Name: Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne (Wideo) | JoVE Journal
Uploaded: 2019-03-21T13:30:00.000+00:00
Duration: 8 min 36 s
Description: Odkryj metodę śledzenia dynamicznej łączności funkcjonalnej mózgu za pomocą fMRI w czasie rzeczywistym. Technika umożliwia wizualizację synchronizacji sygnałów między osobnikami i porównanie populacji zdrowych z chorymi na autyzm lub schizofrenię.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

Autorzy nie mają nic do ujawnienia.

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).
<img alt="Grafy zerowe stanu spoczynkowego i randomizacji faz; analiza częstotliwości współwystępowania impulsów w stosunku do konektorów." src="/files/ftp_upload/59083/59083sfig5.jpg" data-altupdatedat="1788250015000" data-alt="Rycina uzupełniająca 5"> 
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. <a href="https://www.jove.com/files/ftp_upload/59083/59083sfig5large.jpg" target="_blank">Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.</a>
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.

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.

<table><tbody><tr><td>Freesurfer wersja 6.0</td><td>Laboratorium Neuroobrazowania Obliczeniowego, Martinos Center for Biomedical Imaging, Boston (MA), USA</td><td>https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall</td><td>Zestaw narzędzi kompatybilny z MATLAB, umożliwiający przeprowadzanie różnych etapów przetwarzania, wizualizacji i analiz na danych funkcjonalnego rezonansu magnetycznego</td></tr><tr><td>MATLAB_R2017a</td><td>MathWorks</td><td>https://ch.mathworks.com/downloads/</td><td>Działająca wersja oprogramowania obliczeniowego MATLAB (należy używać wersji 2014a lub nowszej)</td></tr><tr><td>Statystyczne mapowanie parametryczne w wersji 12.0 (SPM12)</td><td>Wellcome Trust Center for Neuroimaging, University College London, Londyn, Wielka Brytania</td><td>https://www.fil.ion.ucl.ac.uk/spm/software/spm12/</td> <td>Kompatybilny z MATLAB zestaw narzędzi umożliwiający wykonywanie analiz statystycznych na danych funkcjonalnego rezonansu magnetycznego</td></tr><tr><td>Skaner MRI Tim-Trio 3 T</td><td>Siemens</td><td>https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim</td><td>Skaner rezonansu magnetycznego, w którym badani rejestrują swoją funkcjonalną aktywność mózgu (przy 3 T)</td></tr></tbody></table>

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

Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms

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.

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.
<img alt="Oś czasu i wykres ilustrujące oglądanie filmu w porównaniu ze stanem spoczynkowym, przedstawiające analizę sFC w czasie." class="xfigimg" src="/files/ftp_upload/59083/59083fig1.jpg" data-altupdatedat="1788250015000" data-alt="Rysunek 1"> 
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. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig1large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
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.
<img alt="Analiza sieci mózgowych; wizualizacja danych EEG; grafy łączności; proces eksperymentalny." class="xfigimg" src="/files/ftp_upload/59083/59083fig2.jpg" data-altupdatedat="1788250015000" data-alt="Rysunek 2"> 
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. <a href="https://www.jove.com/files/ftp_upload/59083/59083fig2large.jpg" target="_blank">Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>

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.

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

Task-based functional magnetic resonance imaging bears great potential to understand how our brain reacts to various types of stimulation; however, this ...

Dzięki naszej metodzie można określić i zwizualizować momenty w czasie, w których funkcjonalne interakcje mózgu są zsynchronizowane między badanymi. Główną zaletą naszego podejścia jest jego zdolność do dynamicznego śledzenia zmian w międzyosobniczych funkcjonalnych reakcjach mózgu w statystycznie uzasadniony sposób. Nasz pipeline umożliwia ocenę synchronizacji między sygnałami funkcjonalnymi różnych podmiotów.Można to następnie porównać między różnymi populacjami, takimi jak osoby zdrowe i dotknięte chorobami i zaburzeniami, takimi jak autyzm i schizofrenia. Nasza metoda może przynieść korzyści wszelkim badaniom mającym na celu dynamiczne śledzenie synchronizacji między różnymi zestawami przebiegów czasu. Można to również zastosować do innych metod obrazowania, takich jak elektroencefalografia.Wizualna demonstracja metody pozwoli nowym użytkownikom zrozumieć różne etapy przetwarzania metody, a także funkcjonalność graficznego interfejsu użytkownika. Procedurę obrazowania zademonstruje Roberto Martuzzi, wiodący operator rezonansu magnetycznego w naszym centrum badawczym. Dla każdego ochotnika, który ma być uwzględniony w analizie, należy wykonać co najmniej jedną funkcjonalną sesję obrazowania metodą rezonansu magnetycznego lub fMRI, w której skanowany ochotnik jest poddawany interesującemu go paradygmatowi rejestrowania czasu oraz jedną sesję obrazowania funkcjonalnego, w której skanowany ochotnik leży w spoczynku w skanerze z zamkniętymi oczami i jest instruowany, aby nie zasypiać.Następnie uzyskaj strukturalną objętość MRI. Aby otworzyć pierwsze okno graficznego interfejsu użytkownika preprocessingu, wprowadź JOVE_GUI1 w terminalu MATLAB. Następnie kliknij Wprowadź dane fMRI, wybierz odpowiednie wyrównane objętości funkcjonalne i wprowadź czas powtarzania danych w sekundach w dedykowanym edytowalnym oknie tekstowym.Kliknij przycisk Wprowadź dane T1 i wybierz trzy odpowiednie probabilistyczne objętości typu tkanki. Kliknij przycisk Wprowadź plik ruchu i wybierz plik tekstowy zawierający parametry ruchu z interesującej Cię sesji. Następnie wybierz, czy dane powinny zostać zdetrendowane i które współzmienne powinny zostać cofnięte.Aby wstępnie przetworzyć dane, kliknij przycisk Przetwarzaj wstępnie i poczekaj, aż w oknie pojawi się ekran. Dane można ponownie przetworzyć w inny sposób, modyfikując opcje i ponownie klikając przycisk Przetwarzanie wstępne. Następnie wprowadź JOVE_GUI2 w terminalu MATLAB, aby otworzyć drugie okno graficznego interfejsu użytkownika przetwarzania wstępnego i kliknij wybierz dane, aby wybrać plik wstępnie przetworzonych danych.Kliknij Wybierz atlas i wybierz plik Neuroimaging Informatics Technology Initiative lub NIFTI reprezentujący atlas, który ma zostać użyty do parcelacji. Kliknij opcję Wybierz odwrócone wypaczenie i wybierz plik NIFTI reprezentujący pole deformacji z Instytutu Neurologicznego w Montrealu do przestrzeni natywnej. Następnie kliknij wybierz wolumin fMRI i wybierz dowolny wolumin danych fMRI.Aby wprowadzić informacje związane z przewijaniem, z listy typów przewijania wybierz liczbę klatek, które mają zostać usunięte przed i po oznaczonych klatkach. W oknie tekstowym progu przewijania wprowadź wartość progu przemieszczenia w klatce, powyżej której objętość fMRI powinna być czyszczona w milimetrach. Następnie wprowadź rozmiar przesuwanego okna W, który ma być używany do obliczeń Inter-Subjection Functional Correlation lub ISFC w czasach powtórzeń i kliknij przycisk Drukuj, aby wyświetlić orientacyjne kursy czasu atlasu przed i po krokach przewijania i filtrowania.W przypadku obliczeń ISFC w oknie przesuwanym wprowadź JOVE_GUI3 w terminalu MATLAB, aby otworzyć pierwsze okno graficznego interfejsu użytkownika związane z ISCF i kliknij Załaduj dane, aby wybrać wszystkie odpowiednie pliki danych. Wybierz, czy wybrane segmenty sesji powinny zostać poddane randomizacji fazowej i wprowadź rozmiar okna w czasach powtórzeń, na podstawie których mają być obliczane pomiary łączności, a także rozmiar kroku w czasach powtórzeń, o który należy przesuwać kolejne okna. Zmodyfikuj tabelę typów sesji, aby określić, które z załadowanych segmentów sesji zostały pozyskane w tych samych warunkach eksperymentalnych, przy użyciu rosnących liczb całkowitych od jednego do maksimum, aby oznaczyć różne typy segmentów.W odpowiednich edytowalnych oknach tekstowych wprowadź liczbę fałd bootstrappingowych, na których mają być wykonywane obliczenia ISFC, oraz liczbę podmiotów, które powinny stanowić grupę odniesienia dla każdej fałdy obliczeń ISFC. W sekcji parametrów chronometrażu wprowadź specyfikacje dotyczące tego, która część przebiegów czasowych powinna być analizowana, a następnie kliknij przycisk Wykres, aby wykonać obliczenia ISFC. Wyświetlacze będą stopniowo aktualizowane w miarę upływu czasu wraz z liczbą zagięć bootstrapping, które upłynęły.Aby otworzyć drugie okno graficznego interfejsu użytkownika związane z ISFC, wprowadź JOVE_GUI4 w terminalu MATLAB. Aby wybrać pliki wyjściowe ISFC związane z bodźcami, kliknij opcję Załaduj dane ISFC i wybierz pliki wyjściowe ISFC związane z bodźcem. Aby wybrać pliki wyjściowe ISFC o wartości null, kliknij opcję Załaduj dane o wartości null i wybierz plik wyjściowy ISFC w stanie spoczynku lub pliki wyjściowe ISFC związane z randomizacją fazową, w zależności od użytego schematu generowania danych zerowych.Następnie kliknij Załaduj książkę kodową i wybierz plik książki kodowej. W odpowiednim edytowalnym oknie tekstowym wprowadź wartość alfa w procentach, przy której przebiegi czasowe ISFC powinny być progowe w celu wyróżnienia znaczących zmian. Aby skonstruować rozkład zerowy, kliknij przycisk Kreśl, aby zainicjować proces progowania ISFC, dla którego wszystkie dostępne pomiary ISFC zerowe są agregowane dla danego połączenia, a następnie pomiary ISFC związane z bodźcem zostaną progowane zgodnie z wybraną wartością alfa.Aby zobrazować wzorce przestrzenne ISFC w różnych punktach czasowych, przeciągnij suwak poniżej wykresu wycieczki ISFC. W tych reprezentatywnych sesjach oceniany film był wyświetlany od pięciu do 353 sekund z segmentem stanu spoczynku następującym po filmie od 386 do 678 sekund. Ponadto dla każdego badanego uzyskano jedną 310-sekundową sesję w stanie wyłącznie spoczynku.Przebiegi czasowe ISFC zostały wygenerowane w oknach o długości W 10 i W 5 czasów powtórzeń dla trzech różnych reprezentatywnych połączeń obejmujących region pośredniczący w hamowaniu odpowiedzi i drugi zaangażowany odpowiednio w oczekiwanie poruszających się obiektów, koordynację sensoryczną lub przetwarzanie znaczeń słów. Szum jest większy przy czasach powtórek W 5, a zmiany ISFC z blokadą czasową obserwuje się w połączeniu z jednym i dwoma kursami czasu oglądania filmów. W tym przypadku odsetek osób wykazujących statystycznie istotne stany przejściowe ISFC z blokadą czasową jest pokazany dla tych samych trzech połączeń.Stany nieustalone są liczniejsze przy większych długościach okien, ponieważ bardziej wiarygodne pomiary ISFC ułatwiają ekstrakcję i przy większych wartościach alfa, gdy wykrywanych jest więcej wyników fałszywie dodatnich. W tych reprezentatywnych danych, jeden fragment filmu był zaangażowany w hamowanie odpowiedzi związane z poruszającymi się obiektami i napędzał powszechne zmiany ISFC. Długość okna czasowego nie powinna być ani zbyt krótka, aby można było uzyskać wiarygodne szacunki, ani zbyt długa, aby uchwycić dynamikę ISFC.Należy również użyć wystarczająco rygorystycznej wartości alfa, aby ograniczyć liczbę wyników fałszywie dodatnich. Pomiary ISFC można grupować w całe stany ISFC mózgu w celu specjalnego badania cech czasowych. Znaczące stany przejściowe ISFC można również przedstawić jako wykres odzwierciedlający przepływ informacji.

dynamic-inter-subject-functional-connectivity-reveals-moment-to

Research

JoVE Journal

Neuroscience

Neuronauka

Techniki neuroobrazowania, takie jak funkcjonalny rezonans magnetyczny (fMRI) oraz obrazowanie tensora dyfuzji (DTI), stają się coraz bardziej użyteczne w charakteryzacji deficytów poznawczych i neurologicznych w autyzmie. Przedstawiono badanie łączności mózgowej w autyzmie na poziomie sieci oraz adaptacje procedur skanowania dzieci z zaburzeniami rozwojowymi.

Badanie mózgu w autyzmie z wykorzystaniem fMRI oraz obrazowania tensora dyfuzji

Opisujemy nowatorskie podejście do jednoczesnej analizy funkcji i struktury mózgu z wykorzystaniem obrazowania rezonansem magnetycznym (MRI). Strukturę mózgu oceniamy za pomocą wysokorozdzielczego obrazowania dyfuzyjnego oraz traktografii włókien istoty białej. W przeciwieństwie do standardowego strukturalnego MRI, techniki te pozwalają nam bezpośrednio powiązać łączność anatomiczną z właściwościami funkcjonalnymi sieci mózgowych.

Współanaliza struktury i funkcji mózgu z wykorzystaniem fMRI oraz obrazowania dyfuzyjnego

Ten film przedstawia metodę badania związanych z wiekiem zmian w funkcjonalnej łączności kognitywnych sieci kontrolnych zaangażowanych w wybrane zadania/procesy. Technika ta opiera się na wielowymiarowej analizie danych fMRI.

Metoda badania związanych z wiekiem różnic w funkcjonalnej łączności sieci kontroli poznawczej związanych z wydajnością sortowania kart zmiany wymiarów

Łączność informacyjna mierzy zgodność między przebiegami czasowymi informacji wielowokselowych w różnych regionach mózgu. Szeregi czasowe dyskryminacji wzorców wielowokselowych są wyodrębniane z regionów i porównywane, ujawniając sieci, które nie są identyfikowane w typowym podejściu do łączności funkcjonalnej.

Wykorzystanie łączności informacyjnej do pomiaru synchronicznego pojawiania się informacji o wielu wokselach fMRI w czasie

Ten protokół opisuje uzupełniające techniki neuroobrazowania połączeń strukturalnych w stanie spoczynku, dezaktywacji wywołanej zadaniem i analiz połączeń strukturalnych w celu zbadania domyślnej sieci w zespole stresu pourazowego. Zastosowanie metod synergicznych może potencjalnie prowadzić do poprawy diagnostyki i oceny ciężkości, wyników i innych istotnych czynników klinicznych.

Opracowywanie fenotypów neuroobrazowania sieci trybu domyślnego w PTSD: integracja stanu spoczynku, pamięci roboczej i łączności strukturalnej

Przedstawiono protokół przeprowadzania eksperymentów hiperskanowania fNIRS na diadach wspólnego uczenia się w naturalnym środowisku uczenia się. Ponadto przedstawiono proces analizy synchronizacji międzymózgowej (IBS) sygnałów hemoglobiny natlenionej (Oxy-Hb).

Synchronizacja między mózgami w otwartym uczeniu się opartym na współpracy: badanie fNIRS-Hyperscanning

Dynamika między sprzężonymi mózgami osób jest coraz częściej reprezentowana przez synchronizację między mózgami (IBS), gdy koordynują się one ze sobą, głównie za pomocą jednoczesnego rejestrowania sygnałów mózgów (czyli hiperskanowania) z fNIRS. W badaniach hiperskanowania fNIRS, IBS był powszechnie oceniany za pomocą metody koherencji transformacji falkowej (WTC) ze względu na jej przewagę w rozszerzaniu szeregów czasowych do przestrzeni czasowo-częstotliwościowej, gdzie oscylacje można...

Jak obliczyć i zweryfikować synchronizację między mózgami w badaniu hiperskanowania fNIRS

Ten protokół opisuje częściową koherencję transformacji falkowej (pWTC) do obliczania opóźnionego w czasie wzorca interpersonalnej synchronizacji neuronowej (INS) w celu wywnioskowania kierunku i czasowego wzorca przepływu informacji podczas interakcji społecznych. Skuteczność pWTC w usuwaniu zakłóceń autokorelacji sygnału na INS została udowodniona w dwóch eksperymentach.

Pomiar kierunkowego przepływu informacji w danych fNIRS-Hyperscaning z wykorzystaniem metody częściowej koherencji transformacji falkowej

Ten artykuł przedstawia integracyjne podejście do badania funkcjonalnej sieci do nawigacji przestrzennej w ludzkim mózgu. Podejście to obejmuje wielkoskalową metaanalityczną bazę danych neuroobrazowania, funkcjonalne obrazowanie rezonansu magnetycznego w stanie spoczynku oraz techniki modelowania sieci i teorii grafów.

Modelowanie sieci funkcjonalnej do nawigacji przestrzennej w ludzkim mózgu

Koherencja transformacji falkowej (WTC) to powszechna metodologia oceny sprzężenia między sygnałami, która jest używana w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). W niniejszej pracy przedstawiono zestaw narzędzi do oceny kierunkowości interakcji sygnału.

Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

Akwizycja danych z dynamicznej pozytonowej tomografii emisyjnej (PET) i rekonstrukcja w przedziałach czasowych pozwala na analizę metabolicznej łączności mózgu na poziomie pojedynczego podmiotu. Opisujemy metodę pozyskiwania [18F]FDG dynamicznych danych PET mózgu szczura i uzyskania macierzy połączeń poprzez ekstrakcję krzywych czasowo-aktywnych o interesujących nas objętościach.

Badanie metabolicznych połączeń mózgu za pomocą dynamicznej pozytonowej tomografii emisyjnej 2-deoksy-2-[18F]fluoro-D-glukozy na poziomie pojedynczego obiektu

Odkryj metodę śledzenia dynamicznej łączności funkcjonalnej mózgu za pomocą fMRI w czasie rzeczywistym. Technika umożliwia wizualizację synchronizacji sygnałów między osobnikami i porównanie populacji zdrowych z chorymi na autyzm lub schizofrenię.

Dynamiczna łączność funkcjonalna między obiektami ujawnia konfiguracje sieci mózgowych z chwili na chwilę napędzane przez paradygmaty ciągłe lub komunikacyjne (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów