En metod för utredning Åldersrelaterade Skillnader i Funktionell Connectivity av kognitiv kontroll Networks associerad med Dimensional Change Card Sort Performance

Summary

Denna video presenterar en metod för att behandla åldersrelaterade förändringar i funktionell uppkoppling av kognitiva kontrollnätverk som arbetar med riktade uppgifter / processer. Tekniken baseras på multivariat analys av fMRI data.

Abstract

Förmågan att anpassa beteendet för plötsliga förändringar i miljön utvecklas gradvis under barndomen och tonåren. Till exempel i den Dimensional Change Card Sort uppgift, deltagare byta från att sortera korten ett sätt, till exempel form, för att sortera dem på olika sätt, till exempel färg. Justera beteende på detta sätt utkräver en liten prestanda kostnad, eller switch kostnad, så att svaren är oftast långsammare och mer felbenägen på switch prövningar där sorteringsregeländringar jämfört upprepa prövningar där sorteringsregeln förblir detsamma. Förmågan att flexibelt anpassa beteendet sägs ofta att utvecklas successivt, delvis på grund beteende kostnader såsom växelkostnaderna minskar normalt med stigande ålder. Varför aspekter av högre ordningens kognition, exempelvis beteende flexibilitet, utvecklas så småningom är en öppen fråga. En hypotes är att dessa förändringar förekommer i samband med funktionella förändringar i bred skala kognitiva kontrollnätverk. På denna uppfattning,komplexa mentala funktioner, såsom omkoppling, innebära snabba interaktioner mellan flera distribuerade hjärnregioner, inklusive de som uppdatera och underhålla uppgiftsregler, omorientera uppmärksamhet och väljer beteenden. Med utveckling, funktionella kopplingar mellan dessa områden stärkas, vilket leder till snabbare och effektivare omkopplingar. Den aktuella videon och beskriver en metod för att testa denna hypotes genom insamling och multivariat analys av fMRI data från deltagare i olika åldrar.

Introduction

Förmågan att reglera beteendet utvecklas gradvis under barndomen och ungdomsåren (för översikt se Diamond ^1). I Dimensional Change Card Sort uppgift, till exempel deltagare byta från att sortera korten ett sätt, till exempel form, för att sortera dem på olika sätt, till exempel färg ² (se figur 2). Omkoppling utkräver en liten prestanda kostnad, eller switch kostnad, så att svaren är oftast långsammare och mer felbenägen på switch prövningar där sorteringsregeländringar jämfört upprepa prövningar där sorteringsregeln förblir den samma ^3. Storleken på dessa kostnader blir oftast mindre när barnen blir äldre ^4, illustrerar det faktum att kapaciteten för beteendereglering genomgår fortsatt utveckling tidigt i livet.

Eftersom komplexa mentala funktioner, såsom omkoppling, innebära snabba interaktioner mellan flera hjärnregioner ^5, det finns ett växande intresse för relating utvecklingen av högre ordningens kognition på förändringar i den funktionella organisation bred skala kortikala nätverk ^6.

Ett tillvägagångssätt för att utreda utvecklings förändring i bred skala nätverk är genom användning av utsäde-baserade funktionsanalys anslutning ^6,7. Det första steget i denna teknik är att samråda med tillgängliga forskningslitteratur och definiera a priori regioner av intresse, eller ROI, som verkar vara relevanta för beteendet i fråga. Dessa ROI, eller noder, definiera den grundläggande skelettet av nätverket. Därefter lågfrekventa svängningar i verksamheten (eller T2 *-viktade signalstyrkan) i dessa ROI mäts i 5 till 10 minuter medan deltagarna är i vila i en magnetkamera. Funktionell anslutning mellan två noder i nätverket är sedan kvantifieras som korrelationen av deras respektive tidsförlopp. Noder som är starkt kopplade funktionellt bör ha liknande, och därmed starkt korrelerade, signaltidsförlopp. Å andra sidan bör noder som svagt är anslutna funktionellt ha olika och därmed svagt korrelerade, signaltidsförlopp. För att slutföra en modell av nätet, är kanterna (eller länkar) dras mellan noder vars tid kurser korrelerar över en vald tröskel. Tester för åldersrelaterade skillnader i funktionell uppkoppling inom ett nätverk kan även genomföras med en enda nod-till-nod-anslutning, eller på topologi av hela uppsättningen av noder och kanter. Dessa skillnader i funktionell uppkoppling kan sedan relateras till åtgärder av kognitiv förmåga som samlats offline.

I denna skrift, är ett annat tillvägagångssätt beskrivs som bygger på grupp oberoende komponent analys av uppgiftsbaserade fMRI data ^8. Oberoende komponentanalys (eller ICA) är ett statistiskt förfarande för blint avslöja dolda källor som ligger bakom en rad observationer så att de uppenbarade källorna är maximalt oberoende. Tillämpat på analysen av fMRI data, pÖRFARANDE förutsätter att varje volym är en blandning av ett ändligt antal rumsligt oberoende källor. Med hjälp av en av en mängd olika algoritmer, såsom Infomax algoritm ICA beräknar sedan en unmixing matris, som när den tillämpas på den ursprungliga informationen ger en uppsättning av maximalt oberoende källor, eller komponenter. Varje komponent kan ses som ett nätverk, i den mån den består av en uppsättning voxlar som delar en gemensam tidsförlopp. Koncernen ICA är en viss typ av ICA, där en gemensam uppsättning grupp komponenter först beräknas från en hel uppsättning data, och sedan deltagare specifika uppsättningar av gruppkomponenterna beräknas i en back-rekonstruktion steg. När en hel uppsättning data bryts ned i en uppsättning komponenter, är nästa steg att göra sig artefaktuella komponenter som representerar bullerkällor, och identifiera teoretiskt meningsfulla komponenter som motsvarar med nätverk av intresse. Detta kan uppnås antingen genom modellering komponenttidsförlopp i samband med en GLM till IDEntify nätverk som aktiverar på ett förutsagt sätt, rumsligt korrelera komponenter med en mall av ett nätverk av intresse, eller båda. Den resulterande uppsättning komponenter kan sedan lämnas till en jämförelsegrupp för att testa eventuella åldersrelaterade skillnader i funktionell uppkoppling inom teoretiskt intressanta nätverk ^7,9,10.

Studera åldersrelaterade förändringar i funktionell uppkoppling genom tillämpning av grupp ICA att uppgiftsbaserade fMRI uppgifterna har flera fördelar jämfört med tillämpningen av utsädesbaserade tekniker för att vila-state fMRI-data. Först, till skillnad från frö-baserade tekniker som fokuserar på en liten uppsättning på förhand definierade ROI, utnyttjar den aktuella gruppen ICA synsätt alla voxlar som omfattar en volyme tidsserier. Detta minskar möjligheterna för förspänning som med nödvändighet uppkommer när en liten grupp av frön väljs ut på förhand som regioner av intresse. För det andra, att tillämpa funktionsanalys anslutning (ICA-baserade eller på annat sätt) till uppgift-snarare än vila-state fMRI uppgifter har den fördelen att organisationens nätverk och nätverksfunktion som mer direkt samband. Om, till exempel, att undersöka de kognitiva och beteendemässiga konsekvenser av funktionell anslutning (t.ex. variation i DCCS prestanda) är en prioritet, är det viktigt att visa att det nätverk av intresse är förknippad med uppgiften prestanda. Med vila-state-protokoll, är det mycket svårt, eftersom forskaren har inga uppgifter om eventuella kognitiva, beteendemässiga eller affektiva tillstånd som upplevs av deltagaren under datainsamling. Det är därför omöjligt att ge direkta bevis för att alla nätverk av intresse är relevant för uppgiften prestanda. Däremot, när funktionell connectivity analys, till exempel ICA, tillämpas på uppgiften-data är det möjligt att bekräfta att det nätverk av intresse åtminstone i samband med utförandet av en uppgift. Slutligen är ICA mindre utsatt för den skadliga påverkan av buller. Bullerkällor, såsom de som förknippas with motivrörelser och hjärtrytmen, har unika spatio-temporala profiler. Därför, i samband med en grupp ICA är dessa källor isoleras och tilldelas till separata komponenter, vilket lämnar återstående komponenterna relativt fria från dessa ovälkomna källor av varians. Eftersom utsäde baserade analyser använder rå tidsförlopp vid uppskattningen av funktionella anslutningsmöjligheter, och tidsförlopp är, per definition, blandningar av neurofysiologisk signal och artefaktuella brus, gruppskillnader i funktionella anslutnings uppskattningar kan återspegla verkliga gruppskillnader i underliggande neurofysiologi, gruppskillnader strukturen hos brus, eller båda ^11.

Protocol

1. Få godkännande för att arbeta med mänskliga ämnen

2. FMRI Datainsamling

1. Förvärva fMRI uppgifter enligt förfaranden som lämpar sig för små barn (se Raschle, et al. ^12). Gör allt för att begränsa eventuella åldersrelaterade skillnader i uppgift prestanda och rörelse, eftersom dessa skillnader införa oönskade blandar ihop som begränsar ens förmåga att dra slutsatser om utvecklings-relevanta skillnader i hjärnaktivering och funktionella anslutningsmöjligheter.
   OBS: I det nuvarande protokollet, var en upprepade-prövningar version av DCCS administreras i form av ett block konstruktion ^13. Varje kör har två 8-rättegång byta block och två 8-rättegång kommande block, där switch block består av 4 switch prövningar och 4 upprepade försök, och upprepa block består av 8 upprepade försök. Protokollet är perfekt lämpade för användning tillsammans med händelserelaterade fMRI data. Men blockera mönster är trevligt att arbeta med när först få acquainted med ICA, som det är lätt att se uppgiften modulationer i komponenttidsförlopp.
2. Förbehandla fMRI uppgifter följande standard fMRI förbehandlingsförfaranden.
   1. Rikta alla funktionella bilder till samma orientering och placering. Typiskt är den första funktionella volym används som en referensbild för alla andra volymer som ska anpassas till.
   2. Coregister T1-viktade (anatomisk) bild med T2 *-viktade (funktionella) genomsökningar, så att aktiveringen är över på den rätta anatomiska läget.
   3. Normalisera alla bilderna till en standardiserad storlek, utrymme, och position med valet av en mall hjärnan (t.ex. Talairach utrymme). Detta bidrar till att homologa regioner från olika ämnen jämförs.
      OBS: Bilderna är skev till Talairach utrymme i det nuvarande protokollet, även om andra mallar kan också användas (till exempel MNI {Montreal Neurological Institute} utrymme).
   4. Smooth alla funktionella volymer i datett set med 6 till 10 mm utjämning kärna.
3. Sequester förbehandlade volymer i en separat uppsättning av kataloger. Använd "Functional skanningar" som den översta katalogen. Inom "Funktionella läsningar" inkluderar en separat katalog för varje deltagare, och inom varje deltagare katalog, en separat katalog för varje körning. Datan är nu klar för ICA-analys.

3. Group Independent Component Analysis (ICA)

1. Ladda ner och installera grupp ICA programvara. Det finns ett antal av lådor, som kan genomföra ICA på olika typer av neurofysiologiska data, inklusive fMRI. Medan någon verktygslåda som utför grupp ICA skulle eventuellt vara lämpligt, är den som används i det nuvarande protokollet kallas GÅVA. GIFT har utvecklats av Vince Calhoun och kollegor vid University of New Mexico. Den GÅVA verktygslåda är en uppsättning MATLAB-skript som fungerar tillsammans med SPM, en välkänd fMRI analyspaket. Båda kan be ner gratis från Internet (GIFT: mialab.mrn.org / software / gåva / index.html #, SPM: www.fil.ion.ucl.ac.uk/spm/). När du har hämtat, tillsätt GIFT verktygslådan och alla underkataloger till MATLAB sökvägen och spara sökväg filen.
2. Computing en grupp ICA på fMRI data med hjälp GIFT gör stora krav på RAM-minne. De exakta kraven på minnet varierar beroende på antalet deltagare, den mängd data som samlas in från varje deltagare, och upplösningen av data. För att undvika minnesproblem, är det bäst att köra ICA-analys på en server. Om att köra analysen på en lokal dator, kan RAM-krav uppskattas med hjälp av ett skript "icatb_mem_ica.m" som är en del av GÅVA.
3. Set-up eller parameter analysen. Gör detta genom att modifiera en befintlig batch script som heter "Input_data_subjects_1.m" som lagras i GÅVA under "icatb_batch_files".
   OBS: Detta kan också göras genom att använda GÅVA s grafiska användargränssnitt Interfess. Men det är mycket lättare, med lite övning, för att ställa in analysen genom att modifiera denna redan existerande skript.
   1. Ange data modalitet som fMRI
   2. Ange typ av analys som ICA med ICASSO. Detta kommer att säkerställa att ICA drivs med ICASSO förfarandet. ICASSO beräknar tillförlitligheten hos sönderdelningen genom att köra ICA flera gånger börjar med olika slumpmässiga frön. Den testar då likheten mellan varje resultat med hjälp av klustring. Användning av ICASSO rekommenderas som medel för kontroll av kvaliteten på ICA nedbrytning, men kommer att avsevärt förlänga den tid det tar GIFT att slutföra analysen.
      1. För att köra ICA med ICASSO proceduren väljer 2 "under" Typ av analys "och sedan parameter det ICASSO förfarandet i de följande raderna i installationsfilen.
   3. Maximera resultatet för gruppen PCA genom att välja 1 "under grupp PCA prestandainställningar. Överväg att sätta denna parameter till '2"Borde problemen med otillräcklig RAM-minnet förekommer.
   4. För att möjliggöra senare sortering av resulte komponenter med hjälp av prediktorer från en standard SPM konstruktion matris, ange om det finns olika matriser för olika ämnen.
   5. Ange var de förbehandlade funktionella data lagras och huruvida en SPM.mat fil som innehåller konstruktionen matrisen lagras tillsammans med de förbehandlade funktionella uppgifter.
      1. Det enklaste sättet att få GIFT att läsa data om varje deltagare har samma antal körningar, och datakatalogen är strukturerad enligt beskrivningen i steg 2.3 i fMRI datainsamling. Om så är fallet, då under DataSelectionMethod valde '1 'för metod 1, och fylla i parametern "sourceDir_filePattern_flagLocation" genom att inkludera filepath där data lagras, filformatet för datan, och ett uttalande om att enskilda sessioner lagras som underkataloger inom varje ämne mapp.
      Ange katalogen där utgången av analysen ska skrivas. Skriv inte resultatet i samma katalog där data lagras.
   6. Ge ett prefix som läggs till alla utdatafiler.
   7. Tillhandahålla en filepath till en mask. Alla volymer som lämnas in till ICA är maskerade. GIFT tillhandahåller en standardmasken. För detta arbete, ett eget skript för att generera en mask från de data som kommer att lämnas in till ICA. Åtminstone bör masken bort skallen, extra-cerebral utrymme, och framför ögonglober. Signal från ögongloben voxlar visar mycket stora svängningar under en körning, och kommer därför att ha en betydande inverkan på strukturen av de sista komponenterna. Figur 3 visar vad en bra mask ska se ut.
   8. Ange vilken typ av grupp PCA som ska användas. Använd "ämnesspecifik."
   9. Specificera back-rekonstruktionsmetoden. I detta skede är individuellt ämne IC: s och deras tillhörande tidsförlopp beräknas tillbakam resultaten i analysgruppen. Gica rekommenderas för att få de bästa tidsförlopp, även om det är stor diskussion i litteraturen på denna punkt.
   10. Ange uppgifter förbehandling typ. Använd intensitet normalisering för att undvika icke-numeriska värden (dvs. oändligheter, och Nan) i produktionen. I detta exempel har vi valt den förvalda av '1 '.
   11. Ange vilken typ av PCA (vi använder standard) och acceptera standardvärden enligt PCA-alternativ. GIFT utför en PCA på varje körning av varje deltagare och bibehåller ett antal komponenter som är lika med antalet källor för att vara oblandad i ICA. PCA tjänar två viktiga syften. Först hjälper det att eliminera bullerkällor som är unika för varje deltagare och varje körning. För det andra, det gör de beräknings krav analysen mer lätthanterlig.
   12. Ange hur många PCA att köra på data före ICA (2 rekommenderas). Vad bra, ange hur många komponenter för att behålla efter varje PCA (om att köra2, är det rekommenderat att antalet komponenter som kvarhålls efter första PCA är dubbelt så många kvar efter den andra).
   13. Ange hur data ska skalas. För detta arbete, var z-poängen skalning användas.
   14. Välj en blind källsortering algoritm för ICA. För detta arbete har Infomax användas. GIFT erbjuder ett urval av minst 10 olika algoritmer.
   15. Resterande parametrar kan lämnas som de är.
4. När ICA är klar väljer du bland tillgängliga komponenter de som är av potentiellt teoretiskt intresse. Genom GIFT GUI väljer komponentval: spatial sortering sorterar rumsliga komponenter med hjälp av spatial korrelation med en befintlig mall; tidsmässiga sortering sorterar komponent tidsförlopp med hjälp av linjära prediktorer från SPM designen matris som du kan lagra med data (se 3.3.5).
   OBS: Båda metoder för komponentval har nytta. Men när man arbetar med uppgiftsdata, tidsmässiga urvalKriterierna är särskilt användbara, eftersom de ger en möjlighet att kontrollera att den valda komponenten aktiverades av uppgiften. I fallet med den DCCS kan använda tids sortering användas för att bekräfta att den valda komponenten var mer aktiva under switch block än under kommande block.
5. Testa om barn och vuxna versioner av dessa utvalda komponenter skiljer sig åt. Aggregate barn och vuxna komponenterna av intresse in i två separata grupper och testet med hjälp av en två-sample t-testregioner där komponenterna variera. Detta är relativt lätt att göra genom present GUI.

Representative Results

Koncernen ICA, även på en relativt liten fMRI datamängd, kommer tillbaka en uppsättning komponenter som är jämförbara med dem som observerats i andra studier. Figur 4 är en överlagring av 5 sådana komponenter och tillhörande tidsförlopp oblandade från ett urval av 12 barn och 13 vuxna , med ca 800 volymer per deltagare. Såsom visas i figur 4, standardläge, fronto-parietal kan cingulo-öar, och visuell nätverk lätt ses från resultaten av denna sönderdelning. Vad bra, märker hur lätt det är att urskilja blockdesign i tidsförloppen för de visuella och standardläge komponenter.

En framgångsrik ICA nedbrytning bör vara tillförlitlig. Tillförlitligheten av sönderdelningen kan utvärderas genom att undersöka utmatningen från ICASSO procedur Figur. 5 visar en del av ICASSO utgång för en tillförlitlig sönderdelning utförs i GIFT.

Vid användning av rumslig correlatjon som en grund för val av komponenter, är det bra att rapportera korrelationskoefficienten och presentera mallen och den valda komponenten tillsammans för visuell jämförelse. I en nyligen papper, var rumsliga och tidsmässiga sortering båda används för att identifiera en fronto-parietal komponent som var både rumsligt korrelerade med en mall av en verkställande kontrollnätverk, och var mer aktiv för kopplingsblock än kommande block i DCCS Figur 6 visar. mallbilden och den valda komponenten. Lägg märke till att det finns god överensstämmelse mellan de två bilderna.

Grupp jämförelser av kartor komponent kan användas för att testa för åldersrelaterade skillnader i funktionell uppkoppling för den valda komponenten. Voxlar som visas på de resulterande kartorna är de som "last" mer på den valda komponenten för en grupp än en annan. Med andra ord, dessa är voxlar där tidsförloppet av voxlar är mer lik tidsförloppet för komponent (dvs. stark funktionell anslutning till nätet) för en grupp än för en annan. Efter denna procedur, jämförde vi barn och vuxna just fronto-parietala komponenter - en komponent vi bekräftat var rumsligt korrelerade med en mall av en verkställande kontrollnätverk och aktiveras av DCCS - och fann att voxlar inom lateral prefrontal, främre cingulum, och parietal cortex lastas mer på denna komponent hos vuxna än hos barn som är ^14. Denna kontrastbilden visas i figur 7.

Figur 1. Övergripande system av experimentet.

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

Figur 2. Blocket-designen variant av Dimensional Change Card Sort (DCCS) uppgift. I standardversionen av uppgiften, barn sorterar bivalenta testkort i papperskorgar markerade med bivalenta mål som matchar varje testkort på en enda dimension.Barnen sorterar ett litet antal kort ett sätt (t.ex. genom färg), och sedan instrueras att byta och sortera samma kort ett nytt sätt (t.ex. genom formen). Utfallsmåttet är om barnen på rätt sätt växla sorteringskriterier. (A) I blocket-designen variant, är uppgiften dator administreras. Två bivalenta mål visas på skärmen under hela uppdraget. Test kort presenteras centralt för 1.750 msek och deltagare sortera korten med hjälp av en knapp-press. Prövningar där sorteringskriteriet är annorlunda än på den tidigare rättegången är switch försök; prövningar där sorteringskriteriet är samma som på den tidigare rättegången är återkommande prövningar. (b) Individuella studier presenteras i 8-rättegång block. Switch block innehåller 4 repeat och 4 switch prövningar; kommande block innehåller 8 upprepade försök. (c, d) Utfall åtgärder är skillnaden i svarstid och noggrannhet över brytaren och upprepa block.

. Figur 3 Grupp ICA-resultat:. Representativa komponenterna (a) en sammansatt bild av fem representativa grupp komponenter från en ICA av 11 vuxna och 12 barn deltagare. Modellen ordning var 20. Körs var 78 volymer lång. Komponenter är färgkodade (röd = visuell, blå = vänster fronto-parietal, grön = default-läge, rosa = höger fronto-parietal, Orange = cingulo-trångsynt). (B) Komponent timecourses och blockdesign overlay. Från visuell inspektion, är det uppenbart att uppgiften prestanda är förknippad med en ökad aktivitet i visuella och vänster fronto-parietala komponenter och en minskad aktivitet i default-läge nätverk. Dessa intuitiva resultat illustrerar hur användningen av ett basblock design gör det relativt lätt att bedöma kvaliteten på en ICA-nedbrytning."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Klicka här för att se en större version av denna siffra.

. Figur 4 Grupp ICA resultat:. Representativa komponenter (a) En sammansatt bild av fem representativa grupp komponenter från en ICA av 11 vuxna och 12 barn deltagare. Modellen ordning var 20. Körs var 78 volymer lång. Komponenter är färgkodade (röd = visuell, blå = vänster fronto-parietal, grön = default-läge, rosa = höger fronto-parietal, Orange = cingulo-ö) (b) Komponenttidsförlopp och blockera konstruktion overlay.. Från visuell inspektion, är det uppenbart att uppgiften prestanda är förknippad med en ökad aktivitet i visuella och vänster fronto-parietala komponenter och en minskad aktivitet i dtandardfärg modsnätet. Dessa intuitiva resultat illustrerar hur användningen av ett basblock design gör det relativt lätt att bedöma kvaliteten på en ICA-sönderfall. Klicka här för att se en större version av denna siffra.

Figur 5. Representant ICASSO utdata från en mycket tillförlitlig nedbrytning. För att testa tillförlitligheten av varje enskild sönderfall, är ICA köra flera gånger och resultatet över separata körningar plottas. Denna tomt ger en kort sammanfattning av resultaten av alla iterationer av ICA och gör att man kan visuellt bedöma likheten eller divergens i de lösningar som kommer från olika iterationer av ICA. Enstaka punkter representerar enda körning uppskattningar avsärskilda komponenter. De ljusblå cirklarna representerar centrotypes av kluster av enskilda observationer. Kompakt och isolerade grupper som faller inom gränsen för centrotype tyder god tillförlitlighet. Spridda kluster som avviker utanför gränsen för centrotype föreslår dålig tillförlitlighet. För de flesta komponenter i denna siffra, det fanns en hög grad av likhet i komponenten i olika iterationer av ICA. Komponenter 58, 59, och 60 visade vissa mindre variationer mellan olika iterationer. Klicka här för att visa en större bild.

Figur 6. Verkställande styrmall och den valda rätten fronto-parietal komponent, överlagras på identiska skivor från en hög resolution anatomisk scan, verkar helt jämförbara. Rumslig korrelation kan användas för att kvantifiera och statistiskt testa för likheten mellan dessa kartor. Klicka här för att se en större version av denna siffra.

Figur 7. Subtrahera rätt fronto-parietala komponenter i barn från vuxna avslöjar regioner som funktionell anslutning till det valda verkställande nätverket är starkare för vuxna än för barn. Dessa regioner omfattar medial prefrontal cortex och ventrala tegmentumområdet (se sagittal skiva) och dorsolaterala prefrontala och underlägsna parietal cortex (se axiell slice). Klickahär för att se en större version av denna siffra.

Discussion

Högre ordningens mentala operationer, till exempel förmågan att växla sorteringsregler, utvecklas snabbt under hela uppväxten. Eftersom dessa mentala operationer involverar interaktioner mellan flera distribuerade hjärnregioner, det finns ett växande intresse för att undersöka sambandet mellan utvecklingen av högre ordningens kognition och åldersrelaterade förändringar i organisationen av en bred skala kortikala nätverk. Vi presenterar en metod som bygger på grupp oberoende komponent analys tillämpas på uppgiftsbaserade fMRI uppgifter som ett sätt att undersöka detta förhållande direkt.

Som gäller för varje mellan-grupp jämförelsestudie, är framgången av metoden bygger på högkvalitativa fMRI data från både vuxna och barn. Grupp skillnader i rörelserelaterade artefakt kan få allvarliga konsekvenser för kvaliteten på ICA nedbrytning och leder till falska skillnader i de resulterande komponenter. Grupp skillnader i uppgift prestanda kan vara potentiellt problematic också, eftersom de kommer att undergräva lönsamheten för tids sortering för alla grupper. Om till exempel en grupp visar en stor skillnad i prestanda mellan försöks-och kontrollförsök, men en andra grupp inte gör det kommer det att bli svårt att identifiera komponenter som man skulle kunna göra anspråk på är kopplade till en uppgift på samma sätt för båda grupperna. Därför är det viktigt att ta sig tid för att samla in data på rätt sätt. Följ pediatrisk neuroradiologiska protokoll som beskrivs väl av Raschle et al., 2009, och tar tid att utveckla kognitiva beteendemetoder som minskar mellan-grupp skillnader i prestanda / strategi-användning.

Trouble-shooting/Caveats

Koncernen ICA är en avancerad multivariat teknik, men en som håller på att antas oftare för en mängd olika fMRI analysapplikationer, inklusive denoising, funktionell connectivity uppskattning, och bild dynamisk hjärna anslutningstillstånd (se nedan). För första gången användare, inrättande och tolkningutsignalen från en grupp ICA kommer att vara lite förvirrande. Men, med lite övning / försök och misstag, saker blir mycket enklare. Följande förslag hjälpt oss enormt i att få över våra inledande osäkerhet.

Först, starta små och använda uppgifter som samlats in med en enkel design. Blockera konstruktioner med 10 till 20 sek vila mellan blocken är idealiska i detta avseende. Börja med att köra en ICA springa på 3 eller 4 100 volymer körningar av blockdata från 4 eller 5 deltagare. Detta kommer inte att ge publicerbara rön, men kommer att köra relativt snabbt och producera vettiga rumsliga komponenter. Vad bra, bör det vara relativt lätt att se blockdesign representerade i tidsförloppet av occipital komponenter och standardkomponenter, med dessa tidsförlopp positivt och negativt associerad med uppgiften (se diagram 4). Detta är ett bra sätt att snabbt vinna förtroende med förfarandet vid skalning analysen fram till inklusivee en hel uppsättning data. Om saker och ting inte träna på denna punkt, gå tillbaka till dina förbehandlade bilder och kontrollera frågor datakvalitet (t.ex. svåra rörelseartefakter, dåliga skivor, etc.). Om rumsliga komponenter är extremt gles (dvs. rumsliga IC består av många små spridda grupper av voxlar), kontrollera att volymer jämnas - en 8-mm FWHM kärna rekommenderas.

Börjar med en liten datamängd är också ett bra sätt att få en känsla för att välja den modell ordning, eller antalet komponenter som ska ingå i en modell. Även om det inte finns ett rätt sätt att göra detta beslut, det finns ett antal riktlinjer att tänka på. Först, som GIFT realiserar en form av rumslig ICA är det maximala antalet komponenter som kan oblandad från en volymetidsserie som är lika med antalet volymer i Kvartals. För det andra beräknar GÅVA en uppskattning av dimensionerna av data med hjälp av PCA, och dessa beräkningar är oftast i intervallet of 18-22 komponenter. Tillsammans ger dessa faktorer ger en övre och nedre gräns för ditt val av modell ordning. Efter det är det upp till dig. Helt enkelt komma ihåg att komponenter som var rumsligt aggregerade på en lägre modell för att dela isär i separata men statist-relaterade komponenter som modell order ökar. Om du planerar att välja en komponent med hjälp av en mall från en annan forskargrupp, kan du överväga att välja en modell för liknande det som användes i analysen som genererade mallen, eftersom detta kommer att öka sannolikheten för att den komponent du söker efter kvarlevor rumsligt intakt i din nedbrytning.

Det finns några varningar som kan vara värt att överväga innan man går vidare med ICA. Först, rumsliga komponenter ger en grund för att undersöka åldersrelaterade skillnader i funktionell uppkoppling, men berätta ingenting om hur eller ens om regioner som utgör en komponent samverkar. Två regioner kan lasta på en komponentpå grund av dubbelriktad, enkelriktad, eller indirekt (dvs. via en tredje region)-anslutning, eller till och med statistisk slump. Var därför försiktig med att dra slutsatser. För det andra, om dina intressen är att testa en viss hypotes om hur regioner interagerar och hur dessa interaktioner förändras med utvecklingen, måste du överväga ytterligare analyser eller metoder. En möjlighet är att använda IC-tidsförlopp och prov för effektiv anslutning mellan komponenter genom släpat korrelationsanalys. Verktyg för dessa typer av analyser finns tillgängliga som en del av GIFT Functional anslutning till nätverk (eller FNC) verktygslåda. Alternativt, kan du överväga ett helt annat tillvägagångssätt som t.ex. Dynamic Orsaksmodeling (DCM), som finns i SPM8.

Fördelar med befintliga metoder

Den främsta styrkan i den nuvarande metoden är att den ger åtminstone någon grund för att dra slutsatsen att funktionen av riktade hjärnans nätverker. I den mån nätverken identifieras på basis av samvariationen i signaltidsförlopp för olika voxlar, och dessa kovarians uppskattningar är ett stabilt mått på funktionell connectivity, ICA och utsädesbaserade metoder leda till konvergerande bilder av kortikala nätverk oavsett om de tillämpas på vila-stat eller uppdrag baserade fMRI uppgifter ^15. Den viktigaste fördelen med att tillämpa grupp ICA till uppgift-data är att det är möjligt att bilda preliminära hypoteser om funktionen av utvalda nätverk. I den nuvarande metoden, utnyttja vi detta faktum i syfte att koppla en viss kognitiv funktion - regel-omkoppling - till ett visst nätverk. Var samma nätverk avbildas medan deltagarna var i vila, skulle det inte vara möjligt att koppla ett valt nätverk med ett visst beteende, åtminstone inte direkt.

Ytterligare tillämpningar och framtida inriktningar

Koncernen ICA har visat stor potential för att avslöja grupp differeNCES i organisationen och funktion kortikala nätverk, bland annat de som rör ålder, diagnostisk status, personlighet, och så vidare ^16. Multivariata tillvägagångssätt liksom ICA är också väl lämpad för identifiering av föreningar inom olika data formerna, och ICA i synnerhet har visat sig vara mycket fruktbart för att identifiera kopplingar mellan fMRI och strukturella MRI data, fMRI och EEG och fMRI och genetik ^17.

En ny spännande inriktning är att använda ICA utforska dynamiska förändringar i kortikala anslutning ^18. Hittills har kortikala nätverk valts konceptualiseras som arkitektoniskt statisk, åtminstone under korta tidsskalor. Senare arbeten har emellertid börjat undersöka huruvida funktionell anslutning både inom och mellan nät ändras dynamiskt över relativt korta tidsskalor, eventuellt i association med förändringar i kognition och beteende. Preliminära resultat, baserade främst på vilande-state data tyder på att hjärnangår igenom en mängd olika mikrostater, var och en kännetecknas av en distinkt konstellation av förbindelser mellan olika områden i hjärnan. En självklar förlängning av den nuvarande metoden skulle vara att undersöka dynamiska förändringar av nätverksanslutning i samband med förändringar i kognitiva krav genom att tillämpa grupp ICA till uppgiftsdata. Tillämpat på fMRI data som samlats in från deltagare i olika åldrar, kan resultaten eventuellt avslöjar skillnader i hur yngre och äldre hjärnor anpassas dynamiskt till kognitiva och beteendemässiga problem.

Materials

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