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

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 zadania^2,3,4.

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 poznawczych^6,7,8^,9 i zaburzeń mózgu^10,11. 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 czasowym^17,18, ujawniając dodatkowe informacje w kontekście zadań behawioralnych^19,20.

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 właściwościami^21,22.

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 dyskutowana^23,24, 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 danych^25,26.

Protokół

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

1. Wstępne obrazowanie

1. Weź udział w badaniu w populacji uczestników, uzyskując pisemną, świadomą zgodę na wszystkie z nich. Zwróć się o zgodę do lokalnej komisji etyki.
2. Wybierz paradygmat do zbadania, który można zastosować do wszystkich przedmiotów w sposób ograniczony czasowo.
   nuta: W tym przypadku wykorzystaliśmy audiowizualny dokument naukowy dla młodzieży (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. Obrazowanie

1. Dla każdego uczestnika, który ma być brany pod uwagę w analizach, należy wykonać co najmniej jedną sesję obrazowania funkcjonalnego, w której skanowany ochotnik jest poddawany interesującemu go paradygmatowi czasowemu.
   1. Użyj skanera MRI o mocy 3 Tesli, aby uzyskać poprzeczne warstwy za pomocą sekwencji obrazowania echopłaszczyznowego.
   2. Zastosuj następujące parametry obrazowania: rozmiar woksela = 3 mm x 3 mm x 3 mm, czas powtarzania (TR) = 2 s, czas echa = 50 ms, pole widzenia = 192, 40 warstw.
      nuta: Zachęca się do szybszego osiągania wartości TR w zakresie wykonalności. Protokół może być również stosowany przy bardziej ograniczonym polu widzenia (np. do analiz ograniczonych do określonej podstruktury mózgu), co umożliwiłoby lepszą rozdzielczość czasową (niższy TR) lub bardziej precyzyjną analizę przestrzenną.
   3. Pozostaw kilka sekund nagrania (≥ 2 TR) przed i po prezentacji bodźca.
2. Wykonaj co najmniej jedną oddzielną sesję obrazowania funkcjonalnego, podczas której zeskanowany ochotnik leży w spoczynku w skanerze z zamkniętymi oczami i jest poinstruowany, aby nie zasypiać.
   nuta: Oddzielne akwizycje związane z bodźcem i stanem spoczynku zapobiegają możliwym w inny sposób wzajemnym oddziaływaniom między warunkami (np. wcześniejsze obejrzenie filmu może pozostawić trwały ślad do później nabytego nagrania stanu spoczynku)²⁷. Jeśli nie jest pożądane przechodzenie przez wyżej wymienione dodatkowe akwizycje stanu spoczynku, alternatywna (choć bardziej podatna na wykrywanie fałszywych alarmów; patrz Dyskusja) opcja obliczeniowa w potoku zastępuje te dane zastępczymi kursami czasu obliczonymi na podstawie sygnałów związanych z paradygmatem (patrz krok 5.1.2).
3. Wykonaj obrazowanie strukturalne.
   1. Użyj skanera MRI o mocy 3 Tesli i sekwencji echa gradientu szybkiej akwizycji przygotowanej przez T1 zależnej od namagnesowania.
   2. Zastosuj następujące parametry obrazowania: rozmiar woksela = 1 mm x 1 mm x 1 mm, pole widzenia = 256, 176 warstw.

3. Przygotowanie danych i oprogramowania

1. Dla każdej sesji do przeanalizowania upewnij się, że istnieją następujące pliki danych:
   1. Zestaw funkcjonalnych objętości MRI, występujących jako oddzielne pliki 3D NIFTI lub HDR/IMG, ze spójnym schematem numeracji (np. "fMRI_0001", "fMRI_0002" itp.).
   2. Strukturalny obraz MRI T1 w formacie NIFTI lub HDR/IMG.
   3. Atlas zainteresowania przestrzenią Instytutu Neurologicznego w Montrealu (MNI), w formacie NIFTI.
      UWAGA: Przykład wymaganych plików wejściowych jest dostępny dla reprezentatywnego tematu ("S17") wraz z pełnym kodem potoku 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 do statystycznego mapowania parametrycznego (SPM) ze strony firmy https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
4. Otwórz MATLAB (wersja 2017a lub nowsza) i znajdź nowo pobrane foldery "freesurfer" i "spm12". Dla każdego z nich kliknij go prawym przyciskiem myszy i wybierz opcję Dodaj do ścieżki > wybranych folderów i podfolderów.

4. Wstępne przetwarzanie danych

1. W terminalu MATLAB wpisz spm, aby uruchomić menu główne SPM12 i kliknij przycisk fMRI, aby uzyskać dostęp do opcji wstępnego przetwarzania poświęconych danym fMRI. Wykonaj poniższe kroki oddzielnie dla każdej sesji fMRI, aby wstępnie przetworzyć.
   1. Kliknij Realign (Est & Res), a następnie w nowo otwartym oknie Batch Editor kliknij dwukrotnie Data > Session. W nowo otwartym oknie Sesja wybierz wszystkie funkcjonalne obrazy do przetworzenia. Następnie kliknij przycisk Gotowe, a następnie ikonę Uruchom partię w oknie Edytora wsadowego (zielony trójkąt). Poczekaj, aż krok wyrównania zostanie zakończony, jak wskazano w oknie terminala MATLAB.
   2. Kliknij na Coregister (Est & Res), a następnie w nowo otwartym oknie Batch Editor kliknij dwukrotnie na Reference image. W nowo otwartym oknie Obraz referencyjny wybierz średni wolumin funkcjonalny utworzony w następnym kroku, poprzedzony prefiksem "średnia", a następnie kliknij przycisk Gotowe. Następnie kliknij dwukrotnie Obraz źródłowy i w nowo otwartym oknie Obraz źródłowy wybierz obraz T1. Kliknij przycisk Gotowe, a następnie ikonę Uruchom partię w oknie Edytora wsadowego (zielony trójkąt). Poczekaj, aż zakończy się krok korejestracji, jak wskazano w oknie terminala MATLAB.
      UWAGA: Na tym etapie obraz T1 jest nadpisywany, tak aby zaktualizowany obraz leżał w tym samym miejscu, co woluminy funkcjonalne.
   3. Kliknij Segment, a następnie w nowo otwartym oknie Edytora wsadowego kliknij dwukrotnie Woluminy. W nowo otwartym oknie Woluminy wybierz obraz T1 i kliknij przycisk Gotowe. Następnie w oknie Edytor wsadowy kliknij dwukrotnie Pola deformacji i wybierz opcję Odwrotność. Kliknij ikonę Uruchom partię (zielony trójkąt) i poczekaj, aż krok segmentacji zakończy się, jak wskazano w oknie terminala MATLAB.
2. Wpisz JOVE_GUI1 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika przetwarzania wstępnego. Wykonaj następujące kroki dla każdej sesji fMRI, aby przeanalizować.
   1. Kliknij opcję Wprowadź dane fMRI i zaznacz wszystkie wyrównane woluminy funkcjonalne utworzone w kroku 4.1.1 (poprzedzone literą "r"). W przypadku plików IMG/HDR wybierz zarówno wolumin IMG, jak i HDR.
   2. Wprowadź TR danych (w sekundach) w dedykowanym edytowalnym oknie tekstowym.
   3. Kliknij Wprowadź dane T1 i wybierz trzy probabilistyczne objętości typu tkanki utworzone w kroku 4.1.3 (poprzedzone prefiksem "c1", "c2" i "c3").
   4. Kliknij Wprowadź plik ruchu i wybierz plik tekstowy zawierający parametry ruchu z interesującej Cię sesji, utworzony w kroku 4.1.1 i poprzedzony prefiksem "rp".
   5. Wybierz żądany typ przetwarzania wstępnego, czyli czy dane powinny być detrendowane, czy nie (odpowiednio włączając lub wyłączając dedykowany przycisk radiowy) oraz jakie współzmienne powinny zostać regresywizowane (wybierając odpowiednią opcję z dedykowanej listy).
      nuta: Krok regresji jest inspirowany funkcją pochodzącą z przybornika DPARSF²⁹. Sygnały istoty białej i płynu mózgowo-rdzeniowego od poszczególnych osób są uśredniane na wokseli, dla których odpowiednia szablonowa probabilistyczna mapa tkankowa DPARSF wykazała sygnał większy niż 0,99. W naszych analizach przeprowadziliśmy detrendyzację danych i dokonaliśmy regresji przebiegów czasowych istoty białej/płynu mózgowo-rdzeniowego, a także trendów stałych, liniowych i kwadratowych.
   6. Aby wstępnie przetworzyć dane, kliknij Przetwarzanie wstępne i poczekaj, aż w oknie pojawi się ekran. Dane można ponownie przetworzyć w inny sposób, modyfikując opcje i ponownie klikając przycisk Przetwarzanie wstępne.
      nuta: Wykres istoty szarej jest inspirowany reprezentacją sugerowaną przez Power et al.³⁰.
   7. Aby zapisać dane wyjściowe dla kolejnych kroków, kliknij przycisk Zapisz. Aby wyczyścić zawartość okna, kliknij przycisk Wyczyść.

Rysunek uzupełniający 1: Przykładowy zrzut ekranu z pierwszego okna graficznego interfejsu użytkownika przetwarzania wstępnego. Przebiegi czasowe wokseli istoty szarej pod względem wokseli zgodnie z wybranymi opcjami przetwarzania wstępnego (wykres w prawym górnym rogu) oraz współzmienne, które mogą być użyte w przetwarzaniu wstępnym (od góry do dołu: średnie przebiegi czasu płynu mózgowo-rdzeniowego/istoty białej, parametry ruchu translacyjnego i parametry ruchu obrotowego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

3. Wpisz JOVE_GUI2 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika przetwarzania wstępnego. Wykonaj następujące kroki dla każdej sesji fMRI, aby przeanalizować.
   1. Kliknij Wybierz dane i wybierz plik danych zapisany w kroku 4.2.7 (o nazwie "ISFC_VX.mat").
   2. Kliknij Wybierz ruch i wybierz plik tekstowy zawierający parametry ruchu z interesującej Cię sesji, utworzony w kroku 4.1.1 i poprzedzony prefiksem "rp".
   3. Kliknij Wybierz atlas i wybierz plik NIFTI reprezentujący atlas, który ma zostać wykorzystany do parcelacji.
   4. Kliknij Wybierz odwrócone wypaczenie i wybierz plik NIFTI reprezentujący pole deformacji od MNI do przestrzeni natywnej, utworzony w kroku 4.1.3 i poprzedzony prefiksem "iy".
   5. Kliknij Wybierz wolumin fMRI i wybierz dowolny wolumin danych fMRI.
      nuta: Ten krok umożliwia dostęp do informacji nagłówka danych funkcjonalnych, dlatego faktycznie wybrany wolumin nie jest ważny.
   6. Wprowadź TR danych (w sekundach) w dedykowanym edytowalnym oknie tekstowym.
   Wprowadź informacje związane z przewijaniem: rodzaj przewijania do wykonania (tj. ile klatek do usunięcia przed i po oznaczonych klatkach) na liście "Typ przewijania" oraz wartość progu przesunięcia klatki (kryterium Powera31), powyżej której objętość fMRI powinna zostać przezorowana w edytowalnym oknie tekstowym "Próg przewijania" (w mm).
   
   7. nuta: Interpolacja splajnu sześciennego jest wykonywana na wyczyszczonych punktach danych w celu zastąpienia ich szacunkowymi wartościami z sąsiednich próbek. W naszych analizach przezorowaliśmy jedną klatkę po oznaczonych objętościach, a do szorowania zastosowaliśmy próg 0,5 mm.
4. Wprowadź rozmiar okna przesuwnego W, który ma być używany do obliczeń ISFC (patrz krok 5), w TRs.
   nuta: Ta informacja umożliwi filtrowanie przebiegów czasowych za pomocą funkcji pochodzącej z przybornika DPARSF²⁹, przy f = 1/W Hz³². W naszych analizach wykorzystaliśmy W = 10 TR jako wartość kompromisu, aby uchwycić dynamiczne wahania przy jednoczesnym zachowaniu wystarczającej liczby próbek, aby uzyskać solidne szacunki.
5. Kliknij przycisk Wykres, aby wyświetlić orientacyjne przebiegi czasu atlasowego przed (górny wykres) i po (dolny wykres) krokach czyszczenia i filtrowania. Sprawdzić, poprzez oględziny, czy po wybranych etapach przetwarzania wstępnego te sygnały wyjściowe nie zawierają istotnych elementów artefaktów.
6. Aby zapisać dane wyjściowe dla kolejnych kroków, wprowadź nazwę zapisu w dedykowanym edytowalnym oknie tekstowym i kliknij przycisk Zapisz. Aby wyczyścić zawartość okna, kliknij przycisk Wyczyść.

Rysunek uzupełniający 2: Przykładowy zrzut ekranu z drugiego okna graficznego interfejsu użytkownika przetwarzania wstępnego. Regionalne kursy czasowe po atlasie, przed (górny wykres) i po (dolny wykres) przewijanie i filtrowanie według wybranych parametrów. Każda krzywa przedstawia jeden regionalny przebieg czasowy, losowo wybrany spośród wszystkich dostępnych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

5. Obliczenia ISFC z przesuwnym oknem

1. Wpisz JOVE_GUI3 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika związane z ISFC. Wykonaj następujące kroki oddzielnie dla każdego typu uzyskanego segmentu sesji fMRI (segmenty związane z bodźcem, segmenty stanu spoczynku sesji związanych z bodźcem i segmenty czysto stanu spoczynku).
   1. Kliknij Załaduj dane i wybierz wszystkie odpowiednie pliki danych utworzone w kroku 4.3.
   2. Wybierz, czy wybrane segmenty sesji powinny zostać poddane randomizacji fazowej.
      nuta: Randomizacja fazowa może być stosowana jako alternatywna opcja generowania danych zerowych z sygnałów związanych z bodźcem, jeśli nie są dostępne zapisy stanu spoczynku.
   3. Wprowadź TR danych (w sekundach) w dedykowanym edytowalnym oknie tekstowym.
   4. Wprowadź parametry okna przesuwnego, które mają być używane do analizy w dedykowanych edytowalnych oknach tekstowych: rozmiar okna (w TR), na którym powinny być obliczane pomiary łączności, oraz rozmiar kroku (w TR), o który powinny być przesuwane kolejne okna.
      nuta: W naszych analizach zastosowaliśmy rozmiar okna 10 TR i rozmiar kroku 1 TR.
   5. Zmodyfikuj tabelę "Typy sesji", aby określić, które z załadowanych segmentów sesji zostały uzyskane w tych samych warunkach eksperymentalnych. Używaj rosnących liczb całkowitych od 1 wzwyż, aby oznaczać różne typy segmentów (np. jeśli bodziec został wyświetlony po raz pierwszy, czy po raz drugi w danym nagraniu). Pozostaw tabelę nietkniętą, jeśli pobrano tylko jeden typ segmentu sesji.
      nuta: Sesja w niniejszej pracy może odnosić się zarówno do połączonego nagrania filmu/stanu spoczynku (określanego jako RUN₁ i RUN₂ w Rysunek 1A), jak i do nagrania w stanie spoczynku (RUN₃). Segment sesji odnosi się do podfragmentu nagrania sesji, kiedy film był oglądany lub gdy badani leżeli w spoczynku. Powyższe informacje są wykorzystywane w opisanych później obliczeniach ISFC (patrz krok 5.1.8) w celu ograniczenia mylącego wpływu różnych typów segmentów sesji.
   6. Wprowadź parametry związane z bootstrappingiem w dedykowanych edytowalnych oknach tekstowych: liczbę fałd bootstrappingu, na których mają być wykonywane obliczenia ISFC, oraz liczbę tematów, które powinny stanowić grupę odniesienia dla każdej fałdy obliczeń ISFC.
      nuta: W naszych analizach wykorzystaliśmy 250 fałd bootstrappingowych, a do grupy referencyjnej przyporządkowano 6 osób.
   7. Wprowadź specyfikacje dotyczące tego, która część przebiegów czasowych powinna być analizowana w sekcji Parametry czasowe, w dedykowanych edytowalnych oknach tekstowych. Należy podać indeks początkowy i indeks końcowy (w TR). Aby przeanalizować cały czas trwania nagrania, użyj 1 jako indeksu początkowego i liczby próbek jako indeksu końcowego.
   8. Kliknij przycisk Wykres, aby wykonać obliczenia ISFC. Wyświetlacze są stopniowo aktualizowane w miarę upływu czasu, wraz z liczbą zagięć bootstrapping, które upłynęły. Dla pary regionów (i,j) i indeksu okna przesuwnego τ ISFC oblicza się jako średnią korelacji krzyżowych między segmentem sesji s a wszystkimi segmentami sesji z grupy odniesienia, w obrębie okna przesuwnego o długości W; oznaczyć tę grupę odniesienia przez Ψ, jej liczbę badanych przez N_Ψ i niech x_i^[s](t) przebieg czasowy regionu i dla segmentu sesji s w czasie t; oszacowanie ISFC jest następnie podawane przez:
      
      Pomiary ISFC są obliczane na podstawie określonej liczby zagięć bootstrap i z wybraną liczbą segmentów sesji używanych jako grupa referencyjna przy każdym zagięciu (patrz krok 5.1.6). Jeśli uwzględnionych jest kilka podtypów segmentów sesji, grupa odniesienia zawsze składa się z mieszaniny próbek podtypów. Końcowym wynikiem dla każdego segmentu sesji jest średnia ISFC ze wszystkich fałd, w których nie został on uwzględniony jako pomiar referencyjny.
      nuta: Grupa odniesienia to zbiór segmentów sesji, do których porównywane są funkcjonalne przebiegi czasowe segmentów sesji na każdym etapie procesu bootstrapowania. Aby wyniki były bardziej odporne na wartości odstające, ISFC jest obliczany wielokrotnie na innej grupie odniesienia (tj. innym podzbiorze segmentów sesji). Co ważne, czas akwizycji t nie jest zgodny z indeksem okna przesuwnego τ, ponieważ ten ostatni jest obliczany na zestawie punktów danych W i opiera się na rozmiarze kroku okna dla kolejnych oszacowań. Proces bootstrapowania został zainspirowany poprzednim badaniem przeprowadzonym przez Byrge et al.³³.
   9. Aby zapisać dane wyjściowe dla kolejnych kroków, wprowadź nazwę zapisu w dedykowanym edytowalnym oknie tekstowym i kliknij przycisk Zapisz. Aby wyczyścić zawartość okna, kliknij przycisk Wyczyść.

Rysunek uzupełniający 3: Przykładowy zrzut ekranu z pierwszego okna graficznego interfejsu użytkownika związanego z ISFC. (Górna działka) Schematyczne przedstawienie tego, jak często w każdej rozważanej sesji obliczane są pomiary ISFC (tj. nie jest ona wybierana w ramach grupy odniesienia). (Dolna działka) Jeśli chodzi o orientacyjny temat, kursy czasu ISFC obliczono dla pięćdziesięciu przykładowych połączeń, wybranych jako te, które wykazują największe zsumowane bezwzględne wartości ISFC w czasie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

2. Wpisz JOVE_GUI4 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika związane z ISFC.
   1. Kliknij Załaduj dane ISFC i wybierz plik(i) wyjściowy(e) ISFC związany z bodźcem utworzony w kroku 5.1.
   2. Kliknij Załaduj dane zerowe i wybierz, w zależności od użytego schematu generowania danych zerowych, albo ISFC w stanie spoczynku, albo plik(i) wyjściowy(e) ISFC związany z randomizowanym bodźcem fazowym utworzony w kroku 5.1.
   3. Kliknij Załaduj książkę kodową i wybierz plik książki kodowej utworzony w kroku 4.3.
   4. Wprowadź TR danych (w sekundach) w dedykowanym edytowalnym oknie tekstowym.
   5. Wprowadź parametry okna przesuwnego używane w obliczeniach kroku 5.1 (rozmiar okna i rozmiar kroku, w TR) w dedykowanych edytowalnych oknach tekstowych.
   6. Wprowadź (w procentach) wartość α, przy której powinny być ograniczone kursy czasowe ISFC, aby podkreślić znaczące zmiany w dedykowanym oknie edytowalnego tekstu.
      nuta: W tym miejscu i w innych miejscach, odwołując się do wartości α wynoszącej 2,5%, oznacza to, że istotność jest osiągana, gdy wartość jest niższa niż 2,5 percentyla lub większa niż 97,5^percentyl danych zerowych. W naszych analizach mieliśmy do dyspozycji 5 762 punkty danych o stanie spoczynku i wybraliśmy wartość α ^10-4. Oznacza to, że chcieliśmy, aby 0,01% próbek danych było większe lub równe wybranym progom, po przekroczeniu których odchylenie ISFC byłoby uznane za znaczące. Dla celów porównawczych, poziom α wymagany przez poprawkę Bonferroniego wynosiłby 0,05/44,551 = 1,12 x ^10-6, a najbardziej rygorystyczny możliwy poziom α włączony przy naszej ilości danych (n próbek) to .
   7. Kliknij przycisk Wykres, aby przeprowadzić proces progowania ISFC, w którym wszystkie dostępne pomiary zerowego ISFC są agregowane, dla danego połączenia, w celu skonstruowania rozkładu zerowego, po którym pomiary ISFC związane z bodźcem są progowane zgodnie z wybraną wartością α. Punkty czasowe, w których wartość ISFC związana z bodźcem statystycznie znacznie przekracza rozkład zerowy, są oznaczone odpowiednio jako -1/+1 dla znaczących spadków i wzrostów ISFC.
      nuta: Proces progowania czerpie inspirację z dynamicznych prac FC w stanie spoczynku Betzela i wsp.²³.
   8. Aby zobrazować wzorce przestrzenne ISFC w różnych punktach czasowych, przeciągnij suwak poniżej wykresu wycieczki ISFC.

Rysunek uzupełniający 4: Przykładowy zrzut ekranu z drugiego okna graficznego interfejsu użytkownika związanego z ISFC. (Wykres w lewym górnym rogu) Jeśli chodzi o temat orientacyjny, kursy czasowe ISFC obliczone dla trzech przykładowych połączeń, wybranych jako te, które wykazują największą liczbę znaczących wycieczek ISFC i wyświetlane z powiązanymi z nimi obliczonymi progami istotności (linie poziome). (Lewy dolny wykres) W przypadku tych samych połączeń, powiązane kursy czasu wycieczki były uśrednione dla wszystkich badanych, z dwustronnymi 95% przedziałami ufności wyświetlanymi jako miara błędu. (Prawy wykres) Przestrzenny wzorzec ISFC (uśrednione wyloty ISFC między obiektami) dla wybranego punktu czasowego wskazanego pionową czarną linią na ISFC i wykresach wycieczkowych. Pozytywne wycieczki ISFC są pokazane na żółto, a negatywne na różowo. Rozmiar i kod kolorystyczny węzłów są proporcjonalne do ich stopnia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Wyniki

Tutaj wzięliśmy pod uwagę n = 15 typowo rozwijających się (TD) osób, dla których uzyskaliśmy pisemną, świadomą zgodę. Wszyscy byli praworęcznymi mężczyznami (23,42 ± 7,8 lat). Wybrany paradygmat to audiowizualny dokument naukowy dla młodzieży na temat zagrożeń związanych z ekspozycją na słońce. Zawiera szeroki wachlarz bodźców wizualnych, słuchowych i społecznych i można go oglądać w https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Przeprowadziliśmy dwie sesje na każdy temat (RUN₁ i RUN₂), w których oceniany film był wyświetlany od 5 do 353 s (czas trwania 5,8 min). Nastąpił również segment w stanie spoczynku od 386 do 678 s (czas trwania 4,9 min). Ponadto dla każdego badanego (z wyłączeniem jednego, który cierpiał na klaustrofobię) przeprowadzono jedną sesję w stanie spoczynku (RUN₃), trwającą 310 s (5,2 min). Przykładowe sceny filmowe i czas pozyskania danych są podsumowane w Rysunek 1A. Co ważne, protokół akwizycji nie był optymalny w tym sensie, że nagrania w stanie spoczynku uzyskane tuż po ekspozycji filmu mogą być częściowo uszkodzone przez efekty rozlewania się²⁷; Wykorzystujemy te dane w obecnych wynikach, aby uzyskać satysfakcjonującą liczbę próbek do progowania statystycznego, ale należy tego unikać, gdy tylko jest to możliwe.

Wykluczyliśmy wszystkie sesje, dla których więcej niż 10% ramek zostało usuniętych, przy progu 0,5 mm, i rozważyliśmy parcelację z Craddock et al.³⁴ (dwupoziomowy algorytm korelacji czasowej) w celu wygenerowania regionalnych kursów czasowych, dla łącznie 299 różnych regionów mózgu.

ISFC został obliczony oddzielnie na (1) podczęściach RUN1 i RUN₂ do oglądania filmów, (2) podczęściach RUN₁ i RUN₂ w stanie spoczynku oraz (3) nagraniach RUN₃ w stanie spoczynku. Dla głównych prezentowanych wyników zastosowaliśmy długość okna W = 10 TR i porównaliśmy je z niższą wartością W = 5 TR. Wielkość kroku zawsze pozostawała równa 1 TR. Bootstrapping przeprowadzono ponad 250 razy, w tym 6 segmentów sesji w każdej grupie odniesienia.

Rysunek 1B przedstawia przebiegi czasowe ISFC wygenerowane przy W = 10 TR i W = 5 TR dla trzech różnych reprezentatywnych połączeń: połączenie 1 obejmowało lewy dolny obszar ciemieniowy związany z oczekiwaniem poruszających się obiektów (współrzędne MNI: 41,9,32)³⁵, oraz prawy obszar wieczko czołowy związany z hamowaniem odpowiedzi (-34,-52,45)³⁶. Ten ostatni region był również związany z połączeniami 2 i 3, odpowiednio z obszarem związanym z koordynacją sensoryczną (54,6,34)³⁷, i jednym związanym z przetwarzaniem znaczenia słów (6,62,9)³⁸.

Porównanie długości okien pokazuje, że w ustawieniu W = 5 TR, wariancja czasowa u badanych jest ogólnie większa zarówno w przypadku oglądania filmów, jak i w segmencie stanu spoczynku, w porównaniu do W = 10 TR, zjawisko znane w analizach z przesuwanym oknem³⁹. Dla połączenia 1, niezależnie od długości okna, zlokalizowana część nagrania oglądania filmu (około 55 s) pokazuje silny, zsynchronizowany wzrost ISFC u badanych, który znacznie przekracza zakres wartości przyjętych w przypadku stanu spoczynku. W związku z tym spodziewamy się, że za pomocą naszej metody progowania uchwycimy tę podczęść czasową jako znaczący stan przejściowy ISFC.

Dla połączenia 2 obserwujemy podobną dynamikę czasową, ale dla W = 5 TR wzrost staje się trudniejszy do rozplątania w porównaniu do przebiegów czasowych w stanie spoczynku, ze względu na większy szum związany z metodologią przesuwanego okna. Jeśli chodzi o połączenie 3, odzwierciedla ono przypadek, w którym nie ma wyraźnej reakcji na film, a zatem fluktuacje od przebiegu czasu oglądania filmu i stanu spoczynku są podobne. Oczekiwanym wynikiem na tym etapie analitycznym jest mieszanka połączeń, które wykazują wyraźne rekonfiguracje wywołane bodźcem, i połączeń, które nie reagują.

Rysunek 1: Czas akwizycji i przykładowe kursy czasowe ISFC. (A) Film oglądany przez badanych obejmował szeroki wachlarz sytuacji społecznych (przykładowe obrazy 1 i 4), wyjaśnienia naukowe z kolorowymi panelami (przykładowe obrazy 2 i 5) oraz krajobrazy (przykładowe zdjęcia 3). Na każdego uczestnika przypadły trzy sesje: dwie (RUN₁ i RUN₂) obejmowały stymulację filmową (od 5 do 353 s, podświetloną na zielono), po której nastąpił okres spoczynku (od 386 do 678 s, pokazany na żółto), podczas gdy jedna (RUN₃) składała się wyłącznie z nagrania w stanie spoczynku (czas trwania 310 s, wyświetlany na pomarańczowo). (B) Dla trzech orientacyjnych połączeń (C1, C2 i C3, odpowiednio ciemnozielony/czerwony, jasnozielony/pomarańczowy i turkusowy/żółty), ewolucja ISFC w czasie podczas oglądania filmów (kolory zimne) lub w stanie spoczynku (kolory gorące). Dla W = 10 TR (lewy panel) zmiany ISFC podczas oglądania filmów bardziej wyróżniają się w porównaniu z W = 5 TR (prawy panel). Każdy ślad odzwierciedla przebieg czasowy ISFC jednej sesji. Ten rysunek został częściowo zmodyfikowany z Bolton et al.²⁵. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2A wyświetla wyniki po statystycznym progowaniu kursów czasowych ISFC, dla tych samych trzech połączeń, co powyżej. Wartość kursu czasowego równa 1 oznacza, że wszyscy badani przeszli ten sam wzrost ISFC w tym samym punkcie czasowym; wartość 0 oznacza, że żaden podmiot nie przeszedł znaczącej zmiany ISFC; wartość -1 oznacza synchroniczny spadek ISFC u wszystkich badanych. Tak jak poprzednio, porównujemy W = 5 TR i W = 10 TR, a także wyróżniamy dwa przypadki o wartości α: α = 0,01% i α = 5%.

Zgodnie z powyższymi obserwacjami, mniejsza długość okna zmniejsza ilość wyodrębnionych znaczących zmian ISFC. Dla połączenia 1 zarówno W = 5 TR, jak i W = 10 TR, jednak wyodrębnij ten sam konkretny moment (t = 55 s), który wykazuje silny wzrost ISFC. Biorąc pod uwagę opóźnienie hemodynamiczne wynoszące około 5 s, odpowiada to podfragmentowi filmu, w którym kolorowe linie rozciągały się w kierunku lalki i nagle zatrzymywały się tuż przed nią (46-49 s), co pasuje do roli zaangażowanych regionów w oczekiwaniu na ruch obiektu i hamowaniu reakcji^35,36.

Przy zwiększaniu α z 0,01% do 5%, można zaobserwować znacznie niższą swoistość wykrytych stanów przejściowych ISFC, prawdopodobnie zawierających wiele fałszywych alarmów i spodziewanie wykazujących znacznie mniejszą synchronizację czasową.

Jako inna perspektywa, którą można ustawić na danych, Rysunek 2B pokazuje mapy przestrzenne całego mózgu znaczących zmian ISFC przy t = 55 s. Widać, że reakcja na scenę filmową wykracza daleko poza opisane tutaj przykładowe połączenia.

Rysunek 2: Migawki czasowe i przestrzenne wzorców ISFC. (A) Przejściowe kursy czasowe ISFC, uśrednione dla wszystkich badanych, dla trzech orientacyjnych połączeń (C1, C2 i C3, odpowiednio ciemnozielone, jasnozielone i turkusowe ślady). Scena filmowa, która doprowadziła do zmian w ISFC, jest podświetlona na jasnoszary kolor i przedstawiona na przykładowych obrazach. Dla W = 10 TR (lewa kolumna wykresów) zmiany ISFC są silniej wykrywane niż dla W = 5 TR (prawa kolumna wykresów). Dla α = 0,01% (górny rząd wykresów) specyficzność dla zlokalizowanych wskazówek filmowych jest większa niż dla α = 5% (dolny rząd wykresów). Każdy ślad odzwierciedla przebieg czasu przejściowego ISFC jednej sesji, a dwustronne 95% przedziały ufności są wyświetlane jako miara błędu. (B) Dla W = 10 TR i α = 0,01% istnieje zgrabny, ograniczony przestrzenny wzorzec stanów nieustalonych ISFC przy t = 55 s (szczytowa wartość przejściowa ISFC dla C1); dla W = 5 TR i α = 5% połączeń ulegających w tym czasie znaczącej zmianie ISFC jest znacznie więcej. Zauważ, że zakładamy opóźnienie hemodynamiczne około 5 s w opisywanej czasowości (czyli wartość 55 s odnosi się tutaj do bodźca filmowego przy 50 s). Ten rysunek został częściowo zmodyfikowany z Bolton et al.²⁵. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

Na zbiorze danych zdrowych osób wykazaliśmy, w jaki sposób synchroniczne wzrosty i spadki między obiektami w FC, stanach przejściowych ISFC, dopasowują się do czasowo zlokalizowanych wskazówek filmowych, dostarczając informacji, które wykraczają poza statyczny opis. Chociaż zastosowanie miar korelacji międzyobiektowych pozwala skoncentrować analizę na rekonfiguracjach funkcjonalnych sterowanych bodźcem, należy również mieć świadomość, że ogranicza to wyniki do efektów, które są wspólne dla badanej populacji: w związku z tym oczekuje się, że przetwarzanie sensoryczne na niskim poziomie będzie nadreprezentowane w porównaniu z przetwarzaniem frontalnym⁴⁰. Aby obejść to ograniczenie, opracowywane są nowe metody, które mają również zdolność wyodrębniania regionów, które najsilniej różnią się w zależności od obiektu⁴¹.

Kolejne ograniczenie wynikające z wprowadzonej metodologii wynika z aspektu okna przesuwnego, ponieważ rozdzielczość czasowa przebiegów czasu przejściowego ISFC jest obniżona w porównaniu z podejściami klatkowymi¹⁵. Jak wykazaliśmy, potrzebny jest kompromis między wystarczająco niską długością okna, aby prawidłowo rozwiązać dynamiczne rekonfiguracje ISFC, a wystarczająco dużym rozmiarem, aby uzyskać solidne szacunki. Dwa kluczowe kroki w naszych ramach zapewniają, że wyodrębnione stany nieustalone ISFC odzwierciedlają rzeczywiście zachodzące zmiany w łączności: po pierwsze, filtrowanie górnoprzepustowe regionalnych przebiegów czasowych z odwrotnością długości okna³²; po drugie, wykorzystanie danych ISFC w stanie spoczynku do wygenerowania odpowiedniego rozkładu zerowego, o identycznych parametrach akwizycji w porównaniu z danymi związanymi z bodźcem. Oczywiście, to ostatnie wymaga również dłuższego czasu globalnej akwizycji, tak aby dane o stanie spoczynku mogły być zbierane oprócz sesji związanych z bodźcami. Jako alternatywne podejście mające na celu uniknięcie dodatkowych zapisów stanu spoczynku, oferujemy również możliwość generowania danych randomizowanych fazowo bezpośrednio z przebiegów czasowych związanych z bodźcem, podejście często stosowane w dynamicznych analizach łączności funkcjonalnej^23,24. Dalsza ocena podzbioru sesji wykazała, że chociaż metoda zerowa w stanie spoczynku jest bardziej konserwatywna, a tym samym mniej podatna na wyniki fałszywie dodatnie, globalne wzorce wykrywania wychyleń ISFC były podobne w obu schematach (patrz rysunek uzupełniający 5).

Rysunek uzupełniający 5: Wykrywanie odchyleń ISFC w metodach generowania danych zerowych. W przypadku metod generowania danych w stanie spoczynku (lewa kolumna, niebieskie wykresy) lub randomizacji fazowej (prawa kolumna, czerwone wykresy), procent odchyleń ISFC wyodrębnionych przez połączenia. Dolne wykresy są wstawką na połączenia emanujące z pierwszych trzech rozważanych regionów mózgu. Błąd reprezentuje odchylenie standardowe między obiektami. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Czas trwania akwizycji stanu spoczynku odnosi się w rzeczywistości do krytycznego parametru analiz: wartości α. Jak pokazano powyżej, zbyt łagodny wybór doprowadzi do dużej liczby wyników fałszywie dodatnich w wykrytych stanach przejściowych ISFC. Im większa ilość dostępnych danych w stanie spoczynku, tym bardziej rygorystyczna jest osiągalna liczba wyników fałszywie dodatnich, ponieważ progowanie może być oparte na bardziej ekstremalnych wartościach z rozkładu zerowego. Orientacyjnie, dla n = 299 regionów atlasu, jak tutaj i biorąc pod uwagę nasz bilans 5 762 punktów danych stanu spoczynku, możemy w najlepszym razie osiągnąć wartość α bliską 0,01% (szczegóły matematyczne znajdują się w kroku 5.2.6).

Innym kluczowym punktem odnoszącym się do każdej analizy fMRI jest rygorystyczne usuwanie możliwych artefaktów związanych z ruchem z analizowanych danych^30,42. W szczególności, jeśli ktoś chce zastosować wprowadzony potok do chorych populacji wykazujących wyraźny ruch w skanerze, zalecamy, aby oprócz uwzględnienia zmiennych ruchu jako współzmiennych w przeprowadzanych analizach statystycznych, uruchomić dodatkowe etapy przetwarzania wstępnego, takie jak odszumianie falkowe⁴³ lub ICA-AROMA⁴⁴. Porównanie grup, na przykład w celu porównania stanów przejściowych ISFC między grupą zdrową i chorą, można łatwo przeprowadzić, stosując opisane podejście równolegle na obu grupach zainteresowania (patrz Bolton i ^wsp.25 dla przykładu w populacji ze zdiagnozowanymi zaburzeniami ze spektrum autyzmu). Jednak różnica między grupami może powstać w dwóch różnych okolicznościach: (1) brak zmiany ISFC w jednej grupie lub (2) bardziej niejednorodna ewolucja w tej grupie. Aby rozplątać te dwa czynniki, potok powinien zostać ponownie uruchomiony dla grupy chorej, używając zestawu zdrowych uczestników jako grupy odniesienia na etapie rozruchu. W pierwszym przypadku nadal nie otrzymano żadnej odpowiedzi, podczas gdy w drugim przypadku już nie.

Oprócz tego, co opisaliśmy tutaj, wprowadzona metodologia otwiera również obiecujące możliwości na przyszłość: od strony analitycznej mapy stanów przejściowych ISFC mogą być postrzegane jako wykresy mózgu, z których można uzyskać wskaźniki kwantyfikujące łączność mózgową⁴⁵ lub dynamiczne stany ISFC można wyodrębnić za pomocą podejść grupowych i ocenić pod względem ich charakterystyki przestrzennej i czasowej^{17. Lokal mieszkalny 46}. Ponadto można również przewidzieć użycie bardziej wyrafinowanych narzędzi do pomiaru łączności niż współczynnik korelacji Pearsona, aby ujawnić subtelniejsze strony FC^47,48.

Z eksperymentalnego punktu widzenia, zastosowanie naszego potoku do bardziej rozszerzonego zestawu paradygmatów jest obiecującą perspektywą: na przykład, zamiast filmu, jak to tutaj badano, można sobie wyobrazić użycie utworu muzycznego⁴⁹ lub opowieści narracyjnej ^13,50 jako bodźca zamkniętego w czasie. Alternatywnie, można by nawet wyobrazić sobie, że za pomocą hiperskanowania⁵¹ bada naturalistyczną komunikację społeczną^52,53.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Freesurfer wersja 6.0	Laboratorium Neuroobrazowania Obliczeniowego, Martinos Center for Biomedical Imaging, Boston (MA), USA	https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall	Zestaw narzędzi kompatybilny z MATLAB, umożliwiający przeprowadzanie różnych etapów przetwarzania, wizualizacji i analiz na danych funkcjonalnego rezonansu magnetycznego
MATLAB_R2017a	MathWorks	https://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 Brytania	https://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 T	Siemens	https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim	Skaner rezonansu magnetycznego, w którym badani rejestrują swoją funkcjonalną aktywność mózgu (przy 3 T)