Usando Informativa Conectividade medir o Emergence Synchronous de fMRI Multi-voxel Informações Across Time

Abstract

Ele agora é apreciado que a informação relevante condição pode estar presente dentro dos padrões distribuídos de ressonância magnética funcional (fMRI) a atividade cerebral, mesmo para condições com níveis semelhantes de ativação univariada. Análise de padrões multi-voxel (MVP) foi usado para decodificar essas informações com grande sucesso. Investigadores fMRI também muitas vezes procuram entender como as regiões do cérebro interagem em redes interconectadas, e usar a conectividade funcional (CF) para identificar regiões que correlacionados respostas ao longo do tempo. Assim como análises uni pode ser insensível a informação em MVPs, FC pode não caracterizar plenamente as redes cerebrais que processam as condições com assinaturas MVP característicos. O método descrito aqui, a conectividade de informação (CI), pode identificar regiões com mudanças correlacionadas em MVP-discriminabilidade ao longo do tempo, revelando conectividade que não é acessível a FC. O método pode ser exploratória, utilizando holofotes para identificar semente-connáreas ected, ou planejado, entre as regiões de interesse pré-selecionados. Os resultados podem elucidar redes de regiões que processam condições relacionadas com o MVP, degradação podem mapas holofote MVPA em redes separadas, ou podem ser comparados entre tarefas e grupos de pacientes.

Introduction

O objetivo do método de análise descrito aqui é medir a conectividade entre as regiões do cérebro com base em flutuações na sua informação multi-voxel. Os avanços na ressonância magnética funcional (fMRI) técnicas de análise revelaram que uma grande quantidade de informação pode ser contido dentro de nível de sangue-oxigenação-dependentes (negrito) os padrões de atividade que são distribuídos através de múltiplos voxels ^1-3. Um conjunto de técnicas que são sensíveis à informação multivariada - conhecida como análise de padrões multi-voxel (MVPA) - tem sido usada para mostrar que as condições podem ter MVPs distintas, apesar de ter respostas indistinguíveis univariadas ^1,2,4. Análises Padrão, que comparam respostas univariadas, pode ser insensível a esta informação multi-voxel.

Várias regiões do cérebro estão envolvidas quando os seres humanos processam estímulos e realizar operações cognitivas. Conectividade funcional (FC) é um método habitualmente empregue para investigarportão tais redes funcionais ^5,6. Na sua forma mais básica, o FC quantifica co-ativação, ou sincronia, entre os diferentes voxels ou regiões. FC tem sido usado para identificar redes cerebrais funcionalmente conectados com muito sucesso. Para muitas regiões e condições, no entanto, as respostas univariadas não refletem todas as informações disponíveis dentro atividade BOLD. Técnicas de FC que acompanham alterar dinamicamente os níveis de resposta univariadas podem faltar sensibilidade a flutuações comuns na informação multi-voxel. O método de análise aqui apresentada, conectividade informacional (IC; descrita pela primeira vez em um artigo recente ^7), preenche uma lacuna entre MVPA e FC, medindo a conectividade com uma métrica que é sensível à informação multi-voxel ao longo do tempo. Enquanto FC faixas alterar dinamicamente ativação univariada, IC faixas alterar dinamicamente MVP discriminabilidade - uma medida de quão bem verdadeira condição de um MVP pode ser distinguido de alternativas (incorretos). É importante ressaltar que em tele mesmo modo que as diferentes regiões pode mostrar níveis semelhantes de respostas uni a uma condição, apesar de executar cálculos distintos (por exemplo, processamento visual ou planejamento de ação quando uma pessoa vê o homem fez objetos), regiões distintas também podem ter níveis de MVP semelhantes (e sincronizados) discriminabilidade enquanto que condições do processo de maneira diferente. Um estudo recente demonstrou que a IC pode revelar conectividade inter-regional que não é detectável com uma abordagem FC padrão ^7. Os investigadores podem, portanto, usar IC para investigar as interações entre as regiões do cérebro que os participantes respondem a condições ou estímulos que têm padrões distribuídos característicos. IC é distinto de várias aplicações de conectividade recentes que examinaram flutuações na ativação univariada em relação aos resultados da classificação ^{8, 9.} Ao contrário dessas abordagens, IC detecta síncrono multi-voxel padrão discriminabilidade entre as regiões.

Protocol

1. Preparar os dados fMRI

Nota: Após a realização de um fMRI scan, pré-processar os dados coletados utilizando as ferramentas disponíveis na maioria dos pacotes de software de fMRI antes de iniciar este protocolo (embora suavização espacial deveria ser evitada ou minimizada para preservar os padrões de multi-voxel). Um exemplo de um conjunto de dados adequados é descrita no pedido anterior do método ^7.

1. Remover movimento e significa sinais de substância branca da série temporal de dados de fMRI pré-processados, criando um modelo de regressão com preditores para os parâmetros de movimento (roll, pitch, yaw, x, y, z) e sinal da substância branca dizer. Realizar as análises a seguir sobre os resíduos resultantes (ou seja, a variação restante).
2. Importe os resíduos gerados em um pacote de análise (por exemplo, MATLAB, Python). A fonte aberto Informativa Conectividade Toolbox (http://www.informationalconnectivity.org) pode importar dados de fMRI em MATLAB.
3. Eac Z-scoreséries temporais h do voxel.
4. Separe timepoints do conjunto de dados em conjuntos independentes ('dobras'), tais como corridas diferentes scanner. Nota: O uso do scanner é executado garante a independência entre as pregas, que podem ser difíceis de garantir (por exemplo, poderia ser criado dependências entre timepoints um prazo durante o pré-processamento). Executa poderia ser agrupados em conjunto para reduzir o número de dobras (por exemplo, é executado e ímpares ^2), apesar de utilizar pistas individuais vai dar mais dados de formação.
5. Criar um registro dos rótulos condição associada a timepoints gerando um vetor de rótulos de condição que é N timepoints longo.
6. Desloca os rótulos condição para a frente em cada executado por um número de vezes-a-repetição (TRs), equivalente a 5 segundos, a fim de explicar o atraso de hemodinâmica entre os eventos e sinais de fMRI gravados.

2. Selecione e analisar uma região Semente

1. Selecione uma região de sementes por isolar um anatômicaárea al, região funcionalmente localizada ou de alto desempenho 'mapeamento de informações de cérebros' holofotes ^10.
   Nota: Os passos 2,2-4,2 abaixo podem ser executados pelo open-source Conectividade Informativa MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Compare o MVP de cada ponto de tempo a um MVP protótipo para cada condição (Nota: esta é a mesma abordagem usada no popular baseada em correlação mais próximo classificador vizinho ^2). Figura 1 (superior) dá um exemplo a partir de dados reais coletados como participantes visto blocos de quatro tipos de objetos feitos pelo homem.
   1. Calcule a (média) MVP protótipo para cada condição pela média dos pontos temporais de cada condição em todo-mas-um só rebanho. Estes são os dados "formação" para cada dobra (por exemplo, por vezes 2 de 5, médios-MVPs são calculadas em pontos de tempo em dobras 1, 3, 4 e 5).
   2. Correlacionar a cada ponto no tempo ", S MVP com a média-MVP de cada condição a partir dos dados de treinamento. Isso vai dar a cada ponto no tempo um valor de correlação para cada condição (Nota: o estado com a maior correlação aqui seria a previsão da correlação popular baseado classificador MVPA ²⁾
   3. Fisher-transformar os valores de R-TO escores z.
3. Quantificar 'MVP discriminabilidade' para cada ponto no tempo: Primeiro identificar a correlação de 2.2.3 que representa a relação entre o MVP da timepoint ea média-MVP da condição desse timepoint, em seguida, subtrair a maior das correlações restantes (ou seja, correlação "com correta condição 'menos' correlação máxima com uma condição incorreta '). O resultado é que o MVP discriminabilidade do ponto de tempo. Uma abordagem alternativa (e válida) seria para subtrair a correlação média das condições incorrectas.
   Nota: A abordagem sugerida tem a vanta intuitivoge que timepoints com valores Discriminabilidade positivos são classificados corretamente pelo classificador correlação com base, enquanto timepoints com valores negativos não são previu corretamente. Um exemplo dos valores resultantes são mostrados na Figura 1 (parte inferior). Os passos até esse ponto são capturadas nas fórmulas abaixo.
   
   X é um vetor linha normalizada 1-por-m com valores de ativação m voxel na hora do ponto-n, y é um 1-a-m vetor linha normalizada do padrão médio para formação correta (c) ou (i) condições impróprias para tempo de ponto n. A função artanh aplica o Fisher z transformar.

3. Calcular uma série temporal de MVP Discriminabilidade para cada Searchlight

1. Realizar uma análise holofote ^10: Coloque um c tridimensionalbrilho em torno de cada voxel, por sua vez (um 'holofote').
2. Repita os passos 2.2 e 2.3 para cada holofote, para que cada holofote tem uma série temporal de valores Discriminabilidade MVP (um por timepoint).

4. Calcular Informativa conectividade entre a semente e Holofotes

1. Correlacionar MVP discriminabilidade séries temporais da semente (de 2,3) com discriminabilidade séries temporais de cada holofote (de 3,2), utilizando classificação de correlação de Spearman. O valor resultante r _s é o IC entre a semente eo holofote.
2. Atribuir valor IC de cada holofote para voxel central do holofote e escrever mapa cerebral do indivíduo resultante.

5. Calcular Grupo Estatístico Mapa

1. IC Se os dados não estiverem no espaço padronizado (por exemplo, Talairach ou MNI), transformam dos participantes mapeia no mesmo espaço.
2. Opcionalmente suavizar as pessoas e# 39; mapas holofote.
3. Criar um mapa estatístico grupo usando uma t-teste de uma forma para se valor IC de cada holofote é significativamente maior do que zero.

6. Significado Teste

Nota: Existem inúmeras abordagens para determinar a significância estatística dos mapas grupo fMRI. Como um teste de permutação pode determinar a significância com os pressupostos mínimos, enquanto representando o nível do conjunto de dados de suavização (como cada mapa grupo permutados sofre o mesmo processo), esta opção é descrita abaixo.

1. Para cada um dos 1.000 permutações, embaralhar aleatoriamente valores MVP-Discriminabilidade da semente em toda a série histórica. Manter instantes adjacentes com autocorrelações temporais (tais como marcas de tempo dentro do mesmo bloco) em conjunto (por exemplo, por blocos, em vez de baralhar TRs adjacentes).
2. Calcule mapas IC dos indivíduos para cada permutação (passo 4 acima).
3. Gerar 1.000 mapas grupo permutadas: Randomly selecionar um permutado mapa IC de cada participante e realizar um teste de grupo sobre este conjunto aleatório (passo 5 acima).
4. Limite de cada mapa grupo permutados em um limite desejado (por exemplo, p <0,001) e extrair o tamanho máximo do cluster do mapa.
5. Ordenar resultante 1.000 volumes máximo do cluster e identificar o tamanho do cluster no ^percentil 95 (por exemplo, a 50 ^ª maior em 1000 permutações).
6. Aplique o limiar usado em 6.4 (por exemplo, p <0,001) eo tamanho mínimo aglomerado de 6,5 para o real (não-permutados) mapa grupo IC, a fim de torná-lo cluster de corrigida para p <0,05. Porque cada mapa permutados baseia-se nos mesmos valores Discriminabilidade MVP (em uma ordem diferente), este mapa significado destaca as regiões com mais valores Discriminabilidade síncronos do que o esperado por acaso.

Representative Results

Os resultados IC agora podem ser exibidos usando o pacote de software de análise fMRI preferido do investigador. Figura 2 mostra os resultados de IC, calculados a partir de blocos de apresentadas visualmente o homem fez objetos (detalhes completos na publicação associada ^7).

A análise IC é particularmente valioso para as condições que se sabe terem associado MVPs: Condições com MVPs característicos, mas sem diferenças nas respostas univariadas, são mais propensos a ter distinções entre IC e FC (ilustrado com dados que foram registrados como participantes visto diferentes tipos de homem objetos feitos na Figura 3). Figura 4 mostra que holofotes com informações significativas multi-voxel pode ter alta IC, mas não são tão bem representados em resultados FC.

.. Figura 1 Exemplos de padrão discriminabilidade durante tempos: Os substratos. De MVP discriminabilidade calculado a partir de um sujeito em Haxby et al (2001) ^2, tal como analisado em Coutanche & Thompson-Schill (2013) ^7. A linha azul mostra a correlação entre marcou-z 'MVPs ea média de tempo padrão de pontos da classe correta ("treinamento"). As linhas verdes representam correlações dos MVPs com três classes incorretas. Conclusão: Padrão discriminabilidade é a diferença entre as correlações para a classe correta e incorreta classe mais alta. Time-pontos com valores positivos padrão Discriminabilidade seriam corretamente classificados por um classificador baseado em correlação. Figura publicado originalmente em Coutanche & Thompson-Schill (2013) ^7. Clique aqui para ver uma versão maior desta figura.

Exemplo mapas Figura 2. Conectividade. Cada linha mostra regiões significativamente ligados a uma semente (em azul). A significância é determinada por um grupo t-teste (p <0,001) com o tamanho mínimo de aglomerado de testes de permutação. Os resultados são exibidos usando IC AFNI ^{1 1} em mapas de superfície produzidos com FreeSurfer ^{1 2.} Figura é modificada a partir Coutanche & Thompson-Schill (2013) ^7. Clique aqui para ver uma versão maior desta figura.

Figura. 3 Synchronized MVP discriminabilidade comparado a significar ativação Exemplos de MVP discriminabilidade em duas regiões com discriminabilidade MVP síncrona (ou seja, a conectividade de informação) sem síncrona ativação média (ou seja, a conectividade funcional).; dados vêm de um assunto de Haxby et al. (2001) ^2, conforme analisado em Coutanche & Thompson-Schill (2013) ^7. Esses pontos de dados foram coletados enquanto o assunto visto apresentações visuais de objetos feitos pelo homem, que se distinguem por padrões multi-voxel, mas não significam respostas. Clique aqui para ver uma versão maior desta figura.

Figura 4. Exemplo IC e FC valores entre uma semente no lefgiro t fusiformes e holofotes em todo o cérebro. Informacional e pontos fortes de conectividade funcional (Z-eixos) são mostrados entre uma semente e holofotes, com relação a resposta média de cada holofote (eixo x) e precisão da classificação MVPA (eixo-y) a quatro tipos de homem feito objetos (possibilidade = 25%). Holofotes compartilhando voxels com a região da semente foram removidos. O gráfico IC inclui exemplos de holofotes com conectividade forte que têm alto desempenho da classificação, mas os baixos níveis médios de resposta, que não são apanhados em uma abordagem típica FC (visto pela lacuna na octant superior esquerdo do gráfico à direita). Figura publicado originalmente em Coutanche & Thompson-Schill (2013) ^7. Clique aqui para ver uma versão maior desta figura.

Discussion

Conectividade Informativa tem a sensibilidade de MVPA à informação padrão distribuído, e dá uma capacidade de estudar entre a região interações através de uma abordagem de conectividade. MVPA e análises uni padrão podem cada revelar o envolvimento de regiões distintas, às vezes com pouca sobreposição entre seus resultados ^{1 3.} Como esperado para um método que se baseia em tais abordagens de análise, IC e FC também dar resultados complementares ^7. A decisão de se empregar IC vai depender das condições sob investigação e as questões teóricas sendo colocados. Considerações de design que o impacto se MVPA é conduzido em um conjunto de dados também afetará se IC é usado. Estudos projetados com IC explicitamente em mente vai querer seguir as recomendações para MVPA ^{1 4,} além de garantir que os dados de nível de julgamento pode ser extraído de todo timecourse de verificação.

Ao examinare relatar resultados de IC, é importante que os holofotes sobrepostas com as sementes são removidas, para evitar a circularidade. Além disso, quando se pretende comparar directamente os resultados de IC e FC, recomenda-se também comparar a análise FC com base na média de activação holofotes, em vez de apenas os voxels. Esta análise adicional pode garantir que quaisquer diferenças entre os resultados não são por causa de diferenças nos níveis de relação sinal-ruído em holofotes contra voxels.

O procedimento descrito aqui se concentra principalmente em uma análise exploratória empregando holofotes. Vale a pena notar que, substituindo holofotes com regiões de interesse, IC também pode comparar as regiões que são selecionados a prévia i. O atual métrica discriminabilidade - comparando correlação de MVP para a condição de "verdadeiro" para a correlação para a condição de máximo alternativo - também são modificáveis. Muitos classificadores de aprendizado de máquina têm pesos de predição para diffaulas erent, o que poderia facilmente substituir as comparações de correlação realizados aqui (por exemplo, para acompanhar o "confiança" de um classificador ao longo do tempo). IC tem uma variedade de usos potenciais. Além de ser uma análise preliminar para investigar redes informacionais, IC pode ser uma análise de acompanhamento secundário a um holofote MVPA. Mapas holofote MVPA são valiosos para compreender que as regiões podem distinguir diferentes condições, mas não estão normalmente divididas em redes diferentes. A abordagem IC pode ajudar aqui, ao revelar que define de holofotes têm discriminabilidade síncrona. Finalmente, mapas IC de diferentes tarefas podem ser comparados a fim de compreender as redes de tarefas, e os pacientes podem ser comparados aos controles para entender melhor como as diferenças multi-voxel ^{1 5} se manifestam no nível de rede.

Materials

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