 774-781 (2012).
  29. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13(2010).
  30. Power, J. D., et al. Methods to detect, characterize, and remove motion artifact in resting state fMRI. Neuroimage. 84, 320-341 (2014).
  31. Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggaer, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59 (3), 2142-2154 (2012).
  32. Leonardi, N., Van De Ville, D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage. 104, 430-436 (2015).
  33. Byrge, L., Dubois, J., Tyszka, J. M., Adolphs, R., Kennedy, D. P. Idiosyncratic brain activation patterns are associated with poor social comprehension in autism. Journal of Neuroscience. 35 (14), 5837-5850 (2015).
  34. Craddock, R. C., James, G. A., Holtzheimer, P. E. III, Hu, X. P., Mayberg, H. S. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human Brain Mapping. 33 (8), 1914-1928 (2012).
  35. Shulman, G. L., et al. Areas involved in encoding and applying directional expectations to moving objects. Journal of Neuroscience. 19 (21), 9480-9496 (1999).
  36. Sebastian, A., et al. Disentangling common and specific neural subprocesses of response inhibition. Neuroimage. 64, 601-615 (2013).
  37. Oullier, O., Jantzen, K. J., Steinberg, F. L., Kelso, J. A. S. Neural substrates of real and imagined sensorimotor coordination. Cerebral Cortex. 15 (7), 975-985 (2004).
  38. Chan, A. H., et al. Neural systems for word meaning modulated by semantic ambiguity. Neuroimage. 22 (3), 1128-1133 (2004).
  39. Lindquist, M. A., Xu, Y., Nebel, M. B., Caffo, B. S. Evaluating dynamic bivariate correlations in resting-state fMRI: A comparison study and a new approach. Neuroimage. 101 (1), 531-546 (2014).
  40. Ren, Y., Nguyen, V. T., Guo, L., Guo, C. C. Inter-subject functional correlation reveal a hierarchical organization of extrinsic and intrinsic systems in the brain. Scientific Reports. 7 (1), 10876(2017).
  41. Kauppi, J. P., Pajula, J., Niemi, J., Hari, R., Tohka, J. Functional brain segmentation using inter-subject correlation in fMRI. Human Brain Mapping. 38 (5), 2643-2665 (2017).
  42. Van Dijk, K. R., Sabuncu, M. R., Buckner, R. L. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage. 59 (1), 431-438 (2012).
  43. Patel, A. X., et al. A wavelet method for modeling and despiking motion artifacts from resting-state fMRI time series. Neuroimage. 95, 287-304 (2014).
  44. Pruim, R. H., et al. ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage. , 267-277 (2015).
  45. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  46. Damaraju, E., et al. Dynamic functional connectivity analysis reveals transient states of dysconnectivity in schizophrenia. NeuroImage: Clinical. 5, 298-308 (2014).
  47. Smith, S., et al. Network modelling methods for FMRI. Neuroimage. 54 (2), 875-891 (2011).
  48. Meskaldji, D. E., et al. Prediction of long-term memory scores in MCI based on resting-state fMRI. NeuroImage: Clinical. 12, 785-795 (2016).
  49. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  50. Huth, A. G., de Heer, W. A., Friffiths, T. L., Theunissen, F. E., Gallant, J. L. Natural speech reveals the semantic maps that tile human cerebral cortex. Nature. 532 (7600), 453(2016).
  51. Montague, P. R., et al. Hyperscanning: simultaneous fMRI during linked social interactions. Neuroimage. 16, 1159-1164 (2002).
  52. Bilek, E., et al. Information flow between interacting human brains: Identification, validation, and relationship to social expertise. Proceedings of the National Academy of Sciences U.S.A. 112 (16), 5207-5212 (2015).
  53. Kinreich, S., Djalovski, A., Kraus, L., Louzoun, Y., Feldman, R. Brain-to-brain synchrony during naturalistic social interactions. Scientific Reports. 7 (1), 17060(2017).

Przedruki i uprawnienia

Tagi

Analiza przesuwanego oknafunkcjonalny rezonans magnetycznykorelacja mi dzyosobniczaproces progowaniastymulacja naturalistycznagraficzny interfejs u ytkownikaanaliza bootstrapfMRI w stanie spoczynku
Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.