Abstract
이것은 현재 상태 관련 정보도 변량 활성화의 수준과 유사한 조건에서, 기능적 자기 공명 영상 (fMRI) 뇌 활동의 분산 패턴 내에 존재할 수 있다는 것이 이해된다. 다중 복셀 패턴 (MVP) 분석은 큰 성공이 정보를 디코딩하기 위해 사용되어왔다. FMRI의 조사는 또한 종종 뇌 영역이 상호 연결된 네트워크에서 상호 작용하는 방식을 이해하기 위해 노력하고, 시간이 지남에 따라 응답을 상관이 지역을 식별하는 기능을 연결 (FC)를 사용합니다. 단 변량 분석은 MVP가있는 정보에 민감 할 수있는 것처럼, FC 완전히 특성 MVP의 서명이있는 조건을 처리하는 뇌의 네트워크의 특성을하지 않을 수 있습니다. 방법은 여기에 설명 된 정보를 연결 (IC)는 FC에 액세스 할 수없는 연결을 드러내는 시간에 걸쳐 MVP-discriminability에 상관 변화 영역을 식별 할 수 있습니다. 방법은 종자 CONN를 식별 서치를 사용하여 탐색 될 수있다ected 영역, 또는 미리 선택된 지역 -의 이익 사이에, 계획. 결과는 MVP와 관련된 조건을 처리하는 지역의 네트워크를 명료하게 분석 MVPA 서치지도 할 수있는 별도의 네트워크로, 또는 작업과 환자 그룹간에 비교 될 수 있습니다.
Introduction
여기에 설명 된 분석 방법의 목적은 다중 복셀 정보의 변동에 근거 뇌 영역 간의 연결성을 측정하는 것이다. 기능성 자기 공명 영상 (fMRI) 분석 기술의 진보는 많은 양의 정보가 여러 복셀 1-3 분산 된 혈액 산소화 수준 의존 (BOLD) 활동 패턴 내에 함유 될 수 있음을 밝혀냈다. 다중 복셀 패턴 분석 (MVPA)로 알려진 - - 변수 정보에 민감 기술의 집합 조건이 구별 단 변량 응답이 1,2,4에도 불구 구별 MVP가있을 수 있다는 것을 보여주기 위해 사용되었습니다. 단 변량 응답을 비교 표준 분석은,이 다중 복셀 정보에 민감 할 수있다.
인간이 자극을 처리하고인지 적 작업을 수행 할 때 여러 뇌 영역이 관여된다. 기능적 연결 (FC)는 일반적으로 investi하기 위해 사용하는 방법입니다게이트와 같은 기능 네트워크 5,6. 가장 기본적인 형태에서, FC 다른 복셀 또는 지역 간 협력 활성화, 또는 동기 성을 정량화한다. FC는 많은 성공과 기능적으로 연결된 뇌 네트워크를 식별하는 데 사용되었다. 많은 지역 및 조건을 위해, 그러나, 단 변량 응답은 BOLD 활동 내에서 사용 가능한 모든 정보를 반영하지 않습니다. 동적 응답 변량 수준을 변경 추적 FC 기술은 다중 복셀 정보에 공통 변동 민감도 부족있다. 분석 방법이 여기서 제시 정보 연결성 (IC; 제 최근 용지 7에 설명)가 시간에 걸쳐 다중 복셀 정보에 민감한 메트릭으로의 연결을 측정함으로써, MVPA 및 FC 간의 격차를. FC 동적 변량 활성 변화를 추적하는 동안, IC 동적 MVP의 discriminability 변경 트랙 - MVP의 진정한 조건이 (잘못) 대안 구별 될 수 얼마나 잘 측정. 중요한 것은, T는그는 같은 방법으로 그 다른 지역은 별개의 계산 (사람이 사람이 만든 물체를 볼 예를 들면, 영상 처리 또는 조치 계획)을 수행에도 불구하고 조건에 단 변량 응답 비슷한 수준을 보여줄 수, 특정 영역 또한 MVP의 유사 (동기화 된) 수준을 가질 수있다 discriminability 그들이 다른 조건을 처리하는 동안. 최근 조사 IC는 표준 FC 접근 7 검출되지 않습니다 지역 간 연결을 표시 할 수 있습니다 것을 보여 주었다. 연구자들은 따라서 참가자 특성 분산 패턴을 가지고 조건이나 자극에 반응으로 뇌 영역 사이의 상호 작용을 조사하기 위해 IC를 사용할 수 있습니다. IC는 분류 결과 8, 9와 관련하여 단 변량 활성화의 변동을 조사 몇 가지 최근의 연결 응용 프로그램에서 구별된다. 이러한 접근 방식과는 달리, IC는 지역 간의 동시 다중 복셀 패턴 discriminability을 감지합니다.
Protocol
1.의 fMRI 데이터에게 준비
참고 : fMRI를 스캔 수행 한 후, 전처리 (공간 스무딩을 피하거나 다중 복셀 패턴을 유지하기 위해 최소화해야하지만) 이전에이 프로토콜을 시작하는 대부분의 fMRI 소프트웨어 패키지에서 사용할 수있는 도구를 사용하여 수집 된 데이터. 적합한 데이터 세트의 예는 방법 (7)의 이전 애플리케이션에서 설명된다.
- 움직임을 제거하고 움직임 파라미터 예측과 회귀 모델 (롤, 피치, 요, X, Y, Z)를 작성하여 전처리의 fMRI 데이터의 시계열로부터 백질 신호를 의미하고 백질 신호를 의미한다. (나머지 분산 예) 결과 잔류에 아래의 분석을 실시한다.
- 분석 패키지 (예를 들어, MATLAB, 파이썬)에 생성 된 잔류 물을 가져옵니다. 오픈 소스 정보를 제공하는 연결 도구 상자 (http://www.informationalconnectivity.org)는 MATLAB으로의 fMRI 데이터를 가져올 수 있습니다.
- Z-점수 EACH 복셀의 시계열.
- 같은 다른 스캐너 실행 독립적 인 세트 ( '주름')에 데이터 집합의 timepoints을 분리합니다. 참고 : 스캐너 실행을 사용하여 그렇지 않으면 (예를 들어, 종속성을 사전 처리하는 동안 실행의 timepoints 사이에 생성 될 수 있었다) 보장하기 어려울 수 있습니다 주름 사이에 독립성을 보장합니다. 실행은 하나의 실행을 사용하여 더 많은 교육 자료를 제공 할 것입니다 있지만, 주름의 수 (예를 들면, 짝수 및 홀수 실행 2)를 줄이기 위해 함께 그룹화 할 수 있습니다.
- 길이 N의 timepoints입니다 조건 레이블의 벡터를 생성하여 timepoints와 연관된 조건 레이블의 기록을 만듭니다.
- 이벤트 및 기록의 fMRI 신호 간의 혈역학 지연을 고려하기 위해, 5 초에 해당 회 투 반복 (거래 정보 저장소)의 개수에 의해 실행 각각 순방향 상태 라벨 시프트.
2. 선택하고 종자의 지역 분석
- 해부학을 분리하여 시드 지역을 선택알 영역, 기능적으로 지역화 된 지역 또는 '정보 뇌 매핑'가장 실적이 10 탐조등.
참고하면 : 2.2-4.2 아래의 오픈 소스 정보를 제공하는 연결 MATLAB 도구 상자에 의해 수행 될 수있는 단계 ( http://www.informationalconnectivity.org ). - . (주 : 이것은 인기있는 상관 관계를 기반으로 가장 가까운 이웃 분류기 2에 사용 된 것과 동일한 방법입니다) 모든 조건에 대한 원형 MVP 매번 포인트의 MVP 비교 1 (위) 그림은으로 수집 된 실제 데이터의 예를 보여주고 있습니다 참가자는 사람이 만든 개체의 네 가지 유형의 블록을 보았다.
- 모든하지만 - 한 배에 각 조건의 timepoints를 평균하여 각 조건에 대한 프로토 타입 (평균) MVP를 계산합니다. 이것은 각각의 배에 대한 '교육'데이터 (예를 들면, 5 배 2, 평균-MVP가이 겹 1, 3, 4 timepoints 계산하고, 5).
- 모든 평가시기를 '상관 관계, 훈련 데이터에서 각 조건의 평균-MVP와의 MVP. 이 (여기 가장 높은 상관 관계가있는 상태를 기준으로 MVPA의 분류 2 인기의 상관 관계 예측 될 것이다 주) 모든 평가시기 각 조건에 대해 하나의 상관 값을 줄 것이다
- Z-점수에 R-값을 피셔 - 변환.
- 각 평가시기에 대해 'MVP의 discriminability'를 정량화 : 우선 평가시기의 MVP 및 그 평가시기의 상태의 평균 - MVP 간의 관계를 나타내는 2.2.3의 상관 관계를 파악하고 올바른으로 (즉, '상관 관계가 남아있는 상관 관계가 가장 높은 빼기 ) 잘못된 조건 '으로 최대의 상관 관계'마이너스 '상태. 결과는 평가시기의 MVP의 discriminability입니다. 대안 (유효) 접근 방식은 잘못된 조건의 평균 상관 관계를 빼야하는 것입니다.
참고 : 제안 된 접근 방식은 직관적 ADVANTA가음의 값으로 timepoints가 제대로 예측하지하는 동안 긍정적 인 discriminability 값으로 timepoints GE가 제대로 상관 관계 기반의 분류에 의해 분류된다. 결과 값의 예는 그림 1 (아래)에 표시됩니다. 이 시점까지의 단계는 아래 수식에서 캡처됩니다.
X는 시간 점 N에서 M 복셀 활성화 값을 정규화 1 별 M 행 벡터이고, Y는 올바른 (C) 나에 대한 잘못된 (I) 조건에 대한 평균 훈련 패턴의 정규화 1 별 M 행 벡터이다 시간 포인트 N. artanh 함수 피셔 Z 변환을 적용한다.
3. 각 서치에 MVP Discriminability의 시계열을 계산
- 장소 입체 C를 : 서치 분석 (10)에게 실시차례로 각 복셀 ( '서치')의 주위에 광택.
- 모든 서치는 MVP의 discriminability 값 (평가시기 당 하나)의 시계열을 갖도록 반복, 2.2 및 각 서치 2.3 단계를 반복합니다.
종자 및 야시경 사이 4. 계산 정보를 제공하는 연결
- 스피어의 순위 상관을 사용하여 각 그룹의 서치 discriminability 시계열 (3.2)와 시드의 MVP의 discriminability 시계열 (2.3)에 연관. 그 결과 R의 값은 씨와 탐조등의 IC이다.
- 탐조등의 중앙 복셀 각 서치의 IC 값을 할당하고 그 결과 개인의 뇌지도를 작성.
5. 계산 그룹 통계지도
- 데이터가 표준화 된 공간에없는 경우 (예를 들어, Talairach 또는 MNI)는, 변환 참가자 IC는 같은 공간에 매핑합니다.
- 선택적으로 개인 및 매끄러운# 39; 서치지도.
- 각 서치의 IC 값이 0보다 크게 큰지 여부에 대한 단방향 t-테스트를 이용하여 통계적 그룹 맵을 작성.
6. 테스트의 의미
주 : 많은 접근법의 fMRI 그룹 맵의 통계적 중요성을 결정하기 위해 존재한다. (각 순열 그룹지도는 동일한 처리를 거쳐으로) 반반의 데이터 셋의 수준을 차지하고있는 동안 순열 시험은 최소한의 가정에 의미를 확인할 수 있습니다,이 옵션은 아래에 설명되어 있습니다.
- 1000 순열 각각에 대해 무작위로 시계열에 걸쳐 시드의 MVP-discriminability 값 셔플. (예를 들어, 오히려 인접 거래 정보 저장소 이상의 블록을 걸어 갔다에 의해) (예 : 동일 블록 내 timepoints 등) 시간적 자기 상관과 함께 인접 timepoints을 유지합니다.
- 각 순열 (위의 4 단계)에 대한 개인의 IC 맵을 계산합니다.
- Randoml : 1,000 순열 그룹 맵을 생성y는 각 참가자의 하나의 순열 IC 맵을 선택하고이 임의 설정 (위의 5 단계)에 그룹 테스트를 실시하고 있습니다.
- 임계 모든 순열 그룹 원하는 임계 값에지도 (예를 들어, P <0.001) 맵에서 최대 클러스터 크기의 압축을 풉니 다.
- 정렬 1,000 최대 클러스터 볼륨을 결과 및 95 번째 백분위 수 (예를 들면, 1000 순열의 50 번째 규모)에서 클러스터 크기를 확인합니다.
- 그것은 p <0.05 클러스터 보정하기 위해 6.5에서 진정한 (비 - 순열) IC 그룹 맵에 6.4에서 사용 된 임계 값 (예를 들면, p <0.001) 및 최소 클러스터 크기를 적용한다. 모든 순열지도 (다른 순서) 같은 MVP의 discriminability 값을 그립니다 때문에이 의미지도 기회가 예상보다 더 많은 동기 discriminability 값으로 영역을 강조한다.
Representative Results
IC의 결과는 이제 조사의 기본의 fMRI 분석 소프트웨어 패키지를 사용하여 표시 할 수 있습니다. 그림 2 시각적으로 제시 남자의 블록에서 계산 IC 결과, 개체 (관련 게시 7 자세한 내용)을 만들어 보여줍니다.
IC 분석 MVP가 관련된 것으로 알려져 조건에 특히 유용하다 : 특성의 MVP와 조건을하지만, 단 변량 응답의 차이없이, IC와 FC 사이의 구분이 자주 발생합니다 (참가자로 기록 된 데이터와 그림 사람의 다른 유형을 볼 ) 그림 3에서 개체를했다. 중요한 다중 복셀 정보 높은 IC를 가질 수 있지만, 덜 FC 결과에 표시됩니다와 탐조등 4는 그림.
.. 그림 1 시간에 패턴 discriminability의 예 맨 :. 등 Haxby에 따라 계산 MVP의 discriminability의 기판 (2001) 2, Coutanche & 톰슨 - 쉴 (2013)에서 분석으로 7. 파란색 선은 시간 점 '의 MVP와 평균 ('교육 ') 올바른 클래스의 패턴 사이의 Z-점수의 상관 관계를 보여줍니다. 녹색 선은 세 가지 잘못된 클래스와 MVP가 '상관 관계를 나타냅니다. 아래 : 패턴 discriminability 올바른 클래스와 가장 잘못된 클래스의 상관 관계 사이의 차이입니다. 긍정적 인 패턴 discriminability 값이 시간 포인트가 제대로 상관 관계 기반의 분류에 의해 분류된다. 원래 Coutanche & 톰슨 - 쉴 2013 년에 출판 그림 7. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2. 예 연결지도. 각 행은 크게 (파란색으로 표시) 씨에 연결된 영역을 보여줍니다. 중요도는 순열 테스트에서 최소 클러스터 크기와 기 t-테스트 (p <0.001)에 의해 결정된다. IC 결과는 FreeSurfer 1 2로 제작 표면지도 AFNI 1을 사용하여 표시됩니다. 그림이 Coutanche & 톰슨 - 쉴 (2013)에서 수정 7. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림. 3 동기화 MVP의 discriminability 활성화를 의미하는 동기에 비해 평균 활성화 (즉, 기능적 연결)없이 동기 MVP의 discriminability (즉, 정보 연결) 두 지역에서 MVP의 discriminability의 예.; 데이터 Haxby 등의 주제에서 제공됩니다. (2001) 2, Coutanche & 톰슨 - 쉴 (2013)에서 분석으로 7. 피사체가 다중 복셀 패턴으로 구별 할 수 있지만, 응답을 의미하는 것은 사람이 만든 물체의 시각적 인 프레 젠 테이션을 볼 동안 이러한 데이터 포인트를 수집하는 것은. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4. 예 IC 및 LEF에 씨앗 사이의 FC 값T의 방 추상 이랑 뇌에서 서치는. 정보를 제공하는 기능적인 연결 강도 (Z 축)의 4 각 서치의 평균 응답 (x 축)와 MVPA의 분류 정확도 (y 축)에 대하여 종자 및 야시경 사이에 표시됩니다 사람이 만든 물체 (기회 = 25 %)의 유형. 시드 영역과 복셀을 공유 서치는 제거되었다. IC 그래프는 높은 분류 성능 만 (오른쪽 그래프의 왼쪽 팔분의 격차로 본) 일반적인 FC 방식에 포착되지 않는 낮은 평균 응답 수준을 가지고 강한 연결과 서치의 예를 포함한다. 원래 Coutanche & 톰슨 - 쉴 2013 년에 출판 그림 7. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Discussion
정보 연결이 분산 된 패턴 정보에 MVPA의 감도를 가지고 있으며, 연결 방식을 통해 간 지역의 상호 작용을 연구 할 수있는 능력을 제공합니다. MVPA 및 표준 단 변량 분석은 각 때로는 그 결과 1 ~ 3 사이에 약간의 중복으로, 특정 영역의 참여를 공개 할 수 있습니다. 이러한 분석 방법에 그리는 방법을 예상 한 바와 같이, IC 및 FC는 또한 상호 보완적인 결과 7을 제공합니다. IC를 사용할지 여부의 결정은 궁극적으로 조사 조건 및 야기되는 이론적 질문에 의존 할 것이다. 디자인 고려 사항 MVPA가 데이터 집합에 실시 여부에 영향을 미치는 또한 IC의 사용 여부에 영향을 미칠 것입니다. 마음에 명시 적으로 IC 설계 연구는 또한 시험 수준의 데이터가 스캔의 timecourse 전역에서 추출 할 수 있도록하면서, MVPA 1 ~ 4에 대한 권장 사항을 따라야 할 것입니다.
검사 할 때및 IC의 결과를보고, 그 씨앗과 겹치는 서치가 원형을 피하기 위해, 제거되는 것이 중요하다. 직접 IC 및 FC 결과를 비교하는 경우에 또한, 또한 오히려 단지 복셀보다 서치의 평균 활성화에 근거 FC 분석과 비교하도록 권장한다. 이러한 추가적인 분석 결과 간의 차이 때문에 신호대 복셀 대 서치에서의 레벨의 차이되지 않도록 할 수있다.
여기에서 설명하는 절차는 탐조등을 사용 탐구 분석에 주로 초점을 맞추고 있습니다. 그것은 지역 수준의 관심 서치를 대체하여, IC는 또한 내가 이전을 선택 영역을 비교할 수 있다고 지적 가치가있다. 현재 discriminability 메트릭 - 최대 다른 조건에 대한 상관 관계에 대한 '진실'조건 MVP의 상관 관계를 비교는 -도 변경 가능합니다. 많은 기계 학습의 분류는 차이에 대한 예측 가중치가쉽게 (예를 들면, 시간에 따른 분류의 '신뢰'를 추적 할 수있는) 여기에서 수행의 상관 관계 비교를 대체 할 수 erent 클래스. IC는 잠재적 인 사용의 다양한있다. 뿐만 아니라 정보 네트워크를 조사하기 위해 기본 분석 것으로, IC는 MVPA 서치에 차 후속 분석 할 수 있습니다. MVPA 서치 맵은 영역이 다른 조건을 구별 할 수 있습니다 이해를위한 가치가 있지만, 일반적으로 서로 다른 네트워크로 분리되지 않습니다. IC의 접근 방식은 서치 동기 discriminability이의 설정하는 공개하여, 여기에 도움이 될 수 있습니다. 마지막으로, 다른 태스크로부터 IC 맵은 작업 네트워크를 이해하기 위해 비교 될 수 있고, 환자는 더 멀티 복셀 차이 5는 네트워크 수준에서 발현되는 방법을 이해하는 컨트롤과 비교 될 수있다.
Acknowledgments
우리는 더 분석을위한 데이터를 사용할 수 있도록, 짐 Haxby와 동료를 감사합니다. 마크 N. Coutanche는 하워드 휴즈 의학 연구소의 친교에 의해 투자되었다. 이 작품은 NIH 보조금 R0I-DC009209 샤론 L. 톰슨 - 쉴 수여 R01-EY02171701에 의해 지원되었다.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB software package | MathWorks | ||
| AFNI software package | NIMH |
References
- Norman, K. A., et al. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 10 (9), 424-430 (2006).
- Haxby, J. V., et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex. Science. 293 (5539), 2425-2430 (2001).
- Tong, F., Pratte, M. S. Decoding patterns of human brain activity. Annu Rev Psychol. 63, 483-509 (2012).
- Coutanche, M. N. Distinguishing multi-voxel patterns and mean activation: Why, how, and what does it tell us. Cogn Affect Behav Neurosci. 13 (3), (2013).
- Biswal, B., et al. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Res Med. 34 (4), 537-541 (1995).
- Friston, K. J., et al. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 6 (3), 218-229 (1997).
- Coutanche, M. N., Thompson-Schill, S. L. Informational Connectivity: Identifying synchronized discriminability of multi-voxel patterns across the brain. Front Hum Neurosci. 7 (15), 1-14 (2013).
- Chiu, Y. C., et al. Tracking cognitive fluctuations with multivoxel pattern time course (MVPTC) analysis. Neuropsychologia. 50 (4), 479-486 (2012).
- Nelissen, N., et al. Frontal and parietal cortical interactions with distributed visual representations during selective attention and action selection. J Neurosci. 33 (42), 16443-16458 (2013).
- Kriegeskorte, N., et al. Information-based functional brain mapping. Proc Natl Acad Sci U S A. 103 (10), 3863-3868 (2006).
- Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
- Fischl, B., et al. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9 (2), 195-207 (1999).
- Jimura, K., Poldrack, R. A. Analyses of regional-average activation and multivoxel pattern information tell complementary stories. Neuropsychologia. 50 (4), 544-552 (2012).
- Coutanche, M. N., Thompson-Schill, S. L. The advantage of brief fMRI acquisition runs for multi-voxel pattern detection across runs. Neuroimage. 61 (4), 1113-1119 (2012).
- Coutanche, M. N., et al. Multi-voxel pattern analysis of fMRI data predicts clinical symptom severity. Neuroimage. 57 (1), 113-123 (2011).
