En metode for å undersøke Aldersrelaterte Forskjeller i Funksjonell Tilkobling av kognitiv kontroll Networks Associated med Dimensional Endre kort Sorter Ytelse

Summary

Denne videoen presenterer en metode for å undersøke aldersrelaterte endringer i funksjonell tilkobling av kognitive kontrollnettverk som driver med målrettede oppgaver / prosesser. Teknikken er basert på multi-variate analyse av fMRI data.

Abstract

Muligheten til å justere atferden til plutselige endringer i miljøet utvikler seg gradvis i barndommen og ungdomsårene. For eksempel, i den dimensjonsendringer kort Sortering oppgave, deltakerne bytte fra sortering av kort på en måte, slik som formen, for å sortere dem på en annen måte, for eksempel farge. Justering av atferd på denne måten exacts en liten forestilling kostnad, eller bryter kostnader, slik at svarene er vanligvis tregere og mer utsatt for feil på bryter studier der sortering regelendringer i forhold til gjenta forsøk der sorteringsregelen forblir den samme. Muligheten til å fleksibelt tilpasse atferden er ofte sagt å utvikle seg gradvis, delvis fordi atferds kostnader som svitsj koster vanligvis ned med økende alder. Hvorfor aspekter av høyere orden kognisjon, som for eksempel atferds fleksibilitet, utvikle det gradvis er fortsatt et åpent spørsmål. En hypotese er at disse endringene skjer i forbindelse med funksjonelle endringer i bred skala kognitiv kontroll nettverk. På dette synet,komplekse mentale operasjoner, som for eksempel veksling, innebærer raske interaksjoner mellom flere distribuerte hjernen regioner, inkludert de som oppdatering og vedlikeholde oppgave regler, reorientere oppmerksomhet, og velger atferd. Med utvikling, funksjonelle sammenhenger mellom disse regionene styrke, noe som fører til raskere og mer effektiv sjalteoperasjoner. Den aktuelle videoen beskriver en metode for å teste denne hypotesen gjennom innsamling og multivariat analyse av fMRI data fra deltakerne i ulike aldre.

Introduction

Evnen til å regulere atferd utvikles gradvis i barndommen og ungdomsårene (for gjennomgang, se Diamond ^1). I dimensjonsendringer kort Sortering oppgaven, for eksempel, deltakerne bytte fra sorterings kort på en måte, slik som formen, for å sortere dem på en annen måte, for eksempel farge ² (se figur 2). Switching exacts en liten forestilling kostnad, eller bryter kostnadene, slik at svarene er vanligvis tregere og mer utsatt for feil på bryter studier der sortering regelendringer som i forhold til å gjenta forsøk der sorteringsregelen forblir den samme ^tre. Størrelsen av disse kostnadene vanligvis blir mindre barn som blir eldre ^4, som illustrerer det faktum at kapasiteten for atferds regulering gjennomgår fortsatt utvikling tidlig i livet.

Fordi komplekse mentale operasjoner, som for eksempel veksling, innebærer raske samhandling mellom flere områder av hjernen ^fem, er det økende interesse for relativtng utvikling av høyere orden erkjennelse til endringer i funksjonelle organiseringen av bred skala kortikale nett ^6.

En fremgangsmåte for å undersøke utviklingsmessige forandring i bred skala nettverk er gjennom bruk av frø baserte funksjonelle tilkoblings analyse ^6,7. Det første trinnet i denne teknikken er å konsultere med tilgjengelig forskningslitteratur og definere a priori regioner av interesse, eller ROIs, som synes å være relevant for oppførsel i spørsmålet. Disse ROIs, eller noder, definere de grunnleggende skjelett av nettverket. Neste, lavfrekvente svingninger i aktivitet (eller T2 *-vektet signal intensitet) i disse ROIs er målt i 5 til 10 min mens deltakerne er i ro i en MR-skanner. Funksjonell tilkobling mellom to noder i nettverket blir deretter kvantifisert som korrelasjonen av sine respektive tids kurs. Noder som er sterkt knyttet funksjonelt bør ha lik, og dermed høyt korrelert, signaltid kurs. På den annen side bør noder som er svakt koblet funksjonelt ha ulik og dermed svakt korrelerte, signal tid kurs. For å fullføre en modell av nettverket, blir kantene (eller koblinger) trekkes mellom noder hvis tid kurs korrelerer over en gitt terskel. Tester for aldersrelaterte forskjellig funksjonell tilkobling innenfor et nett kan bli utført på hvilken som helst enkelt node-til-node-forbindelse, eller på topologien av hele settet med noder og kanter. Disse forskjellene i funksjonell tilkobling kan da være knyttet til tiltak av kognitiv ytelse samlet offline.

I dette papiret, er en annen tilnærming beskrevet som er basert på gruppe uavhengig komponent analyse av oppgavebaserte fMRI data ^åtte. Uavhengig komponent analyse (eller ICA) er en statistisk prosedyre for blindt å avsløre skjulte kilder som ligger til grunn et sett av observasjoner slik at de avslørte kilder er maksimalt uavhengig. Brukt til analyse av fMRI data, procedure forutsetter at hvert volum er en blanding av et endelig antall romlig-uavhengige kilder. Ved hjelp av en av en rekke forskjellige algoritmer, som for eksempel Infomax algoritmen, ICA anslår deretter en unmixing matrise, som når de anvendes på de opprinnelige dataene gir et sett med maksimalt uavhengige kilder, eller komponenter. Hver komponent kan betraktes som et nettverk, for så vidt som det består av et sett av voksler som deler en felles tidsforløp. Gruppe ICA er en bestemt type av ICA hvor et felles sett med gruppe-komponenter blir først beregnet ut fra et helt datasett, og deretter deltakerspesifikke sett av gruppe komponentene blir beregnet i et back-gjenoppbyggingstrinn. Når en hel datasettet er delt inn i et sett av komponenter, er neste skritt å forkaste artifactual komponenter som representerer støykilder, og identifisere teoretisk meningsfulle komponenter som samsvarer med nettverk av interesse. Dette kan oppnås enten ved modellering komponent tid kurs i sammenheng med en GLM til IDEntify nettverk som aktiverer en predikert måte, rommessig korrelering av komponenter med en mal av et nettverk av interesse, eller begge deler. Den resulterende sett av komponenter kan deretter sendes til en gruppe sammenligning for å teste for eventuelle aldersrelaterte forskjeller i funksjonelle tilkoblingsmuligheter innenfor teoretisk interessante nettverk ^7,9,10.

Studerer aldersrelaterte endringer i funksjonell tilkobling gjennom anvendelse av gruppen ICA til oppgavebaserte fMRI data har flere fordeler i forhold til anvendelsen av frø-baserte teknikker for å hvile-statlige fMRI data. Først, i motsetning til frø-baserte teknikker som fokuserer på et lite sett med a priori definert Rois, utnytter den aktuelle gruppen ICA tilnærming alle vokslene som utgjør en volumetrisk tidsserier. Dette reduserer mulighetene for skjevhet som nødvendigvis oppstår når en liten gruppe av frø er valgt a priori som regioner av interesse. For det andre, å anvende funksjonell tilkobling analyse (ICA-basert eller annet) til oppgave-snarere enn hvile-state fMRI data har fordelen av å la nettverksorganisasjon og nettverksfunksjon for å bli mer direkte forbundet. Hvis, for eksempel, å undersøke kognitive eller atferdsmessige implikasjoner av funksjonell tilkobling (for eksempel variasjon i DCCS ytelse) er en prioritet, er det viktig å vise at nettverket av interesse er knyttet til utførelsen av oppgaver. Med hvile-statlige protokoller, er dette svært vanskelig fordi forskeren har ingen oversikt over eventuelle kognitive, atferdsmessige eller affektive tilstander oppleves av deltakeren under datainnsamling. Det er derfor umulig å gi direkte bevis for at noen nettverk av interesse er relevant for utførelsen av oppgaver. Derimot, når det funksjonelle tilkoblings analyse, slik som ICA, påtrykkes oppgavedata, er det mulig å få bekreftet at nettverket av interesse er i det minste i forbindelse med utførelsen av en oppgave. Endelig er ICA mindre utsatt for den negative påvirkning av støy. Støykilder, slik som de som er forbundet with bevegelser i motivet og hjerterytmen, har unike spatio-temporal profiler. Derfor, i forbindelse med en gruppe ICA, er disse kilder isolert og tilordnet separate komponenter, slik at de resterende komponenter relativt fri for disse uønskede kilder til varians. Fordi frø-baserte analyser bruke rå tid kurs i beregningen av funksjonelle tilkoblingsmuligheter, og tid kurs er, per definisjon, blandinger av nevrofysiologiske signal og kunstig støy, gruppeforskjeller i funksjonelle tilkoblings estimater kan reflektere sann gruppeforskjeller i underliggende nevrofysiologi, gruppeforskjeller strukturen av støy, eller begge deler ^11..

Protocol

En. Få godkjent Arbeide med av mennesker

2. FMRI Data Acquisition

1. Acquire fMRI data i henhold til prosedyrene som er egnet for små barn (se Raschle, et al. ^12). Gjør alt for å begrense mulige aldersrelaterte forskjeller i oppgaver og i bevegelse, som disse forskjellene introdusere uønskede confounds som begrenser ens evne til å trekke slutninger om utviklingshemmede-relevante forskjeller i hjerneaktivitet og funksjonell tilkobling.
   Merk: I den aktuelle protokoll, ble det gjentatte forsøk-versjon av DCCS administreres i form av en blokk ¹³ utforming. Hvert løp inkluderer to 8-rettssaken bytte blokker og to 8-rettssaken gjenta blokker, hvor bytte blokker består av fire bryter forsøk og fire gjenta forsøk, og gjenta Blokkene består av åtte gjentatte forsøk. Protokollen er perfekt egnet for bruk sammen med event-relaterte fMRI data. Men blokk design er hyggelig å jobbe med når den først får acquainted med ICA, som det er lett å se oppgave modulasjoner i komponent tid kurs.
2. Preprocess fMRI data følgende standard fMRI forbehandling prosedyrer.
   1. Juster alle funksjonelle bilder til den samme orientering og posisjon. Vanligvis er den første funksjonelle volumet benyttet som et referansebilde for alle andre volumer som skal justert til.
   2. Coregister T1-vektet (anatomisk) bilde med T2 *-vektet (funksjonelle) skanner, slik at aktivering legges på riktig anatomisk lokalisering.
   3. Normalisere alle bildene til en standardisert størrelse, plass og posisjon med valg av en mal hjernen (f.eks Talairach plass). Dette bidrar til å sikre at homologe regioner fra ulike fag blir sammenlignet.
      Merk: Bildene er vridd til Talairach plass i den aktuelle protokollen, selv om andre maler kan også brukes (for eksempel MNI {Montreal Neurological Institute} plass).
   4. Glatt alle funksjonelle volumer i datet sett med 6 til 10 mm utjevning kjernen.
3. Beslag preprocessed volumer i et eget sett med kataloger. Bruk "Funksjonell skanner" som den øverste katalogen. Innenfor "Funksjonell skanner" inkluderer en egen katalog for hver deltaker, og innenfor hver deltaker katalog, en egen katalog for hvert løp. Dataene er nå klar for ICA analyse.

Tre. Uavhengig Component Analysis (ICA)

1. Last ned og installer gruppe ICA programvare. Det finnes en rekke kasser som er tilgjengelige for å gjennomføre ICA på forskjellige typer av nevrofysiologiske data, inkludert fmri. Mens noen verktøykasse som utfører gruppe ICA vil potensielt være egnet, er den ene benyttes i gjeldende protokoll kalt GIFT. GIFT ble utviklet av Vince Calhoun og kolleger ved University of New Mexico. GIFT verktøykasse er et sett av MATLAB skript som fungerer sammen med SPM, en velkjent fMRI analyse pakke. Begge kan be ned gratis fra internett (GIFT: mialab.mrn.org / software / gave / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Når lastet ned, legge den GIFT verktøykasse og alle underkataloger til MATLAB søkebanen og spare banen fil.
2. Computing en gruppe ICA på fMRI-data ved hjelp GIFT gjør betydelige krav til RAM-minne. De nøyaktige krav til minnet, vil variere avhengig av antall deltakere, mengden av data som er samlet fra hver deltaker, og oppløsningen av dataene. For å unngå problemer med minnet, er det best å kjøre ICA analyse på en server. Hvis du kjører analysen på en lokal datamaskin, kan RAM-kravene estimeres gjennom bruk av et script "icatb_mem_ica.m" som er en del av GIFT.
3. Set-up eller parameterize analysen. Gjør dette ved å modifisere en pre-eksisterende batch skript som heter "Input_data_subjects_1.m" som er lagret i gave under "icatb_batch_files".
   Merk: Dette kan også gjøres ved hjelp av GIFT sin Graphical User interfess. Imidlertid er det mye lettere, med litt trening, for å sette opp analysen ved å endre denne pre-eksisterende skript.
   1. Spesifisere data modalitet som fMRI
   2. Spesifiser type analyse som ICA med ICASSO. Dette vil sikre at ICA drives med ICASSO prosedyren. ICASSO anslår påliteligheten av nedbrytning ved å kjøre ICA flere ganger starter med forskjellige tilfeldige frø. Den tester så likheten av hvert resultat ved hjelp av clustering. Bruk av ICASSO anbefales som middelverdien for kontroll av kvaliteten av ICA dekomponering, men vil i betydelig grad forlenge tiden det tar GAVE for å fullføre analysen.
      1. Å kjøre ICA med ICASSO prosedyren ved å velge '2 "under" Type analyse "og deretter parametriser ICASSO prosedyre i de etterfølgende linjene i setup-filen.
   3. Maksimere ytelsen til gruppen PCA ved å velge '1 'under Gruppe PCA ytelsesinnstillinger. Vurder å sette denne parameteren til '2'Bør problemer med for lite RAM minne oppstå.
   4. For å muliggjøre senere sortering av resulterende komponenter ved hjelp av prediktorer fra en standard SPM utforming matrise, angi hvorvidt det er ulike matriser for ulike fag.
   5. Angi hvor preprocessed funksjonelle data lagres og om en SPM.mat fil med motivet matrisen lagres sammen med de forhåndsbehandlet funksjonelle data.
      1. Den enkleste måten å få GIFT å lese data er hvis hver deltaker har samme antall nedfarter, og datakatalogen er strukturert som beskrevet i trinn 2.3 henhold fMRI datainnsamling. Hvis så, deretter under DataSelectionMethod, valgte '1 'for metode 1, og fullføre parameter "sourceDir_filePattern_flagLocation" ved å inkludere filepath hvor dataene lagres, filformatet av dataene, og en erklæring om at enkelte økter lagres som underkataloger innen hvert fag mappe.
      Indikere katalogen der resultatet av analysen skal være skrevet. Ikke skriv resultatene til den samme katalogen der dataene er lagret.
   6. Gi et prefiks som vil bli lagt til alle utgang filer.
   7. Gi en filepath til en maske. Alle volumer levert til ICA er maskert. GIFT gir en standard maske. For dette arbeidet, en in-house script å generere en maske fra data som vil bli sendt til ICA. Som et minimum bør masken eliminere skallen, ekstra-cerebral plass, og spesielt øynene. Signal fra øyeeplet voxel viser svært store svingninger i løpet av et løp, og vil derfor ha en betydelig innflytelse på strukturen i de endelige komponentene. Figur 3 illustrerer hva en god maske bør se ut.
   8. Spesifiser type gruppe PCA brukes. Bruk 'fagspesifikk.'
   9. Angi back-gjenoppbygging metoden. I denne fasen, enkelt fag IC og deres tilhørende tids kurs er beregnet from hvilket resultatene av analysen gruppe. GICA anbefales for å oppnå de beste tid kurs, selv om det er betydelig diskusjon i litteraturen på dette punktet.
   10. Spesifisere data pre-prosessering type. Bruk intensitet normalisering for å unngå ikke-numeriske verdier (dvs. umålelige, og nan) i produksjonen. I dette eksempelet, valgte vi standard for '1 '.
   11. Angi hvilken type PCA (vi bruker standard) og godta standardverdiene i henhold PCA Alternativer. GIFT utfører en PCA på hver kjøring av hver deltaker og beholder en rekke komponenter som tilsvarer antallet kilder for å være ublandet i ICA. PCA tjener to viktige formål. Først hjelper det å eliminere støykilder som er unike for hver deltaker og hvert løp. For det andre gjør det beregnings kravene til analysen mer medgjørlig.
   12. Angi hvor mange PCAS å kjøre på dataene før ICA (2 anbefales). I tillegg angir du hvor mange komponenter for å beholde etter hvert PCA (hvis du kjører2, er det anbefalt at antall komponenter tilbakeholdt etter den første PCA er det dobbelte av antallet beholdt etter den andre).
   13. Angi hvordan dataene skal skaleres. For dette arbeidet ble z-skår skalering brukes.
   14. Velg en blind kildesortering algoritme for ICA. For dette arbeidet ble Infomax brukt. GIFT tilbyr et utvalg av minst 10 forskjellige algoritmer.
   15. Gjenværende parameterne kan stå som den er.
4. Når ICA er fullført, velg blant tilgjengelige komponenter de som er av potensiell teoretisk interesse. Gjennom GIFT GUI, velger komponentvalg: romlig sortering sorterer romlige komponenter ved hjelp av romlig korrelasjon med en pre-eksisterende mal; temporal sortering sorterer komponent tid kurs ved hjelp av lineære prediktorer fra SPM utformingen matrise som du kan lagre med dataene (se 3.3.5).
   Merk: Begge tilnærminger til komponentvalg har verktøyet. Men når du arbeider med aktivitetsdata, tidsmessige valgkriterier er spesielt nyttige, da de gir et middel for å verifisere at den valgte komponent er aktivert av oppgaven. I tilfellet med den DCCS, kan bruk av tidsmessig sortering bli brukt til å bekrefte at den valgte komponenten var mer aktiv under bryterblokker enn under gjentatte blokker.
5. Teste om barn og voksne versjoner av disse utvalgte komponenter forskjellig. Aggregate barn og voksne komponenter av interesse i to separate grupper og test ved hjelp av en to-utvalgs t-test regioner hvor komponentene varierer. Dette er relativt enkelt å gjøre gjennom GIFT GUI.

Representative Results

Gruppe ICA, selv på en forholdsvis liten fmri datasett, returnerer et sett av komponenter som er sammenlignbare med de som ble observert i andre studier. Figur 4 er en overlagring av 5 slike komponenter og deres tilhørende tids kurs ublandede fra en prøve av 12 barn og 13 voksne , med ca 800 bind per deltaker. Som vist i figur 4, default mode, fronto-parietal kan cingulo-ien og visuell nett lett sees fra resultatene av denne spaltning. I tillegg, legge merke til hvor lett det er å skjelne blokkdesign i tids kurs av de visuelle og standardmodus komponenter.

En vellykket ICA nedbrytning bør være pålitelig. Påliteligheten av dekomponering kan bli vurdert ved å undersøke utgangen fra ICASSO prosedyren. Figur 5 viser en del av ICASSO utgang for en pålitelig spaltning utføres i GAVE.

Ved bruk av romlig correlation som grunnlag for komponentvalg, er det godt å rapportere korrelasjonskoeffisienten og presentere malen og den valgte komponenten sammen for visuell sammenligning. I en nyere artikkel, ble romlig og tidsmessig sortering både brukes til å identifisere en fronto-parietal komponent som var både romlig korrelert med en mal av en utøvende kontroll-nettverk, og var mer aktiv for bryter blokker enn gjenta blokker i DCCS. Figur 6 viser malen bildet og den valgte komponent. Legg merke til at det er god overensstemmelse mellom de to bildene.

Gruppe sammenligninger av komponent kartene kan brukes til å teste for aldersrelaterte forskjeller i funksjonelle tilkoblingsmuligheter for den valgte komponenten. Voxel som vises på de resulterende kartene er de som "last" sterkere på den valgte komponenten for en gruppe enn en annen. Med andre ord, disse er voksler som tidsforløpet av vokslene er mer lik den tid løpet av komponent (dvs. vise sterk funksjonell tilkobling til nettverket) for en gruppe enn for en annen. Etter denne prosedyren, vi sammenlignet barn og voksne rett fronto-parietal komponenter - en komponent vi bekreftet var romlig korrelert med en mal av en utøvende kontroll nettverk og ble aktivert av DCCS - og funnet ut at voxel innenfor lateral prefrontal, anterior cingulate, og parietal cortex lastet sterkere på denne komponenten i voksne enn hos barn ^14. Dette kontrastbilde er vist i figur 7..

Figur 1. Generelle ordningen med forsøket.

d/51003/51003fig2ahighres.jpg "src =" / files/ftp_upload/51003/51003fig2a.jpg "/>

Figur 2. Blokken design variant av dimensjonsendringer kort Sorter (DCCS) oppgave. I standardversjonen av oppgaven, barn slags toverdige testkort i binger preget av toverdige mål som samsvarer med hver testkortet på en enkelt dimensjon.Barn sortere et lite antall kort én måte (for eksempel ved å farge), og deretter blir bedt om å bytte og sortere de samme kortene en ny måte (for eksempel ved figuren). Utfallet tiltaket er om barn riktig slå sorteringskriterier. (A) I blokken design variant, er oppgaven datamaskin-administrert. To toverdige mål vises på skjermen gjennom hele oppgaven. Test kort presenteres sentralt for 1750 msek og deltakere sortere kortene ved hjelp av et tastetrykk. Forsøk der sorteringskriteriet er annerledes enn på den forrige rettssaken er bryter prøvelser; forsøk der sorteringskriteriet er den samme som på den forrige rettssaken er gjenta forsøkene. (b) Individuelle studier er presentert i 8-rettssaken blokker. Switch blokker inneholde fire gjenta og fire bryter prøvelser; gjenta blokkene inneholder 8 vendende forsøk. (c, d) Resultatene er presen er forskjellen i reaksjonstid og nøyaktighet på tvers av bryteren og gjenta blokkene.

. Figur 3 Gruppe ICA resultater:. Representative komponenter (a) Et sammensatt bilde av fem representativ gruppe komponenter fra en ICA av 11 voksne og 12 barn deltakere. Modellen ordren var 20. Går var 78 volumer lang. Komponenter er fargekodet (rød = visuell, blå = venstre fronto-parietal, grønn = standard-modus, rosa = høyre fronto-parietal, oransje = cingulo-isolerte). (B) Komponent timecourses og blokkdesign overlegg. Fra visuell inspeksjon, er det tydelig at oppgaven ytelse er assosiert med en økning i aktiviteten i visuelle og venstre fronto-parietal komponenter og en nedgang i aktiviteten i standard-modus nettverk. Disse intuitive resultatene illustrerer hvordan bruk av en grunnleggende blokk design gjør det relativt enkelt å vurdere kvaliteten på en ICA-nedbryting."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Klikk her for å se en større versjon av dette tallet.

. Figur 4 Gruppe ICA resultater:. Representative komponenter (a) Et sammensatt bilde av fem representativ gruppe komponenter fra en ICA av 11 voksne og 12 barn deltakere. Modellen ordren var 20. Går var 78 volumer lang. Komponenter er fargekodet (rød = visuell, blå = venstre fronto-parietal, grønn = standard-modus, rosa = høyre fronto-parietal, oransje = cingulo-isolerte) (b) Component tid kurs og blokkdesign overlegg.. Fra visuell inspeksjon, er det tydelig at oppgaven ytelse er assosiert med en økning i aktiviteten i visuelle og venstre fronto-parietal komponenter og en nedgang i aktiviteten i dEFAULT-modus nettverk. Disse intuitive resultatene illustrerer hvordan bruk av en grunnleggende blokk design gjør det relativt enkelt å vurdere kvaliteten på en ICA-nedbryting. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 5. Representant ICASSO utgang fra en svært pålitelig nedbryting. For å teste påliteligheten av noen enkelt nedbryting, er ICA kjøre flere ganger og resultatene på tvers av separate serier er plottet. Denne tomten gir en kortfattet oppsummering av resultatene av alle gjentakelser av ICA og gjør det mulig å visuelt vurdere likheten eller divergens i de løsningene som dukker opp fra ulike gjentakelser av ICA. Enkeltpunkter representerer enkelt løp estimater avspesielle komponenter. De lyseblå sirkler representerer centro av klynger av enkeltobservasjoner. Kompakte og isolerte klynger som faller innenfor grensen av centro foreslå god driftssikkerhet. Spredte klynger som bortkommen utenfor grensen av centro foreslå dårlig pålitelighet. For de fleste komponentene i denne figuren, var det en høy grad av likhet i komponenten på tvers av gjentakelser av ICA. Komponenter 58, 59, og 60 viste noen mindre variasjon på tvers av ulike gjentakelser. Klikk her for å se større bilde.

Figur 6. Den utøvende kontroll mal og den valgte akkurat fronto-parietal komponent, kledde på identiske skiver fra en høy resolution anatomisk scan, virker ganske sammenlignbare. Romlig sammenheng kan brukes til å kvantifisere og statistisk teste for likheten av disse kartene. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 7. Trekke riktige fronto-parietal komponenter av barn fra voksne avslører regioner med funksjonell tilkobling til det valgte utøvende nettverk er sterkere for voksne enn for barn. Disse områdene omfatter medial prefrontal cortex og ventral tegmentale området (se sagittal skive) og dorsolaterale prefrontal og inferior parietal cortex (se aksial skive). Vennligst klikkher for å se en større versjon av dette tallet.

Discussion

Høyere orden mentale operasjoner, som for eksempel muligheten til å bytte sorteringsreglene, utvikler seg raskt gjennom hele barndommen og ungdomsårene. Fordi disse mentale operasjoner involverer samhandling mellom flere distribuerte områder av hjernen, er det økende interesse for å utforske forholdet mellom utviklingen av høyere orden kognisjon og aldersrelaterte endringer i organiseringen av bred skala kortikale nettverk. Vi presenterer en metode basert på gruppe uavhengig komponent analyse brukes til oppgavebaserte fMRI data som et middel til å undersøke dette forholdet direkte.

I likhet med noen mellom-gruppe sammenligningsstudie, er suksessen til metoden forutsetter høy kvalitet fMRI data fra både voksne og barn. Gruppeforskjeller i bevegelse relaterte artefakt kan ha alvorlige konsekvenser for kvaliteten på ICA nedbrytning og føre til falske forskjeller i de resulterende komponenter. Gruppeforskjeller i utførelsen av oppgaver kan være potensielt problematic også, ettersom de vil undergrave levedyktigheten til time sortering for alle grupper. Hvis for eksempel en gruppe viser en stor ytelse forskjell mellom forsøks-og kontroll-forsøk, men en andre gruppe ikke skjer, vil det være vanskelig å identifisere komponenter som man kunne hevde er knyttet til en aktivitet på samme måte for begge grupper. Derfor, sørg for å ta deg tid til å samle inn data på riktig måte. Følg pediatriske Bildediagnostiske protokollen beskrevet godt av Raschle et al., 2009, og ta deg tid til å utvikle kognitive atferds metoder som reduserer mellom-gruppe forskjeller i ytelse / strategi-bruk.

Trouble-shooting/Caveats

Gruppe ICA er en avansert multivariat teknikk, men en som blir adoptert mer og oftere for en rekke av fMRI analyse applikasjoner, inkludert denoising, funksjonell tilkobling estimering, og bildebehandling dynamiske hjernen tilkoblings stater (se nedenfor). For første gang brukere, oppsett og tolkingproduksjonen av en gruppe ICA vil være litt forvirrende. Men, med litt trening / prøving og feiling, ting blir mye mer oversiktlig. Følgende forslag hjulpet oss enormt i å få over våre innledende usikkerhet.

Først starter små og bruke data samlet inn med en enkel design. Blokker design med 10 til 20 sek hvileperioder mellom blokkene er ideell i så måte. Til å begynne, kan du prøve å kjøre en ICA kjøre på tre eller fire 100-volum går av blokkdata fra fire eller fem deltakere. Dette vil ikke gi publiserbare resultater, men vil gå relativt raskt og gi fornuftige romlige komponenter. I tillegg bør det være forholdsvis lett å se blokkdesign representert i tidsforløpet for occipitale komponenter og standardkomponenter, og disse tids kurs positivt og negativt i forbindelse med oppgaven henholdsvis (se figur 4). Dette er en god måte å raskt få tillit med prosedyren før skalering analysen opp til inklue en hel datasettet. Skulle ting ikke fungerer ut på dette punktet, gå tilbake til dine forhåndsbehandlet bilder og se etter saker datakvalitet (f.eks alvorlige bevegelsesartefakter, dårlige skiver, osv.). Hvis romlige komponentene er ekstremt sparsom (dvs. romlige kretser består av mange små spredte klynger av voxel), sjekk for å sørge for at volumene ble glattet - en 8-mm FWHM kjerne anbefales.

Starter med en liten datasettet er også en god måte å få en følelse for å velge modell for, eller antall komponenter som skal inkluderes i en modell. Mens det ikke er en riktig måte å ta denne beslutningen, er det en rekke retningslinjer for å vurdere. Først, som GAVE implementerer en form for romlig ICA, er det maksimale antall komponenter som kan ublandet fra en volumetrisk tidsserie lik antallet av volumene i tidsserier. For det andre, GIFT beregner et anslag på dimensjonalitet av data ved hjelp av PCA, og disse estimatene er vanligvis i området of 18 til 22 komponenter. Sammen utgjør disse betraktninger gir en øvre og nedre grense for ditt valg av modell for. Etter det er det opp til deg. Bare husk at komponentene som ble romlig aggregert til en lavere modell ordre vil splitte hverandre i separate, men statistisk-relaterte komponenter som modell for er økt. Hvis du har tenkt å velge en komponent med en mal fra en annen forskningsgruppe, kan du vurdere å velge en modell for tilsvarende det som ble brukt i analysen som genererte malen, da dette vil øke sannsynligheten for at den komponenten du søker etter restene romlig intakt i din nedbryting.

Det er et par ting som kan være verdt å vurdere før du går fremover med ICA. Først romlige komponentene gir et grunnlag for å undersøke aldersrelaterte forskjeller i funksjonelle tilkoblingsmuligheter, men fortelle deg noe om hvordan eller om regionene som utgjør en komponent samhandle. To regioner kan laste på en komponentpå grunn av toveis, enveis, eller indirekte (dvs. via en tredje region) tilkobling, eller til og med statistisk tilfeldighet. Vær derfor forsiktig med å trekke konklusjoner. For det andre, hvis dine interesser er i å teste en bestemt hypotese om hvordan regionene samhandle og hvordan disse interaksjonene endre med utvikling, vil du trenger for å vurdere ytterligere analyser eller metoder. En mulighet er å bruke IC tid kurs og test for effektiv tilkobling mellom komponenter ved hjelp av lagged korrelasjonsanalyse. Verktøy for slike analyser er tilgjengelig som en del av GIFT Functional nettverkstilkobling (eller FNC) verktøykasse. Alternativt kan det være lurt å vurdere en helt annen tilnærming som Dynamic årsaksModeLing (DCM), som er tilgjengelig i SPM8.

Fordeler med eksisterende metoder

Hoved styrken av den aktuelle metode er at den gir i det minste noen grunn for å utlede funksjonen av målrettet hjernenettverks. I den grad at nettverk er identifisert på grunnlag av samvariasjon i signal tid kurs av ulike vokslene, og disse kovariansmatriser estimatene er et stabilt mål på funksjonell tilkobling, ICA og frø baserte tilnærminger fører til konvergerende bilder av kortikale nettverk enten de er brukt på hviletilstand eller oppgave basert fMRI data ^15. Den viktigste fordelen med å anvende gruppen ICA til oppgave-data er at det er mulig å danne foreløpige hypoteser om funksjonen av utvalgte nettverk. I den nåværende metode, vi å utnytte dette faktum for det formål å knytte en spesiell kognitiv operasjon - regel-svitsjing - i et bestemt nettverk. Ble samme nettverk fotografert mens deltakerne var i ro, ville det ikke være mulig å knytte en valgte nettverket med en bestemt atferd, i alle fall ikke direkte.

Andre programmer og fremtidige retninger

Gruppe ICA har vist stort potensial for å avdekke gruppe differeNCE i organisering og funksjon av kortikale nettverk, inkludert de som er relatert til alder, diagnostikk, personlighet, og så videre ^16. Multivariate prosedyrer som ICA er også godt egnet til identifisering av assosiasjoner på tvers av ulike data modaliteter, og ICA i særdeleshet har vist seg ganske fruktbart for å identifisere sammenhengene mellom fMRI og strukturelle MRI data, fMRI og EEG, og fMRI og genetikk ^17.

En ny og spennende retning er bruk av ICA i å utforske dynamiske endringer i hjernebarken tilkobling ^18. Hittil har kortikale nettverk blitt konseptualisert som arkitektonisk statisk, i hvert fall over korte tidsskalaer. Nyere arbeider har imidlertid begynt å undersøke hvorvidt funksjonelle tilkoblingsmuligheter både innen og mellom nettverk endres dynamisk i løpet av relativt korte tidsskalaer, muligens i forbindelse med endringer i kognisjon og adferd. Foreløpige funn, primært basert på hvile-state data, tyder på at hjernensykluser gjennom en rekke mikro, hver preget av en tydelig konstellasjon av forbindelser mellom ulike områder av hjernen. En åpenbar forlengelse av den nåværende metoden ville være å undersøke dynamiske endringer i nettverkstilkobling i forbindelse med endringer i kognitive krav gjennom anvendelse av gruppen ICA til aktivitetsdata. Anvendt til fMRI data samlet inn fra deltakere i ulike aldre, kan resultatene potensielt avdekke forskjeller i hvordan yngre og eldre hjerner dynamisk tilpasse seg kognitive og atferdsmessige utfordringer.

Materials

Name	Company	Catalog Number	Comments
SPM8	The MathWorks, Inc.	R2013a