Mit Informations Konnektivität, um das synchrone Entstehung von fMRI Multi-Voxel-Informationen Auf Zeit messen

Abstract

Es wird nun klar, dass diese Bedingung relevanten Informationen innerhalb verteilter Muster der funktionellen Magnetresonanztomographie (fMRI) die Gehirnaktivität vorhanden sein, auch für die Bedingungen mit einem ähnlichen univariate Aktivierung. Multi-Voxel-Muster (MVP)-Analyse wurde verwendet, um diese Informationen mit großem Erfolg zu entschlüsseln. FMRI Ermittler auch oft versuchen zu verstehen, wie Hirnregionen interagieren miteinander verbundene Netzwerke, und verwenden Sie funktionelle Konnektivität (FC) in Regionen, die Antworten über die Zeit korreliert zu identifizieren. Ebenso wie univariate Analysen können unempfindlich, um Informationen in MVPs sein kann, kann nicht vollständig FC charakterisieren die Gehirn-Netzwerke, die mit charakteristischen Bedingungen MVP Signaturen verarbeiten. Die hier beschriebene Methode, Informations-Konnektivität (IC) können Regionen mit entsprechenden Veränderungen in der MVP-Unterscheidbarkeit über die Zeit zu identifizieren und enthüllt Konnektivität, die nicht zugänglich ist FC. Das Verfahren kann Sondierungs sein, mit Hilfe von Scheinwerfern, Saatgut-conn identifizierenektiert Gebieten oder geplant, zwischen vorher ausgewählten Regionen von Interesse. Die Ergebnisse können Netzwerke von Regionen, die MVP-bezogene Prozessbedingungen zu klären, kann Zusammenbruch MVPA Such Karten in separate Netzwerke oder können über Aufgaben und Patientengruppen verglichen werden.

Introduction

Das Ziel der hier beschriebenen Analyseverfahren, um die Verbindung zwischen den Gehirnregionen, basierend auf Schwankungen in ihrer Multi-Voxelinformationen messen. Fortschritte in der funktionellen Magnetresonanztomographie (fMRI) Analyse-Techniken haben gezeigt, dass eine große Menge von Informationen innerhalb von Blut-Sauerstoff-Level-abhängigen (BOLD) Aktivitätsmuster, die über mehrere Voxel ^1-3 verteilt sind, enthalten sein. Eine Reihe von Techniken, die empfindlich auf multivariate Informationen sind - wie Multi-Voxel-Muster-Analyse (MVPA) bekannt - ist verwendet worden, um zu zeigen, dass die Bedingungen unterscheiden kann MVPs trotz nicht zu unterscheiden univariate Antworten ^1,2,4 haben. Standard-Analysen, die univariate Antworten vergleichen, können unempfindlich gegenüber dieser Multi-Voxel-Informationen sein.

Mehrere Gehirnregionen werden aktiviert, wenn Menschen verarbeiten Reize und kognitiven Operationen durchführen. Funktionelle Konnektivität (FC) ist eine Methode, die üblicherweise zur untersuchenTor wie funktionalen Netzwerke ^5,6. In seiner einfachsten Form, quantifiziert FC Co-Aktivierung oder Synchronisation zwischen verschiedenen Voxel oder Regionen. FC wurde verwendet, um funktionell mit Gehirnnetzwerken mit großem Erfolg zu identifizieren. Für viele Regionen und Konditionen, aber eindimensionale Antworten spiegeln nicht alle verfügbaren Informationen im BOLD-Aktivität. FC-Techniken, die sich dynamisch verändernden univariate Antwortstufen verfolgen kann die Empfindlichkeit üblichen Schwankungen in Multi-Voxel-Informationen fehlen. Die Analysemethode hier vorgestellten Informations Konnektivität (IC, zuerst in einer aktuellen Arbeit ⁷ beschrieben), eine Lücke zwischen MVPA und FC-Konnektivität durch Messung mit einer Metrik, die empfindlich auf Multi-Voxel-Informationen über die Zeit ist. Während FC-Tracks dynamisch verändernden univariate Aktivierung, Titeln IC dynamisch verändernden MVP Unterscheidbarkeit - ein Maß dafür, wie gut ein MVP wahren Zustand kann bei (falscher) Alternativen zu unterscheiden. Wichtig ist, dass in ter gleichen Weise, dass verschiedene Regionen finden Sie ähnliche Niveaus der univariaten Antworten auf eine Bedingung trotz Durchführung verschiedene Berechnungen (z. B. visuelle Verarbeitung oder Aktionsplanung, wenn eine Person sieht Mann aus Objekten) zeigen, kann verschiedene Regionen haben auch ähnliche (und synchronisiert) Ebenen der MVP Unterscheidbarkeit, während sie Bedingungen anders zu verarbeiten. Eine aktuelle Untersuchung zeigte, dass IC kann die interregionale Konnektivität, die nicht mit einer Standard-FC Ansatz ⁷ nachweisbar offenbaren. Die Ermittler können daher IC Wechselwirkungen zwischen Hirnregionen zu untersuchen, wie die Teilnehmer reagieren auf Reize, die Bedingungen oder charakteristische Muster verteilt haben. IC unterscheidet sich von mehreren neueren Konnektivität Anwendungen, die Schwankungen in der univariaten Aktivierung in Bezug auf die Klassifikationsergebnisse ^{8, 9} untersucht. Im Gegensatz zu diesen Ansätzen erkennt IC synchrone Multi-Voxel-Muster Unterscheidbarkeit zwischen den Regionen.

Protocol

1. Vorbereiten des fMRI-Daten

Hinweis: Nach der Durchführung einer fMRI-Scan, Pre-Prozess die gesammelten Daten mit Hilfe der in den meisten fMRI-Software-Pakete vor Beginn dieses Protokoll Werkzeuge (obwohl räumliche Glättung sollten vermieden oder minimiert werden, um Multi-Voxel-Muster erhalten werden.) Ein Beispiel eines geeigneten Datensatzes in einer früheren Anmeldung des Verfahrens ⁷ beschrieben.

1. Bewegung entfernen und meine weißen Substanz Signale aus der Zeitreihe der vorverarbeiteten fMRI-Daten durch die Erstellung eines Regressionsmodells mit Prädiktoren für die Bewegungsparameter (Roll-, Nick-, Gier-, x, y, z) und meine weißen Substanz Signal. Führen Sie die unten Analysen auf die resultierenden Residuen (dh die verbleibende Varianz).
2. Importieren Sie die erzeugten Residuen in ein Analysepaket (zB MATLAB, Python). Die Open-Source-Informations Konnektivität Toolbox (http://www.informationalconnectivity.org) können fMRI-Daten in MATLAB importieren.
3. Z-Score each-Voxel-Zeitreihen.
4. Trennen Zeitpunkten der Datenmenge in unabhängige Sätze ('Falten'), wie verschiedene Scanner läuft. Hinweis: Die Verwendung Scanner läuft gewährleistet Unabhängigkeit zwischen Falten, die sonst schwierig sein kann, um zu gewährleisten (zum Beispiel könnte Abhängigkeiten zwischen den Zeitpunkten eines Lauf während der Pre-Processing erstellt werden). Läuft könnten zusammen gruppiert werden, um die Anzahl der Falten (z. B. gerade und ungerade Läufe ²⁾ zu reduzieren, wenn auch mit einzelnen Läufe werden mehr Trainingsdaten zu geben.
5. Erstellen Sie eine Aufzeichnung der Zustand Etiketten mit Zeitpunkten durch die Erzeugung eines Vektors von Etiketten, die Bedingung N Zeitpunkten lange verbunden.
6. Verschieben Sie die Bedingung Etiketten vorwärts in die jeweils durch eine Anzahl von Zeiten-zu-Wiederholung (TRS) entspricht 5 Sek. laufen, um für die hämodynamischen Verzögerung zwischen Ereignissen und aufgezeichnet fMRI-Signale berücksichtigen.

2. Wählen und Analysieren eines Seed Region

1. Wählen Sie eine Seed-Region durch Isolierung eine anatomischeal-Bereich, funktionell lokalisierten Bereich oder Top-Performance "Informations Brain Mapping" ¹⁰ Scheinwerfer.
   Hinweis: Die Schritte 2,2-4,2 kann unten durch die Open-Source-Informations Connectivity MATLAB Toolbox durchgeführt werden ( http://www.informationalconnectivity.org ).
2. Vergleichen Sie die MVP jedem Zeitpunkt zu einer prototypischen MVP für jede Bedingung (Hinweis: Dies ist der gleiche Ansatz wie in der beliebten Korrelation-basierte nächste Nachbar Klassifikator ² verwendet wird). Abbildung 1 (oben) zeigt ein Beispiel aus dem wirklichen Daten gesammelt Teilnehmer angesehen Blöcke von vier Typen von Menschen geschaffenen Objekte.
   1. Berechnen Sie eine prototypische (Mittelwert) MVP für jeden Zustand, der durch Mittelung der Zeitpunkte von jeder Bedingung in all-aber-ein-fach. Das sind die Daten "Ausbildung" für jede Falte (zB für 2-fach von 5, Mittelwert-MVPs werden von Zeitpunkten in Falten 1, 3, 4, berechnet, und 5).
   2. Korrelieren jeden Zeitpunkt ', S MVP mit dem Mittelwert-MVP jeder Bedingung aus den Trainingsdaten. Dies gibt jedem Zeitpunkt ein Korrelationswert für jede Bedingung (Anmerkung: die Bedingung mit der höchsten Korrelation wäre hier die Vorhersage des beliebten Korrelation basierend MVPA Klassifikator ² sein)
   3. Fisher-Transformation die r-Werte in z-Scores.
3. Quantifizieren "MVP Unterscheidbarkeit 'für jeden Zeitpunkt: Zunächst identifizieren die Korrelation von 2.2.3, die die Beziehung zwischen dem Zeitpunkt der MVP und der mittleren-MVP der betreffenden Zeitpunkt den Zustand darstellt und subtrahiert dann die höchste der verbleibenden Korrelationen (dh" Korrelation mit der richtigen Zustand "minus" maximale Korrelation mit einer falschen Voraussetzung). Das Ergebnis ist, dass Zeitpunkt MVP Unterscheidbarkeit. Eine alternative (und gültigen) Ansatz wäre es, die durchschnittliche Korrelation der falschen Bedingungen zu subtrahieren.
   Hinweis: Das vorgeschlagene Konzept hat die intuitive vorteilge, die mit positiven Werten Unterscheidbarkeit Zeitpunkten korrekt durch die Korrelation auf Basis klassiert, während die Zeitpunkte mit negativen Werten werden nicht korrekt vorhergesagt. Ein Beispiel der erhaltenen Werte ist in Fig. 1 (unten) gezeigt. Die Schritte bis zu diesem Punkt sind in den folgenden Formeln eingefangen.
   
   X ein normierter 1-für-m Zeilenvektor mit m Voxel Aktivierung Werte zum Zeitpunkt n-Punkt-, Y ein normierter 1-für-m Zeilenvektor der mittleren Trainingsmuster für die korrekte (c) oder falsch (i) Bedingungen für Zeit-Punkt-n. Die artanh Funktion gilt die Fisher z-Transformation.

3. Berechnen eines Zeitreihen von MVP Unterscheidbarkeit für jeden Search

1. Führen Sie eine Such Analyse ^10: Eine dreidimensionale cGlanz um jedes Voxel wiederum (a 'Such).
2. Wiederholen Sie die Schritte 2.2 und 2.3 für jeden Such, so dass jeder Scheinwerfer eine Zeitreihe von Werten MVP Unterscheidbarkeit (einen pro Zeitpunkt).

4. Berechnen Informations Konnektivität zwischen der Seed-und Suchscheinwerfer

1. Korrelieren des Samens MVP Unterscheidbarkeit Zeitreihen (ab 2.3) mit Zeitreihen Unterscheidbarkeit der einzelnen Suchscheinwerfer (ab 3.2) mit Spearman-Rang-Korrelation. Die resultierende r _s-Wert ist der IC zwischen dem Saatgut-und Suchscheinwerfer.
2. Weisen Sie jedem Such IC Wert auf zentralen Voxel der Suchscheinwerfer und schreiben Sie die resultierende individuelle Gehirn Karte.

5. Berechnen Gruppe Statistische Karte

1. Wenn die Daten nicht bereits in standardisierten Raum (zB Talairach oder MNI), verwandeln Teilnehmer IC-Karten in den gleichen Raum.
2. Optional glatt die Personen &# 39; Such Karten.
3. Erstellen Sie eine Gruppe mit einem statistischen Karte eine Möglichkeit t-Test, ob jedes Such IC-Wert ist deutlich größer als Null.

6. Testen Bedeutung

Hinweis: Zahlreiche Ansätze zur Bestimmung statistische Signifikanz der fMRI-Gruppe Karten existieren. Als eine Permutation Test kann mit minimalen Annahmen Bedeutung zu bestimmen, während die Bilanzierung von der Datenmenge Glättungspegel (wie jeder Karte vertauscht Gruppe erfährt die gleiche Verarbeitung), wird diese Option im Folgenden erläutert.

1. Für jede der 1.000 Permutationen, zufällig mischen MVP-Unterscheidbarkeit Werte des Samens in der Zeitreihe. Halten benachbarten Zeitpunkten mit Zeitkorrelationen (wie Zeitpunkte innerhalb des gleichen Blocks) zusammen (zum Beispiel durch Umstellblöcken anstatt benachbarten TRS).
2. Berechnen Einzelnen IC-Karten für jede Permutation (Schritt 4).
3. Generieren 1.000 Karten vertauscht Gruppe: RandomlŸ Wählen Sie einen vertauschten IC-Karte von jedem Teilnehmer und führen eine Gruppe Test auf dieser zufälligen Satz (Schritt 5).
4. Threshold jeder Gruppe vertauscht Karte an einem gewünschten Schwellenwert (zB p <0,001) und entpacken Sie die maximale Clustergröße von der Landkarte.
5. Sortieren Sie die resultierende maximale 1000-Cluster-Volumes identifizieren und die Clustergröße bei den ^95-Perzentil (zB die ^50. größte für 1000 Permutationen).
6. Tragen Sie die Schwelle in 6,4 verwendet (z. B. p <0,001) und die minimale Clustergröße von 6,5 auf der realen (nicht vertauscht) IC Gruppe Karte, um es zu p <0,05 Cluster-korrigiert. Da jede Karte vertauscht stützt sich auf die gleichen MVP Unterscheidbarkeit Werte (in einer anderen Reihenfolge), unterstreicht diese Bedeutung Karte Regionen mit mehr synchron Unterscheidbarkeit Werte als durch Zufall zu erwarten.

Representative Results

Die IC Ergebnisse können nun mit den Prüfer bevorzugte fMRT-Analyse-Software-Paket angezeigt werden. Abbildung 2 zeigt IC Ergebnisse, aus Blöcken von visuell dargestellt berechnet Mann gemacht Objekte (weitere Informationen in der zugehörigen Publikation ^7).

Die IC-Analyse ist für die Bedingungen bekannt, MVPs verbunden waren besonders wertvoll: Bedingungen mit charakteristischen MVPs, aber ohne Unterschiede in der univariaten Antworten sind eher Unterschiede zwischen IC und FC haben (mit Daten, die als Teilnehmer aufgenommen wurde, veranschaulicht haben, haben verschiedene Arten von Menschen in Abbildung 3 vorgenommen Objekte). Abbildung 4 zeigt, dass mit erheblichen Mehr Voxel Informationen können hohe IC haben, aber weniger gut in FC Ergebnisse dargestellt Scheinwerfer.

.. Abbildung 1: Beispiele für Muster Unterscheidbarkeit im Laufe der Zeit. Oben: Die Substrate der MVP Unterscheidbarkeit von einem Gegenstand in Haxby et al (2001) ^2, wie in Coutanche & Thompson-Schill (2013) analysierte ^7. Die blaue Linie zeigt die z-erzielte Korrelation zwischen Zeit-Punkte "MVPs und der mittleren (" Ausbildung ")-Muster der richtigen Klasse. Die grünen Linien stellen die MVPs "Korrelationen mit drei Fehl Klassen. Unten: Muster Unterscheidbarkeit ist der Unterschied zwischen Korrelationen für die richtige Klasse und höchste falsche Klasse. Zeitpunkte mit positiven Muster Unterscheidbarkeit Werte würden korrekt durch eine Korrelation-basierten Klassifikator klassifiziert werden. Abbildung ursprünglich in Coutanche & Thompson-Schill (2013) ⁷ veröffentlicht. Bitte klicken Sie hier, um eine größere Version dieser Figur sehen.

Beispiel Konnektivität Abbildung 2 Karten.. Jede Zeile zeigt Regionen wesentlich zu einem Samen (in blau dargestellt) verbunden. Die Signifikanz wird durch eine Gruppe t-Test (p <0,001) mit mindestens Clustergröße von Permutation Tests bestimmt. Die Ergebnisse werden mit IC AFNI ^{1 1} auf mit Freesurfer ^{1 2} produziert Oberflächenkarten angezeigt. Abbildung von Coutanche & Thompson-Schill (2013) ⁷ modifiziert. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung. 3 Synchronized MVP Unterscheidbarkeit gegenüber Aktivierung bedeuten Beispiele MVP Unterscheidbarkeit in zwei Regionen mit Synchron MVP Unterscheidbarkeit (dh Informations-Konnektivität), ohne Synchron mittlere Aktivierung (dh funktionelle Konnektivität). Daten stammen von einem Gegenstand aus Haxby et al. (2001) ^2, wie in Coutanche & Thompson-Schill (2013) analysierte ^7. Diese Datenpunkte wurden gesammelt, während das Subjekt angesehen visuelle Darstellungen von Menschen geschaffenen Objekte, die unterscheidbar von Multi-Voxel-Muster sind, aber nicht, dass Antworten. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Abbildung 4. Beispiel IC und FC Werte zwischen einem Samen in der left spindelförmigen Gyrus und Scheinwerfer über das Gehirn. Informativ und funktionelle Konnektivität Stärken (z-Achse) zwischen einem Samen und Scheinwerfer, in Bezug auf jedes Such mittlere Antwort (x-Achse) und MVPA Klassifikationsgenauigkeit (y-Achse) bis vier gezeigt Arten von Menschen gemachte Objekte (Chance = 25%). Scheinwerfer teilen Voxel mit der Seed-Region wurden entfernt. Die IC-Graph enthält Beispiele für Scheinwerfer mit starker Konnektivität, die hohe Leistung, sondern Einstufung niedrigen mittleren Reaktionszeiten, die Sie in einem typischen FC-Ansatz (gesehen von der Lücke in der linken oberen Oktanten der rechten Grafik) nicht aufgenommen werden können. Abbildung ursprünglich in Coutanche & Thompson-Schill (2013) ⁷ veröffentlicht. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Discussion

Informativ Konnektivität hat MVPA-Empfindlichkeit auf verteilten Musterinformationen und gibt eine Möglichkeit, zwischen-Region Wechselwirkungen durch eine Konnektivität Ansatz zu studieren. MVPA und Standard univariate Analysen kann jeder zeigen, die Beteiligung der verschiedenen Regionen, manchmal mit wenig Überschneidungen zwischen ihrer Ergebnisse ^{1 3.} Als Verfahren, die auf diese Analyse Ansätze zieht erwartet, IC und FC geben auch ergänzende Ergebnisse ^7. Die Entscheidung, ob IC beschäftigen wird letztlich von den Bedingungen, unter Untersuchung und die theoretischen Fragen, die gestellt. Design-Überlegungen, die Auswirkungen, ob MVPA auf einem Datensatz durchgeführt, wird auch beeinflussen, ob IC verwendet wird. Studien mit IC ausdrücklich konzipiert werden wollen, Empfehlungen für MVPA ^{1 4} folgen, und gleichzeitig sicherzustellen, dass die Studie-Level-Daten können aus dem gesamten Zeitverlauf des Scans extrahiert werden.

Bei der Prüfungund Berichts IC Ergebnisse ist es wichtig, dass die Scheinwerfer Überlappung mit dem Samen entfernt werden, um Rund vermeiden. Wenn zusätzlich zum direkten Vergleich IC und FC Ergebnisse empfiehlt es sich, auch ein FC-Analyse auf der Basis des Durchschnitts Aktivierung der Scheinwerfer, nicht nur die Voxel zu vergleichen. Diese zusätzliche Analyse kann sicherstellen, daß die Unterschiede zwischen den Ergebnissen nicht aufgrund von Unterschieden in der Höhe der Signal-zu-Rauschen im Vergleich zu Scheinwerfern Voxel.

Das hier beschriebene Verfahren konzentriert sich hauptsächlich auf einer explorativen Analyse beschäftigt Scheinwerfer. Es ist erwähnenswert, dass durch den Austausch mit den Regionen Scheinwerfer-of-Interest-, IC können auch Regionen, die ausgewählt werden, eine vorherige i vergleichen. Die aktuelle Unterscheidbarkeit metric - Vergleich eines MVP Korrelation für den "wahren" Zustand der Korrelation für die maximale alternativen Zustand - ist auch veränderbar. Viele Maschinenlern Klassifizierer haben Vorhersage Gewichte für different Klassen, die sich leicht ersetzen könnte hier die Korrelationsvergleiche durchgeführt (z. B. die "Vertrauen" von einem Klassifizierer über die Zeit zu verfolgen). IC hat eine Vielzahl von Anwendungsmöglichkeiten. Abgesehen davon, dass eine primäre Analyse zur Informationsnetze zu untersuchen, kann eine sekundäre Folge IC-Analyse zu einer MVPA Such sein. MVPA Such Karten sind wertvoll für das Verständnis, welche Regionen können verschiedene Bedingungen unterscheiden, sind aber in der Regel nicht in verschiedene Netzwerke gebrochen. Der IC-Ansatz kann hier helfen, durch die Enthüllung, welche der Scheinwerfer haben Synchron Unterscheidbarkeit setzt. Schließlich können IC-Karten aus verschiedenen Aufgaben, um Netzwerke zu verstehen Aufgabe verglichen werden, und die Patienten können auf die Kontrollen im Vergleich zu besser verstehen, wie Multi-Voxel Differenzen ^{1 5} sind auf der Netzebene manifestieren.

Materials

Name	Company	Catalog Number	Comments
MATLAB software package	MathWorks
AFNI software package	NIMH