Summary
סרטון זה מציג שיטה של בחינה הקשורות לגיל שינויים בקישוריות תפקודית של רשתות שליטה קוגניטיבית עוסקות במשימות / תהליכים ממוקדים. הטכניקה מבוססת על ניתוח רב משתנה של נתוני ה-fMRI.
Abstract
היכולת להתאים את ההתנהגות לשינויים פתאומיים בסביבה מתפתחת בהדרגה בילדות ובגיל התבגרות. לדוגמא, במשימת מיון שינוי כרטיס ממדים, המשתתפים לעבור ממיון כרטיסי דרך אחת, כגון צורה, למיונם בצורה שונה, כגון צבע. התאמת התנהגות בדרך זו גובה מחיר קטן ביצועים, או עלות בורר, כך שתגובות הן בדרך כלל איטיות יותר ויותר מועדת לטעויות בניסויי מתג שבו כלל מיון השינויים לעומת לחזור על ניסויים שבו שלטון המיון נשאר אותו הדבר. היכולת להתאים את ההתנהגות גמישה הוא אמר לעתים קרובות לפתח בהדרגה, בין שאר בשל עלויות התנהגותיים כגון עלויות בורר בדרך כלל ירידה עם עלייה בגיל. למה היבטים של הכרה מסדר גבוה, כגון גמישות התנהגותית, לפתח ולכן נשאר שאלה פתוחה בהדרגה. השערה אחת היא שהשינויים הללו מתרחשים בשיתוף עם שינויים תפקודיים ברשתות שליטה קוגניטיבית רחב היקף. על פי השקפה זו,פעולות מנטליות מורכבות, כגון מיתוג, כוללות אינטראקציות מהירים בין כמה אזורים במוח מבוזרים, כוללים אלה שהעדכון ולשמור על כללי משימה, תשומת לב מחדש מזרח, והתנהגויות נבחרות. עם פיתוח, קשרים פונקציונליים בין האזורים אלה לחזק, מה שמובילים למהירים יותר ופעולות מיתוג יעילים יותר. הווידאו הנוכחי מתאר שיטה של בדיקת השערה זו באמצעות ניתוח הגבייה ומשתנה של נתוני ה-fMRI ממשתתפים בגילים שונים.
Introduction
היכולת לווסת התנהגות מתפתחת בהדרגה בילדות ובגיל התבגרות (לסקירה, ראה 1 יהלומים). במשימת מיון שינוי כרטיס ממדים, למשל, משתתפים לעבור ממיון כרטיסי דרך אחת, כגון צורה, למיונם בצורה שונה, כגון צבע 2 (ראה איור 2). מיתוג גובה מחיר קטן ביצועים, או עלות בורר, כך שתגובות הן בדרך כלל איטיות יותר ויותר מועדת לטעויות בניסויי מתג שבו כלל מיון השינויים לעומת לחזור על ניסויים שבו שלטון המיון נשאר זהים 3. סדר הגודל של עלויות אלה בדרך כלל מקבל קטן כמו ילדים מתבגרים 4, הממחיש את העובדה שהיכולת לויסות התנהגותי עוברת המשיכה בפיתוח בשלב מוקדם בחיים.
מכיוון שפעולות מנטליות מורכבות, כגון מיתוג, כוללות אינטראקציות מהירים בין אזורים במוח המרובים 5, יש עניין הולך וגובר בrelating הפיתוח של הכרה מסדר גבוה לשינויים בארגון הפונקציונלי של רשתות בקליפת המוח רחב היקף 6.
גישה אחת לחקירת שינוי התפתחותי ברשתות רחב היקף היא באמצעות השימוש של 6,7 ניתוח קישוריות התפקודי המבוסס על זרעים. הצעד הראשון בטכניקה זו הוא להתייעץ עם ספרות מחקר זמינה ולהגדיר אזורים מראש של ריבית, או ROIs, נראים שכדי להיות רלוונטי להתנהגות בשאלה. ROIs אלה, או צמתים, להגדיר את השלד הבסיסי של הרשת. בשלב הבא, תנודות בתדירות נמוכה בפעילות (או T2 * משוקללת עוצמת אות) בROIs אלה נמדדים ל5-10 דקות ואילו משתתפים הם במנוחה בסורק ה-MRI. קישוריות פונקציונלית בין כל שני צמתים ברשת לאחר מכן לכמת כמתאם של קורסי הזמן שלהם בהתאמה. צמתים שהם מאוד מחוברים מבחינה תפקודית צריכים דומים, ולכן מאוד מתואמים, אותקורסי זמן. מצד השני, בלוטות, כי הם חלשים מחוברים מבחינה תפקודית צריכים שונות ובכך קורלציה חלשה, לאותת קורסי זמן. כדי להשלים את המודל של הרשת, קצוות (או קישורים) נמשכים בין הצמתים קורסים שזמנו לתאם מעל לסף שנבחר. מבחנים להבדלים הקשורים בגיל בקישוריות תפקודית בתוך רשת ניתן לבצע על כל חיבור יחיד צומת לצומת, או על הטופולוגיה של כל הקבוצה של צמתים וקצוות. הבדלים אלה בקישוריות תפקודית אז יכולים להיות קשורים למדדים של תפקוד הקוגניטיבי שנאספו במצב לא מקוון.
במאמר זה, בגישה שונה מתוארת, המבוססת על ניתוח מרכיבים עצמאי קבוצה של נתוני ה-fMRI מבוסס משימת 8. ניתוח עצמאי רכיב (או ICA) הוא הליך סטטיסטי לעיוורון חושף מקורות נסתרים שבבסיס סדרה של תצפיות כך שהמקורות חשפו הנן בלתי תלויים באופן מקסימאלי. פניתי לניתוח של נתוני ה-fMRI, עמ 'rocedure מניח שכל כרך הוא תערובת של מספר סופי של מקורות במרחב עצמאיים. שימוש באחד ממגוון של אלגוריתמים שונים, כגון אלגוריתם infomax, ICA אז מעריך מטריצת unmixing, שכאשר הוא מוחל על הנתונים המקוריים מניבה סט של מקורות עצמאיים מקסימאלי, או רכיבים. כל רכיב יכול להיות מחשבה של כ רשת, ככל שהיא מורכבת מסדרה של voxels שחולקים כמובן זמן משותף. הקבוצה ICA הוא סוג מסוים של יק"א שבמערך משותף של רכיבי קבוצה מוערך ראשון ממערכת הנתונים כולו, ולאחר מכן סטי משתתף ספציפי של רכיבי הקבוצה מחושבים בצעד אחורה, שיקום. ברגע שמערכת הנתונים כולו מפורקת לאוסף של רכיבים, הצעד הבא הוא לבטל רכיבי artifactual המייצגים את מקורות רעש, ולזהות מרכיבים משמעותיים באופן תיאורטי, כי להתכתב עם רשתות של עניין. זו יכולה להיות מושגת גם על ידי קורסי זמן רכיב דוגמנות בהקשר של GLM לIDEntify רשתות המפעילות באופן חזה, מרחבית מקשר רכיבים עם תבנית של רשת של עניין, או שניהם. הקבוצה של רכיבים וכתוצאה מכך לאחר מכן ניתן להגיש להשוואת קבוצה כדי לבחון הבדלים הקשורים לגיל אפשריים בקישוריות תפקודית בתוך רשתות מעניינות באופן תיאורטי 7,9,10.
יש נתונים fMRI המבוססים על משימות לימוד הקשורות לגיל שינויים בקישוריות תפקודית באמצעות היישום של ICA קבוצה למספר יתרונות על פני היישום של טכניקות המבוססים על זרעים לנתוני ה-fMRI-נחה מדינה. ראשית, טכניקות המבוססים על זרעים שלא כמו המתמקדות בקבוצה קטנה של ROIs פריורי מוגדר, הגישה הרשפ"ת קבוצה הנוכחית מנצלת כל voxels הכוללים סדרת נפחית זמן. זה מפחית הזדמנויות להטיה שבהכרח להתעורר כאשר קבוצה קטנה של זרעים שנבחרו מראש כאזורים של עניין. שנית, החלת אנליזה פונקציונלית קישוריות (מבוסס ICA או אחר) למשימהולא נתוני ה-fMRI-נחה מדינה יש את היתרון של שמאפשר ארגון רשת ופונקציית רשת להיות קשור באופן ישיר יותר. אם, למשל, בוחנים את ההשלכות קוגניטיביות או התנהגותיות של קישוריות תפקודית (כגון שינוי בביצועי DCCS) הוא בראש סדר עדיפויות, חשוב להראות שהרשת של עניין קשורה לביצוע משימה. עם פרוטוקולים-מנוחת מדינה, זה קשה מאוד, כי החוקר אין שום תיעוד של כל מצבים קוגניטיביים, התנהגותיים, רגשיים או חוו על ידי המשתתף במהלך רכישת נתונים. לכן זה בלתי אפשרי לספק הוכחה ישירה שכל רשת של עניין היא רלוונטית לביצוע משימה. לעומת זאת, כאשר ניתוח קישוריות פונקציונלי, כגון ICA, מוחל על משימת נתונים, זה אפשרי כדי לוודא שהרשת של ריבית לפחות קשורים לביצועים של משימה. לבסוף, ICA הוא פחות נתון להשפעה השלילית של רעש. מקורות רעש, כגון שנינות הקשורים אלהתנועת נושא שעות וקצב הלב, יש פרופילי מרחב ובזמן ייחודיים. לכן, בהקשר של ICA קבוצה, מקורות אלה מבודדים ומוקצים לרכיבים נפרדים, והשאירו את הרכיבים שנותרו חופשיים יחסית של מקורות לא רצויים אלה של שונות. מכיוון שניתוחים המבוססים על זרעים להשתמש קורסי זמן גלם בהערכה של קישוריות פונקציונלית, וקורסי זמן הם, בהגדרה, תערובות של אות נוירופיזיולוגיות ורעש artifactual, הבדלים בין קבוצות באומדני קישוריות תפקודיות יכולות לשקף את ההבדלים בין קבוצות אמיתיים בנוירופיזיולוגיה בסיסית, הבדלים בין קבוצות ב המבנה של רעש, או שניהם 11.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. לקבל אישור לעבודה עם בני אדם,
2. FMRI רכישת נתונים
- רוכשת את נתוני ה-fMRI בעקבות הליכים מתאימים לילדים צעירים (ראה Raschle, et al. 12). לעשות כל מאמץ כדי להגביל את ההבדלים הקשורים לגיל אפשריים בביצוע משימה ותנועה, כפי שההבדלים אלה להציג את הבלבול לא רצוי המגביל את יכולתו של אדם כדי להסיק מסקנות על הבדלים מבחינה התפתחותית רלוונטיים בהפעלת מוח וקישוריות פונקציונלית.
הערה: בפרוטוקול הנוכחי, גרסה חוזרת ונשנית-ניסויים של DCCS הייתה מנוהלת בצורה של עיצוב בלוק 13. כל סיבוב כולל שני רחובות מתג 8 ניסוי ושני רחובות חוזרים 8-משפט, שבו לוקי מתג מורכבים 4 ניסויים מתג ו4 ניסויים חוזרים, ולוקים חוזרים מורכבים של 8 ניסויים חוזרים. הפרוטוקול מתאים בצורה מושלמת לשימוש עם נתונים fMRI הקשורות לאירוע. עם זאת, עיצובי בלוק נחמדים לעבוד איתי כאשר מקבלים acqu הראשוןainted עם הרשפ"ת, כפי שהוא קל לראות מודולציות משימה בזמן קורסי רכיב. - נתוני preprocess fMRI בעקבות הליכי עיבוד מקדימים fMRI סטנדרטיים.
- ליישר מחדש את כל התמונות פונקציונליות לאותו הכיוון והעמדה. בדרך כלל, הנפח התפקודי הראשון משמש כתמונת התייחסות לכל אמצעי אחסון האחר כדי להיות מיושר.
- Coregister תמונת T1-משוקלל (אנטומי) עם T2 משוקלל * סריקות (פונקציונליות), ולכן ההפעלה שעל גבי זו על המיקום האנטומי הנכון.
- לנרמל את כל התמונות לגודל סטנדרטי, בחלל, ועמדה עם מבחר של מוח תבנית (לדוגמא מרחב Talairach). פעולה זו מסייעת להבטיח שאזורים הומולוגיים מנושאים שונים שמתבצע בהשוואה.
הערה: תמונות מעוותות למרחב Talairach בפרוטוקול הנוכחי, גם אם כי ניתן להשתמש בתבניות אחרות (לדוגמא, שטח משרד התשתיות הלאומי {מונטריאול נוירולוגיות מכון}). - להחליק את כל הכרכים תפקודיים בdatקבוצה עם 6 עד 10 מ"מ החלקת קרנל.
- לעקל כרכי עיבוד מקדימים לסט של ספריות נפרדים. השתמש "סריקות פונקציונליות" כספריית העליונה. בתוך "סריקות תפקודיות" כולל ספרייה נפרדת לכל משתתף, ובתוך כל ספריית משתתף, ספרייה נפרדת לכל ריצה. הנתונים הוא מוכנים לניתוח ICA עכשיו.
3. הקבוצה עצמאית ניתוח מרכיבים (רשפ"ת)
- הורד והתקן את תוכנת ICA קבוצה. ישנן מספר ארגזי הכלים זמינים ליישום הרשפ"ת על סוגים שונים של נתונים נוירופיזיולוגיות, כוללים fMRI. בעוד שכל ארגז כלים שמבצע ICA קבוצה היה פוטנציאל להיות מתאימים, אחד מנוצל בפרוטוקול הנוכחי נקרא מתנה. מתנה פותחה על ידי וינס קלהון ועמיתיו באוניברסיטת ניו מקסיקו. ארגז הכלים של המתנה הוא קבוצה של תסריטי MATLAB שעובדת יחד עם SPM, חבילת ניתוח fMRI ידועה. שניהם יכולים בדואר להוריד בחינם מהאינטרנט (מתנה: mialab.mrn.org / תוכנה / מתנה / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). פעם הוריד, להוסיף את ארגז הכלים של מתנה וכל תת ספריות לנתיב חיפוש MATLAB ולשמור את קובץ נתיב.
- מחשוב ICA קבוצה על נתוני ה-fMRI באמצעות מתנה הופכת את הדרישות משמעותיות על זיכרון RAM. הדרישות מדויקות על זיכרון משתנות בהתאם למספר המשתתפים, כמות הנתונים שנאספו מכל משתתף, והרזולוציה של נתונים. כדי להימנע מבעיות זיכרון, עדיף להפעיל את ניתוח ICA בשרת. אם מפעיל את הניתוח על מחשב מקומי, ניתן להעריך את דרישות זיכרון RAM באמצעות "icatb_mem_ica.m" תסריט שהוא חלק ממתנה.
- ההגדרה או parameterize הניתוח. לעשות זאת על ידי שינוי תסריט אצווה קיים בשם "Input_data_subjects_1.m" המאוחסן במתנה תחת "icatb_batch_files".
שים לב: זה יכול להיעשות גם על ידי שימוש במשתמש הגרפי של מתנת interfאס. עם זאת, זה הרבה יותר קל, עם קצת תרגול, כדי להגדיר את הניתוח על ידי שינוי תסריט קיים זה.- ציין שיטת נתונים כמו ה-fMRI
- ציין סוג של ניתוח כICA עם ICASSO. הפעולה זו תבטיח את ICA מנוהל עם הליך ICASSO. ICASSO מעריך את האמינות של הפירוק על ידי הפעלה כמה פעמים ICA מתחילה עם זרעים אקראיים שונים. לאחר מכן הוא בודק את הדמיון של כל תוצאה באמצעות אשכולות. שימוש בICASSO מומלץ כממוצע של בדיקת האיכות של פירוק יק"א, אך במידה ניכרת להאריך את המשך הזמן שלוקח מתנה כדי להשלים את הניתוח.
- כדי להפעיל את ICA עם הליך ICASSO, בחירת '2 'תחת "סוג של ניתוח" ולאחר מכן parameterize הליך ICASSO בקווים מצליחים של קובץ ההתקנה.
- למקסם את הביצועים של קבוצת PCA ידי בחירת '1 'תחת הגדרות ביצועי הקבוצה PCA. שקול להגדיר פרמטר זה כדי '2"צריכה בעיות של זיכרון RAM מספיק להתרחש.
- כדי לאפשר המשך המיון של רכיבים וכתוצאה מכך באמצעות מנבאים ממטריצת עיצוב SPM סטנדרטי, ציין אם יש או אין הן מטריצות שונות לנושאים שונים.
- ציין היכן נתונים תפקודיים המעובד מאוחסנים והאם קובץ SPM.mat המכיל את מטריצת העיצוב מאוחסן יחד עם הנתונים פונקציונליים העיבוד הראשוני.
- הדרך הפשוטה ביותר לקבל מתנה כדי לקרוא את הנתונים היא אם כל משתתף יש את אותו המספר של פועל, וספריית הנתונים בנויה כפי שמתוארת בשלב 2.3 תחת רכישת נתונים fMRI. אם כן, אז תחת DataSelectionMethod, בחר '1 'לשיטת 1, ולהשלים את "sourceDir_filePattern_flagLocation" הפרמטר על ידי כולל מסלול הקובץ שבו הנתונים מאוחסנים, פורמט הקובץ של הנתונים, והצהרה המצביעה על כך בפגישות אישיות מאוחסנות כתיקיות משנה בתוך כל תיקיית נושא.
- לספק קידומת שתתווסף לכל קבצי הפלט.
- לספק מסלול קובץ למסכה. כל הכרכים שהוגשו לרשפ"ת הם רעולי פנים. מתנה מספקת מסכת ברירת מחדל. לעבודה זו, תסריט בתוך הבית כדי ליצור מסכה מהנתונים שהוגשו לרשפ"ת. לכל הפחות, את המסכה צריכה לחסל את הגולגולת, שטח נוסף, במוח, ובעיקר את גלגלי העיניים. אות מvoxels גלגל העין יראה תנודות גדולות מאוד במהלך ריצה, ולכן יש להם השפעה גדולה על המבנה של המרכיבים הסופיים. איור 3 ממחיש את מה שמסכה טובה צריכה להיראות.
- ציין את סוג הקבוצה PCA לשמש. השתמש ב 'ספציפי לנושא. "
- ציין את שיטת גב השיקום. בשלב זה, בכפוף בודד IC של הקורסים והזמן הקשורים בם מחושבים לכאן ולכאןמ 'את התוצאות של הניתוח הקבוצתי. Gică מומלץ לקבלת קורסי הזמן הטוב ביותר, למרות שיש דיון רב בספרות על נקודה זו.
- ציין נתונים סוג עיבוד מראש. השתמש בנורמליזציה בעוצמה כדי למנוע ערכים שאינם מספריים (כלומר infinites, ונאן של) בפלט. בדוגמא זו, בחרנו את ברירת המחדל של '1 '.
- ציין את הסוג של PCA (אנו משתמשים בתקן) ומקבל ערכי ברירת מחדל תחת PCA אפשרויות. מתנה מבצעת PCA בכל סיבוב של כל משתתף ושומרת על מספר הרכיבים שווים למספר המקורות להיות צרוף ברשפ"ת. PCA משרתת שתי מטרות חשובות. ראשית, היא מסייעת לסלק מקורות רעש שהם ייחודיים לכל אחד ממשתתפים וכל ריצה. שנית, זה גורם לדרישות חישובית של הניתוח צייתן יותר.
- לציין כמה PCAs לרוץ על הנתונים לפני ICA (2 מומלץ). כמו כן, לציין כמה מרכיבים כדי לשמור לאחר כל PCA (אם פועלים2, מומלץ כי מספר הרכיבים נשמרים לאחר PCA הראשונה הוא פי שניים מהמספר נשמרים לאחר השנייה).
- ציין כיצד צריכים להיות מדורגים בנתונים. לעבודה זו, שימשה קנה מידה Z-ציון.
- בחר אלגוריתם הפרדת מקור עיוור לרשפ"ת. לעבודה זו, Infomax היה בשימוש. מתנה מציעה מבחר של לפחות 10 אלגוריתמים שונים.
- ניתן להשאיר פרמטרים נותרים כפי שהוא.
- ברגע שICA הושלם, בחר מבין מרכיבים זמינים אלה שיש בם עניין תיאורטי פוטנציאלי. דרך GUI המתנה, לבחור בחירת רכיבים: מיון המרחבית ממיין את הרכיבים מרחביים באמצעות מתאם המרחבי עם תבנית קיימת מראש; מיון זמני ממיין את קורסי זמן רכיב באמצעות מנבאים ליניארי ממטריצת עיצוב SPM שאתה יכול לאחסן את הנתונים (ראה 3.3.5).
הערה: יש שני גישות לבחירת רכיבי שירות. עם זאת, בחירה בעבודה עם נתונים משימה, זמניתקריטריונים הם שימושיים במיוחד, כפי שהם מספקים אמצעי אימות שהרכיב הנבחר הופעל על ידי את המשימה. במקרה של DCCS, שימוש במיון זמני ניתן להשתמש כדי לוודא שהרכיב הנבחר היה פעיל יותר במהלך לוקי מתג מאשר בלוקים חוזרים. - לבדוק האם גרסאות ילד ובוגרות של רכיבים שנבחרו אלה שונים. ילד המצרפי ורכיבים למבוגרים בעלי עניין לשתי קבוצות ובדיקה באמצעות שני מדגם אזורי מבחן t שבו הרכיבים להשתנות נפרדות. זה יחסית קל לעשות דרך GUI המתנה.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
הרשפ"ת קבוצה, גם בקבוצת נתוני fMRI קטנה יחסית, תחזור קבוצה של רכיבים דומים לאלו שנצפו במחקרים אחרים. איור 4 היא חפיפה של 5 רכיבים כאלה והקורסים הקשורים זמנם צרוף ממדגם של 12 ילדים ומבוגרים 13 , עם כ 800 כרכים למשתתף. כפי שניתן לראות באיור 4, במצב ברירת מחדל, fronto-הקודקודית, יכולה בקלות לראות רשתות cingulo-מבודד, וחזותי מהתוצאות של פירוק זה. כמו כן, שימו לב כמה זה קל להבחין בעיצוב הבלוק בקורסים של המרכיבים החזותיים ומצב ברירת מחדל של הזמן.
פירוק ICA מוצלח צריך להיות אמין. האמינות של הפירוק יכולה להיות מוערכת על ידי בחינת התפוקה של הליך ICASSO. איור 5 מראה חלק מפלט ICASSO לפירוק אמין שבוצע במתנה.
בעת השימוש בcorrelat המרחביתיון כבסיס לבחירת רכיבים, זה טוב לדווח על מקדם המתאם ולהציג את התבנית ואת הרכיב שנבחר יחד להשוואה ויזואלית. במאמר האחרון, מיון מרחב ובזמן שהן משמשים לזיהוי רכיב fronto-הקודקודית שהיה במרחב בקורלציה עם תבנית של רשת בקרה מבצעת, והיה פעיל יותר בלוקים מתג מאשר בלוקים חוזרים בDCCS. איור 6 מראה תמונת תבנית ואת הרכיב שנבחר. שים לב שיש התכתבות טובה בין שני התמונות.
השוואות קבוצה של מפות רכיב יכולות לשמש כדי לבחון הבדלים הקשורים בגיל בקישוריות תפקודית לרכיב שנבחר. Voxels שמופיעים במפות וכתוצאה מכך הם אלה ש" עומס "בצורה חזקה יותר על הרכיב שנבחר לקבוצה אחת יותר מאשר אחר. במילים אחרות, אלה הם voxels שבמהלך voxels הזמן דומים יותר לקורס של הזמן רכיב (כלומר להראות קישוריות תפקודית חזקה לרשת) לקבוצה אחת יותר מאשר אחר. בעקבות הליך זה, בהשוואה מרכיבי ילד ומבוגר תקין fronto-הקודקודית - מרכיב שאשרנו היה בקורלציה מרחבית עם תבנית של רשת בקרת מבצעת והופעל על ידי DCCS - ומצאנו כי voxels בתוך המוח הקדם חזיתית לרוחב, cingulate הקדמי, והקודקודית קליפה טעונה בעצמה רבה יותר על רכיב זה במבוגרים מאשר בילדים 14. תמונה בניגוד זו מוצגת באיור 7.
איור 1. תכנית כוללת של הניסוי.
"Src =" d/51003/51003fig2ahighres.jpg / files/ftp_upload/51003/51003fig2a.jpg "/>
איור 2. גרסת בלוק העיצוב של מיין כרטיס שינוי ממדי משימה (DCCS). בגרסה סטנדרטית של המשימה, ילדי כרטיסי בדיקת סוג דו ערכי לתוך פחים בסימן מטרות דו ערכי התואמות את כל כרטיס בדיקה בממד אחד.ילדים למיין את מספר קטן של כרטיסים בכיוון אחד (למשל על ידי צבע), ולאחר מכן הם הורו כדי לעבור ולמיין אותן תעודות דרך חדשה (למשל על ידי צורה). מדד התוצאה הוא האם ילדים בצורה נכונה לעבור קריטריוני מיון. (א) בגרסת בלוק העיצוב, המשימה היא בניהול מחשב. שתי מטרות דו ערכי מופיעות על המסך בכל המשימה. כרטיסי מבחן מוצגים במרכז ל1,750 אלפית שניים ומשתתפי סוג הכרטיסים באמצעות כפתורי עיתונות. ניסויים שבהם קריטריון המיון הוא שונה מאשר במשפט הקודם הם ניסויים בורר; ניסויים שבהם קריטריון המיון הוא אותו הדבר כמו במשפט הקודם הם ניסויים חוזרים. (ב) ניסויים בודדים מוצגים בלוקים 8-משפט. בלוקים החלף להכיל 4 חוזרים ו -4 ניסויים בורר; בלוקים חוזרים מכילים 8 ניסויים חוזרים. (ג, ד) מדדי תוצאות הם ההבדל בזמן תגובה ודיוק על פני מתג וחזור בלוקים.
. איור 3 תוצאות הקבוצה רשפ"ת:. רכיבי נציג (א) תמונה מורכבת של 5 מרכיבי קבוצה מייצגים מICA של מבוגר 11 ו12 משתתפי ילד. סדר המודל היה 20. פועל היו ארוך 78 כרכים. רכיבים מסומנים בצבעים (אדום = חזותי; fronto-הקודקודית כחול = שמאל; = ברירת מחדל במצב ירוק; = תקין fronto-הקודקודית ורוד; cingulo-מבודד כתום =). (ב) timecourses רכיב ועיצוב בלוק כיסוי. מבדיקה ויזואלית, ברור שביצוע משימה קשור בגידול בפעילות ברכיבי fronto-הקודקודית חזותיים ועזבו וירידה בפעילות ברשת כברירת מחדל במצב. תוצאות אינטואיטיבי אלה ממחישים כיצד שימוש בעיצוב בלוק בסיסי עושה את זה יחסית קל להעריך את האיכות של פירוק ICA."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.
. איור 4 תוצאות הקבוצה רשפ"ת:. רכיבי נציג (א) תמונה מורכבת של 5 מרכיבי קבוצה מייצגים מICA של מבוגר 11 ו12 משתתפי ילד. סדר המודל היה 20. פועל היו ארוך 78 כרכים. רכיבים מסומנים בצבעים (אדום = חזותי; fronto-הקודקודית כחול = שמאל; = ברירת מחדל במצב ירוק; = תקין fronto-הקודקודית ורוד; כתום = cingulo-מבודד) (ב) קורסי זמן רכיב וכיסוי עיצוב בלוק.. מבדיקה ויזואלית, ברור שביצוע משימה קשור בגידול בפעילות ברכיבי fronto-הקודקודית חזותיים ועזבו וירידה בפעילות בדרשת ברירת מחדל למצב. תוצאות אינטואיטיבי אלה ממחישים כיצד שימוש בעיצוב בלוק בסיסי עושה את זה יחסית קל להעריך את האיכות של פירוק ICA. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.
איור 5. נציג פלט ICASSO מפירוק אמין ביותר. כדי לבדוק את האמינות של כל פירוק יחיד, ICA מנוהל מספר פעמים ואת התוצאות על פני ריצות נפרדות הם זממו. עלילה זו מספקת סיכום תמציתי של התוצאות של כל החזרות של ICA ומאפשרת לאדם להעריך את הדמיון או שוני בפתרונות העולים מחזרות שונות של ICA מבחינה ויזואלית. נקודות בודדות מייצגות הערכות ריצה אחת שלרכיבים מסוימים. העיגולים בצבע תכלת מייצגים את centrotypes של אשכולות של תצפיות בודדות. אשכולות קומפקטיים ומבודדים שנופלים בגבול centrotype מציעים אמינות טובה. אשכולות מפוזרים שלסטות מחוץ לגבול של centrotype מציעים אמינות ירודה. עבור רוב הרכיבים בנתון זה, לא הייתה רמה גבוהה של דמיון ברכיב ברחבי חזרות שונות של ICA. רכיבים 58, 59, ו60 הראו כמה השתנות קטין על פני חזרות שונות. לחצו כאן לצפייה בתמונה גדולה יותר.
איור 6. תבנית שליטת המבצעת ורכיב תקין fronto-הקודקודית נבחר, מעולף על פרוסות זהות מresolutio גבוהn סריקה אנטומית, מופיעה די דומה. מתאם מרחבי יכול לשמש כדי לכמת מבחינה סטטיסטית ולבדוק לדמיון של מפות אלה. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.
איור 7. חיסור רכיבי fronto-הקודקודית ימני של ילדים ממבוגרים מגלה אזורים שתפקודיים קישוריות להנהלת הרשת שנבחרה הוא חזק יותר למבוגרים מאשר לילדים. אזורים אלה כוללים אזור הטגמנטום הגחוני קליפת המוח הקדם חזיתית המדיאלי ו( ראה פרוסת sagittal) וקדם חזיתית dorsolateral ו קליפת המוח הקודקודית נחותה (ראה הפרוסה צירית). אנא לחץכאן כדי לצפות בגרסה גדולה יותר של דמות זו.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
פעולות נפשיות מסדר גבוה, כגון היכולת לעבור כללי מיון, לפתח במהירות לאורך כל ילדות ובגיל התבגרות. מכיוון שפעולות מנטליות אלה כרוכים אינטראקציות בין אזורים במוח מבוזרים רבים, יש עניין גובר והולך בחקר הקשר בין ההתפתחות של הכרה מסדר גבוה והקשורות לגיל שינויים בארגון של רשתות בקליפת המוח בקנה מידה רחבה. אנו מציגים שיטה המבוססת על ניתוח מרכיבים עצמאי קבוצה מוחל על נתוני ה-fMRI המבוסס על משימות כאמצעי לבחינת קשר זה באופן ישיר.
כפי שנכון בכל מחקר השוואה בין הקבוצות, ההצלחה של השיטה מבוססת על נתוני ה-fMRI באיכות גבוהה משני מבוגרים וילדים. הבדלים בין קבוצות בחפץ הקשור לתנועה יכולים להיות השלכות חמורות על איכות פירוק ICA ומובילים להבדלים מזויפים ברכיבים וכתוצאה מכך. הבדלים בין קבוצות בביצוע משימה יכולים להיות פוטנציאל problemaלקפץ בעווית, כמו גם, כפי שהם מערערים את יכולת הקיום של מיון זמני עבור כל הקבוצות. אם לדוגמא קבוצה אחת מראה הבדל ביצועים גדול בין ניסויים ניסיוניים ושליטה, אבל קבוצה שנייה לא, זה יהיה קשה לזהות רכיבים שניתן לטעון צמודים למשימה באותה הדרך עבור שני הקבוצות. לכן, כדי להיות בטוח לקחת את הזמן כדי לאסוף את הנתונים שלך כמו שצריך. עקוב פרוטוקולי הדמייה ילדים שתוארו היטב על ידי Raschle et al. 2009, ולקחת את הזמן כדי לפתח שיטות קוגניטיבי התנהגותי שלצמצם הבדלים בין הקבוצות בביצועים / אסטרטגית שימוש.
Trouble-shooting/Caveats
הקבוצה ICA הוא טכניקה מתקדמת משתנית, אבל אחד שהוא להיות מאומץ בתדירות גבוהה יותר ויותר עבור מגוון רחב של יישומי ניתוח fMRI, כולל denoising, הערכת קישוריות פונקציונלית, ומדינות קישוריות המוח דינמיות הדמיה (ראה להלן). למשתמשים בפעם הראשונה, הגדרה למעלה ופרשנותהפלט של ICA קבוצה יהיה קצת מבלבל. אבל, עם קצת תרגול / ניסוי וטעייה, הדברים הופכים להרבה יותר פשוט. ההצעות הבאות סייעו לנו מאוד בלהתגבר על חוסר הוודאות הראשונית שלנו.
ראשית, תתחיל נתונים קטנים ושימוש שנאספו עם עיצוב פשוט. עיצובי בלוק עם 10-20 תקופות מנוחת שניות בין בלוקים הם אידיאליים מבחינה זו. כדי להתחיל, נסה להפעיל ריצת הרשפ"ת על 3 או 4 ריצות 100 נפח נתוני בלוק מ4 או 5 משתתפים. זה לא יניבו ממצאים לפרסום, אך יפעל במהירות יחסית ולייצר רכיבים מרחביים הגיוניים. וכן, זה צריך להיות קל יחסית לראות את עיצוב הבלוק מיוצג בקורס של רכיבים עורפי ורכיבי ברירת מחדל של הזמן, עם זמן הקורסים הללו באופן חיובי ושלילי הקשורים למשימת בהתאמה (ראה איור 4). זוהי דרך טובה להשיג במהירות את אמון בהליך לפני קנה המידה של הניתוח עד includדואר מערכת נתוני כולו. יש דברים שלא ניתן להתאמן בשלב זה, לחזור לתמונות שעברו העיבוד המקדים שלך ולבדוק אם יש בעיות באיכות הנתונים (למשל ממצאים חמורים תנועה, פרוסות רעות, וכו '). אם רכיבים מרחביים הם דלילים מאוד (כלומר שבבים המרחבי מורכבים הרבה אשכולות מפוזרים קטנים של voxels), לבדוק לעשות כרכים בטוחים הוחלקו - ליבת FWHM 8 מ"מ מומלצת.
החל עם סט נתונים קטן הוא גם דרך טובה כדי לקבל תחושה לבחירת סדר המודל, או מספר הרכיבים שיש לכלול במודל. אמנם אין דרך אחת נכונה לעשות את ההחלטה הזו, יש מספר הקווים המנחים לשקול. ראשית, כפי שמתנה מיישמת צורה של ICA מרחבית, המספר המרבי של רכיבים שניתן צרוף מסדרת נפחית זמן שווה למספר הכרכים בtimeseries. שנית, מתנה מחשב אומדן ממדי של נתונים באמצעות PCA, והערכות אלה הן בדרך כלל בטווח oו 18-22 רכיבים. יחד, שיקולים אלה מספקים עליון וחסם תחתון לבחירה של סדר מודל שלך. אחרי זה, זה תלוי בך. כל שעליך לעשות לזכור כי מרכיבים שקובצו מרחבית בצו מודל נמוך יהיו לפצל למרכיבים נפרדים אך קשורים-סטטיסטי כסדר מודל הוא גדל. אם בכוונתך לבחור מרכיב שימוש בתבנית מקבוצת מחקר אחר, אולי כדאי שתשקול בבחירת סדר מודל דומה למה שהיה בשימוש בניתוח שנוצר בתבנית, כמו זה יגדיל את הסבירות כי הרכיב שאתה מחפש שרידים מרחבית שלם בפירוק שלך.
יש כמה אזהרות שעשויות להיות שווים לשקול לפני לנוע קדימה עם הרשפ"ת. ראשית, רכיבים מרחביים לספק בסיס לבחינת הבדלים הקשורים בגיל בקישוריות תפקודית, אבל להגיד לך שום דבר על איך או אפילו אם אזורים המרכיבים את אינטראקציה רכיב. שני אזורים יכולים לטעון על רכיבבגלל קישוריות דו כיוונית, חד כיווני, או עקיפה (כלומר דרך אזור שלישי), או אפילו בטעות סטטיסטית. לכן, להיות זהיר בהסקת מסקנות. שנית, אם האינטרסים שלך נמצאים בבדיקת השערה מסוימת על איך אזורי אינטראקציה וכיצד יחסי גומלין אלה משתנים עם פיתוח, תצטרך לשקול ניתוח או שיטות נוספים. אפשרות אחת היא להשתמש בקורסי IC הזמן והמבחן לקישוריות יעילה בין רכיבים באמצעות ניתוח מתאם בפיגור. כלים לסוגים של ניתוחים אלה זמינים כחלק מהפונקציונלי קישוריות הרשת של המתנה (או FNC) ארגז כלים. לחלופין, ייתכן שתרצה לשקול גישה אחרת לחלוטין כגון דינמית סיבתי דוגמנות (DCM), זמינה בSPM8.
יתרונות של שיטות קיימות
הכוח העיקרי של השיטה הנוכחית הוא שהוא מקנה לפחות חלק בסיס להסקת מסקנות הפונקציה של רשת מוח ממוקדתs. עד כדי כך שהרשתות מזוהות על הבסיס שונות משותפת בקורסים של voxels השונים זמן אות, ואומדנים השונות המשותפת אלה הם מדד יציב של קישוריות פונקציונלית, ICA וגישות המבוססים על זרעים להוביל תמונות מתכנסות רשתות קליפת המוח אם הם חלים על -מנוחת מדינה או משימת נתוני ה-fMRI 15 מבוססת. היתרון החשוב של החלת ICA קבוצה למשימה נתונים הוא כי ניתן לגבש השערות ראשוניות לגבי התפקוד של רשתות נבחרות. בשיטה הנוכחית, אנו למנף עובדה זו לצורך הקישור בין פעולה מסוימת קוגניטיבי - שלטון מיתוג - לרשת מסוימת. היה באותה הרשת צילמה בזמן שמשתתפים היו במנוחה, זה לא יהיה אפשרי לשייך רשת נבחרת עם התנהגות מסוימת, לפחות לא באופן ישיר.
יישומים נוספים וכיוונים עתידיים
הקבוצה ICA הראה פוטנציאל גדול לחשיפת differe קבוצהnces בארגון והתפקוד של רשתות בקליפת המוח, כולל אלה הקשורים לגיל, מעמד אבחון, אישיות, וכן ביום 16. נהלים משתנים כגון ICA גם מתאימים היטב לזיהוי של עמותות על פני שיטות נתונים שונות, וICA בפרט הוכיח די פורה לזיהוי קשרים בין fMRI ונתונים MRI מבניים, fMRI וה-EEG, וfMRI וגנטיקה 17.
כיוון חדש ומרגש אחת הוא השימוש של ICA בחקר שינויים דינמיים בקישוריות בקליפת המוח 18. עד כה, רשתות קליפת המוח כבר נתפסות כארכיטקטוניות סטטי, לפחות על לוחות זמנים קצרים. העבודה אחרונות לעומת זאת, החל לבחון האם קישוריות תפקודית הן בתוך ובין הרשתות משנה באופן דינמי על לוחות זמנים קצרים יחסית, אולי בשיתוף עם שינויים בהכרה ובהתנהגות. ממצאים ראשוניים, המבוססים בעיקר על נתוני מנוחת מדינה, מצביעים על כך שהמוחמחזורים באמצעות מגוון רחב של microstates, כל אחד מתאפיין בקונסטלציה שונה של קשרים בין אזורי מוח שונים. סיומת אחת ברורה של השיטה הנוכחית תהיה לבחון את השינויים דינמיים בקישוריות לרשת בשיתוף עם שינויים בדרישות קוגניטיביות באמצעות היישום של ICA קבוצה לנתוני משימה. אחול על נתוני ה-fMRI נאספו ממשתתפים בגילים שונים, את התוצאות שעלולים לחשוף את ההבדלים באופן שהמוח צעיר יותר ומבוגר יותר באופן דינמי להסתגל לאתגרים קוגניטיביים והתנהגותיים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
אין אינטרסים כלכליים מתחרים.
Acknowledgments
מחקר זה התאפשר בתמיכת מענקים מהלאומי למדע והנדסת מועצת מחקר (NSERC) לג'יי ברוס מורטון.
Materials
| Name | Company | Catalog Number | Comments |
| SPM8 | The MathWorks, Inc. | R2013a |
References
- Diamond, A. Normal Development of Prefrontal Cortex from Birth to Young Adulthood: Cognitive Functions Anatomy, and Biochemistry. Principles of Frontal Lobe Function. , 1-38 (2002).
- Zelazo, P. D. The Dimensional Change Card Sort (DCCS): a method of assessing executive function in children. Nat Protoc. 1, 297-301 (2006).
- Monsell, S. Task switching. Trends Cogn Sci (Regul Ed. 7, 134-140 (2003).
- Crone, E. A., Bunge, S. A., van der Molen, M. W., Ridderinkhof, K. R. Switching between tasks and responses: a developmental study. Developmental Science. 9, 278-287 (2006).
- Cole, M. W., Schneider, W. The cognitive control network: Integrated cortical regions with dissociable functions. Neuroimage. 37, 343-360 (2007).
- Fair, D. A., et al. Development of distinct control networks through segregation and integration. Proc Natl Acad Sci USA. 104, 13507-13512 (2007).
- Uddin, L. Q., Supekar, K., Menon, V. Typical and atypical development of functional human brain networks: insights from resting-state FMRI. Frontiers in systems neuroscience. 4, (2010).
- Calhoun, V. D., Adali, T., Pearlson, G. D., Pekar, J. J. A method for making group inferences from functional MRI data using independent component analysis. Human brain mapping. 14, 140-151 (2001).
- Fransson, P., et al. Resting-state networks in the infant brain. Proceedings of the National Academy of Sciences of the United States of America. 104, 15531-15536 (2007).
- Supekar, K., Menon, V. Developmental maturation of dynamic causal control signals in higher-order cognition: a neurocognitive network model. PLoS computational biology. 8, (2012).
- Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59, 2142-2154 (2012).
- Raschle, N. M., et al. Making MR Imaging Child's Play - Pediatric Neuroimaging Protocol, Guidelines and Procedure. (29), (2009).
- Morton, J. B., Bosma, R., Ansari, D. Age-related changes in brain activation associated with dimensional shifts of attention: an fMRI study. Neuroimage. 46, 249-256 (2009).
- Ezekiel, F., Bosma, R., Morton, J. B. Dimensional Change Card Sort performance associated with age-related differences in functional connectivity of lateral prefrontal cortex. Developmental Cognitive Neuroscience. , (2013).
- Calhoun, V. D., Kiehl, K. A., Pearlson, G. D. Modulation of temporally coherent brain networks estimated using ICA at rest and during cognitive tasks. Human brain mapping. 29, 828-838 (2008).
- Allen, E. A., et al. A baseline for the multivariate comparison of resting-state networks. Front Syst Neurosci. 5, (2011).
- Calhoun, V. D., Liu, J., Adali, T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 45, (2009).
- Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. , (2012).
