Abstract
現在では、条件別に関連性のある情報であっても、単変量活性化の同様のレベルの症状について、機能的磁気共鳴画像法（fMRI）、脳活動のパターンに分布内に存在することができることが理解される。多ボクセルパターン（MVP）分析は、大きな成功を収めてこの情報を復号化するために使用されている。 FMRIの捜査官はまた、多くの場合、脳の領域が相互接続されたネットワークでどのように相互作用するかを理解しようとすると、時間をかけて反応を相関している領域を同定するために、機能の接続性（FC）を使用しています。単変量解析でのMVPに記載されている情報に鈍感でできるのと同様に、FCが完全に特性のMVP署名を条件を処理する脳のネットワークを特徴づけるない場合があります。ここで説明する方法、情報提供の接続性（IC）は、FCにアクセスできない接続性を明らかにし、時間を越えて、MVP-弁別において相関の変化に領域を識別することができます。この方法は、種子-CONNを識別するために、サーチライトを使用して、探索することができますected領域は、又は予め選択された注目領域との間に、計画された。結果は、そのプロセスのMVPに関連する状態の地域のネットワークを解明することができ、故障MVPAのサーチライトは、別々のネットワークにマップすることも、タスクや患者群間で比較することができます。
Introduction
ここに記載の分析方法の目標は、多ボクセル情報の変動に基づいて、脳領域間の接続性を測定することである。機能的磁気共鳴画像法（fMRI）分析技術の進歩により、大量の情報が複数のボクセル1-3に分散され、血液酸素化レベル依存性（BOLD）活動パターンに含まれてもよいことを明らかにした。多変量情報に敏感である技術のセット-多ボクセルパターン分析（MVPA）として知られている-の条件は1,2,4区別できない単変量応答を有するにもかかわらず、識別可能なのMVPを有することができることを示すために使用されている。単変量応答を比較標準分析は、このマルチボクセル情報の影響を受けないようすることができます。
人間は刺激を処理し、認知の操作を実行すると複数の脳領域が従事している。機能的結合（FC）は、一般investiするために使用する方法であるゲートなどの機能的なネットワーク5,6。その最も基本的な形態において、FCは、異なるボクセル又は領域との間に、同時活性化、又は同期性を定量化する。 FCは、多くの成功と機能的に接続され、脳のネットワークを識別するために使用されている。多くの地域や条件については、しかし、単変量応答は太字アクティビティ内の利用可能なすべての情報を反映していない。動的応答一変量レベルを変更追跡FC技術は、 多ボクセル情報中の共通の変動に対する感度を欠いていてもよい。ここで紹介する分析方法、情報提供の接続性（ICは、まず最近の論文7で説明した）は、時間にわたるマルチボクセル情報に敏感な測定基準との接続性を測定することで、MVPAとFCの間のギャップを埋める。 FCは動的に単変量活性化を変更追跡しながら、ICが動的にMVPの識別性を変えるトラック - MVPの真の条件は（間違った）選択肢と区別することができるどれだけの尺度を。重要なのは、T中彼は同じように、異なる領域が明確な計算（人が人工物体を見て例えば 、視覚処理や行動計画）を実行するにもかかわらずの状態に単変量応答の同様のレベルを示すことができ、別個の領域にもMVPの同じような（と同期された）レベルを持つことができます彼らは異なった条件を処理しながら、識別能力。最近の調査では、ICは、標準のFCアプローチ7で検出できない地域間の接続性を明らかにすることができることを実証した。調べでは、このため、参加者は特徴的な分散型のパターンを持っている条件や刺激に応答するように脳領域間の相互作用を調べるために、ICを使用することができます。 ICは、分類結果8,9に関連して、単変量活性の変動を調べた最近のいくつかの接続アプリケーションとは異なる。これらのアプローチとは異なり、ICは地域間の同期マルチボクセルパターン識別性を検出します。
Protocol
1。fMRIのデータの準備
注意：fMRIのスキャン行った後、前処理（空間スムージングを回避またはマルチボクセルパターンを維持するために最小化されるべきであるが）前に、このプロトコルを開始する最もfMRIのソフトウェアパッケージで使用可能なツールを使用して収集したデータ。適切なデータセットの例は、方法7の先の出願に記載されている。
- モーションを削除し、動きパラメータの予測因子で回帰モデルを作成することによって前処理されたfMRIのデータの時系列から白質信号を意味する（ロール、ピッチ、ヨー、x、y、z）と白質信号を意味する。生じた残差（残りの分散IE）上で、以下の分析を行う。
- 解析パッケージ（ 例えば 、MATLABやPython）に生成された残差をインポートします。オープンソースの情報コネクティビティツールボックス（http://www.informationalconnectivity.org）はMATLABにfMRIのデータをインポートすることができます。
- ZスコアEACHボクセルの時系列。
- このような様々なスキャナの実行としての独立したセット（「ひだ」）の中に、データセットの時点を分離する。注：スキャナの実行を使用して他の方法で（例えば、依存関係は、前処理の間に実行の時点の間で作成することができる）を保証することが困難であることができる折り目の間の独立性を保証する。シングルランを使用すると、より多くの学習データが得られますが、実行すると、ひだの数（ 例えば 、偶数と奇数の実行2）を低減するためにグループ化することができた。
- 長いN個の時点で条件のラベルのベクトルを生成することによって、時点に関連した条件ラベルのレコードを作成します。
- イベントや記録されたfMRIの信号間の血行動態のタイムラグを考慮するために、5秒に相当の時間への反復（TRS）の数だけ実行するたびに前進条件のラベルをシフト。
2。シード領域を選択し、分析する
- 解剖学的を単離することによりシード領域を選択アル·エリア、機能的にローカライズされた領域または「情報脳マッピング'最高性能は、10をサーチライト。
注：以下の4.2から2.2は、オープンソースの情報コネクティビティ、MATLABツールボックス（で行うことができるステップhttp://www.informationalconnectivity.org ）。 - すべての条件のために、原型のMVPに、各時点のMVPを比較する（注：これは人気の相関ベースの最近傍識別器2で使用したものと同じアプローチです）。 図1（上）はとして収集、実データからの例を示します参加者は人工物体の4種類のブロックを閲覧。
- すべて - ブタ1倍で各条件の時点を平均化することによって、すべての状態のため（平均）プロトタイプのMVPを計算します。これは、各ひだのための「トレーニング」データ（ 例えば 、5倍2について、平均のMVPは襞1、3、4の時点から計算され、および5）。
- 「あらゆる時点を関連付ける;のMVPトレーニングデータから、各条件の平均MVPを有する。これは、すべての時点の各条件1の相関値が得られます（注：ここでは最も相関の高い条件が人気の相関に基づくMVPA分類器2の予測になります）
- ZスコアにR値をフィッシャー変換。
- 各時点のために'のMVP識別性」を定量化する：第1の時点のMVPとその時点の状態の平均MVPとの関係を表す2.2.3から相関を特定し、正しいと（ すなわち 「相関残りの相関関係の最高を引く条件 'マイナス'間違った状態で最大の相関 '）。結果はその時点のMVPの識別性である。代替（と有効な）アプローチは間違った条件の平均相関を減算することであろう。
注：提案さアプローチは直感的アドバンタがある負の値を持つ時点が正確に予測されていないながら、正の識別能力値が正しく、相関に基づく分類器によって分類されているとの時点GE。得られた値の例を図1（下）に示されている。ここまでの手順は以下の式に取り込まれます。
Xは、Yが正しい（C）の平均トレーニングパターンの正規化された1行m行ベクトルで、時点nにおけるMボクセル活性値で正規1行m行ベクトルであるかの不正な（I）の条件時点nである 。 artanh機能は、フィッシャーZ変換が適用されます。
3。それぞれのサーチライトのためのMVP識別性の時系列を計算
- 場所3次元C：サーチライトの分析10を実施順番に各ボクセルの周りの光沢（ 'サーチライト」）。
- すべてのサーチライトは、MVPの弁別値（時点ごとに1つ）の時系列を持つように繰り返して、それぞれのサーチライトのための2.2と2.3を繰り返します。
種子と投光器の間4。計算情報コネクティビティ
- スピアマンの順位相関を用いて、各サーチライトの弁別力の時系列（3.2）を用いた種子のMVPの弁別時系列（2.3〜）を関連付ける。結果のR、S値はシードとサーチライトの間のICである。
- サーチライトの中央ボクセルに各サーチライトのIC値を代入し、その結果、個々の脳地図を書き出す。
5。計算グループ統計地図
- データは標準化された空間に入っていない場合（ 例えば 、タライラッハまたはMNI）は、変換参加者のICが同じ空間にマップする。
- 必要に応じて個人をスムーズ＆＃39;サーチライトマップ。
- 各サーチライトのIC値がゼロよりも有意に大きいかどうかは一方向t検定を用いて統計的なグループマップを作成する。
6。テストの意義
注：多数のアプローチがfMRIのグループマップの統計的有意性を決定するために存在する。 （各順列グループマップは、同じ処理が行われたように）平滑化データセットのレベルを考慮しながら、並べ替え検定は、最小限の仮定で有意性を決定することができますように、このオプションは以下の通りです。
- 千順列のそれぞれに対して、ランダムに時系列間での種子のMVP-弁別値を切り直す。 （例えば、むしろ隣接のTRよりもブロックをシャッフルして）（同じブロック内の時点のような）時間的自己相関と一緒に隣接する時点を保つ。
- 各順列（上記の手順4）のために、個人でICマップを計算します。
- Randoml：千入れ替えグループマップを生成Yは、各参加者から1順列のICマップを選択し、このランダムセット（上記ステップ5）上のグループテストを実施しています。
- しきい値は、すべての所望の閾値（ 例えば 、p <0.001）でのグループマップを並び替え、マップから最大のクラスタサイズを抽出します。
- 結果の千最大クラスタボリュームをソートし、95 パーセンタイル （ たとえば 、千順列の最大50 回目 ）でクラスタサイズを識別します。
- は、p <0.05、クラスタ補正させるために、6.5から実数（非順列）IC群マップに6.4に用いる閾値（ 例えば 、p <0.001）および最小クラスタサイズを適用する。すべての順序を変えた地図（異なる順序で）同じのMVP弁別値に描画するため、この重要度マップは、偶然に予想以上の同期弁別値で領域を強調しています。
Representative Results
ICの結果は研究者の現在好ましいfMRIの分析ソフトウェアパッケージを使用して表示することができる。 図2は、視覚的に提示する人工オブジェクト（関連する出版物7の全詳細）のブロックから計算され、IC結果を示す。
特徴的なのMVPと条件が、単変量の応答の違いなしで、ICとFCの区別を持っている可能性があります（参加者は人間の様々なタイプを見たときに記録されたデータで示されている：IC分析は、関連のMVPを持つことが知られている条件のために特に価値がある図3）内のオブジェクトを作りました。重要なマルチボクセル情報をサーチライト4に示す図 、高いICを持つことができますが、あまりのFC結果で表されます。
図1時間をかけてパターン識別性の例としてはトップ：Haxby ら対象から算出したMVP識別性の基板（2001）2、Coutanche＆トンプソン·シル（2013）7に分析した。青い線は時点 'MVPの平均（'トレーニング '）正しいクラスのパターン間のz得点の相関関係を示しています。緑色の線は3間違ったクラスを使用してのMVP」の相関を表しています。ボトム：パターン識別性は正しいクラス最高誤ったクラスの相関の差です。正パターン弁別値を持つ時点を正確に相関ベースの分類器によって分類されるであろう。もともとCoutanche＆トンプソン·シル（2013）に発表され、図7。 この図の拡大版を表示するには、こちらをクリックしてください。。
図2例の接続にマップされます。 各行には、有意に（青で示されている）の種子に接続された領域を示しています。有意性は、順列試験から最小クラスタサイズを有する基のt-検定（p <0.001）によって決定される。 ICの結果はFreeSurfer 1 2で作製した表面マップにAFNI 1 1を使用して表示されます。図はCoutanche＆トンプソン·シル（2013）7から変更されている。 この図の拡大版を表示するには、こちらをクリックしてください。
図3同期のMVP識別性は、活性化を意味するために比較して、同期の平均活性化（ すなわち機能的結合）することなく、同期のMVP識別性（ すなわち 、情報の接続性）との2の地域でのMVP識別性の例を。 Coutanche＆トンプソン·シル（2013）7に分析されたデータは、（2001）。Haxbyらから被写体から来ている2。対象は、マルチボクセルパターンによって識別可能であるが、応答を意味するものではありませ人工物体の視覚的なプレゼンテーションを閲覧しながら、これらのデータポイントを収集したこと。 この図の拡大版を表示するには、こちらをクリックしてください。
図4。LEF種子間の例のICとFC値Tの紡錘状回、脳全体のサーチライトは、 情報のとの機能的結合の強さ（Z軸）は4に、各サーチライトの平均応答（x軸）とMVPA分類精度（y軸）に対する種子やサーチライト、の間に示されている人工オブジェクト（確率= 25％）の種類。シード領域とボクセルを共有サーチライトを除去した。 ICのグラフは、高い分類性能が、（右のグラフの左上の八分円のギャップで見られる）一般的なFCアプローチでピックアップされていない低い平均応答レベルを持つ、強力な接続性とサーチライトの例を含む。もともとCoutanche＆トンプソン·シル（2013）に発表され、図7。 この図の拡大版を表示するには、こちらをクリックしてください。
Discussion
情報提供の接続は、分散パターン情報にMVPAの感度を持っており、接続性のアプローチを通じて間の領域の相互作用を研究することが可能になります。 MVPAと標準単変量解析では、各時には、その結果1 3との間にほとんど重複して、別個の領域の関与を明らかにすることができます。これらの解析アプローチに描画する方法が予想されるように、ICとFCはまた、相補的な結果を7を与える。 ICを採用するかどうかの判断は、最終的には、調査中の条件と提起されている理論的な問題に依存します。設計上の考慮事項がMVPAデータセットに対して行われているかどうかに影響を与えるには、ICが使用されているかどうかに影響します。心の中で明示的にICと設計された研究はまた、トライアル·レベルのデータがスキャンの時間経過全体から抽出できるようにしながら、MVPA 1 4のための推奨事項に従うことになるでしょう。
調べるときそしてIC結果を報告、それが種子と重なるサーチライトが円形を回避するために、除去されることが重要である。直接のICとFCの結果を比較した場合に加えて、それは単にボクセルのではなく、また、サーチライトの平均活性化に基づいて、FC解析を比較することをお勧めします。この追加の分析結果との間に違いがあるため、ボクセルに対するサーチライトにおける信号対雑音のレベルの違いがないことを確認することができます。
ここで説明する手順は、主にサーチライトを採用した探索的分析に焦点を当てています。それは、地域の関心とサーチライトを交換することによって、ICはまた、 私の前に 、選択された領域を比較することができることは注目に値する。現在の識別性メトリック - 最大の代替条件の相関関係を 'true'状態のため、MVPの相関を比較するには - も変更可能です。多くの機械学習分類器は、差分のための予測重みを持っている簡単に（ 例えば 、時間の経過に分類器の「信頼」を追跡するために）ここで行われる相関比較を置き換えることができerentクラス、。 ICは、潜在的な用途の様々なています。だけでなく、情報のネットワークを調査する一次解析であるとして、ICはMVPAのサーチライトに二次フォローアップ分析することができます。 MVPAのサーチライトマップは、領域が異なる条件を区別することができます理解するために価値があるが、通常は別々のネットワークに分割されていません。 ICのアプローチは、同期識別性を持っているサーチライトの設定している明らかにすることによって、ここに助けることができる。最後に、異なるタスクからICマップは、タスク·ネットワークを理解するために比較することができ、患者はより良好な多ボクセル差が1〜5は、ネットワークレベルで現れているかを理解するためのコントロールと比較することができる。
Acknowledgments
私たちは、さらなる分析のために、それらのデータを利用可能にするためにジムHaxbyと同僚に感謝します。マルクN. Coutancheはハワードヒューズ医学研究所の交わりによって資金を供給された。この作品は、NIHの助成金R0I-DC009209とシャロンL.トンプソン·シルに授与R01-EY02171701によってサポートされていました。
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).
