Brug Informativ Connectivity at måle Synkron Fremkomsten af ​​fMRI Multi-voxel Information Across Time

Abstract

Det er nu klart, at betingelsen-relevante oplysninger kan være til stede i distribuerede mønstre af funktionel magnetisk resonans (fMRI) hjernens aktivitet, selv for tilstande med tilsvarende niveauer af univariat aktivering. Multi-voxel mønster (MVP) analyse er blevet brugt til at afkode disse oplysninger med stor succes. FMRI efterforskere også ofte søger at forstå, hvordan hjernen regioner interagerer i sammenkoblede net, og bruge funktionel konnektivitet (FC) til at identificere regioner, som har korreleret respons over tid. Ligesom univariate analyser kan være ufølsom over for information i MVP'er, kan FC ikke fuldt ud at karakterisere de netværk i hjernen, der behandler forhold med karakteristiske MVP signaturer. Metoden beskrives her, informative tilslutningsmuligheder (IC), kan identificere områder med korrelerede ændringer i MVP-discriminability på tværs af tid, afslører konnektivitet, der ikke er tilgængelige for FC. Metoden kan være udforskende, ved hjælp af projektører til at identificere frø-connected områder, eller planlagt, mellem præ-udvalgte regioner-af-interesse. Resultaterne kan belyse netværk af regioner, der behandler MVP-relaterede forhold kan opdeling MVPA søgelys kort i separate netværk, eller kan sammenlignes på tværs opgaver og patientgrupper.

Introduction

Målet med den her beskrevne analysemetode er at måle forbindelsen mellem hjernen regioner baseret på udsving i deres multi-voxel information. Fremskridt i funktionel magnetisk resonans (fMRI) analyseteknikker har afsløret, at en stor mængde information kan være indeholdt i blod-iltning niveau-afhængige (BOLD) aktivitet mønstre, der er fordelt på tværs af flere voxels ^1-3. Et sæt af teknikker, der er følsomme over for multivariat information - kendt som multi-voxel mønster analyse (MVPA) - har været brugt til at vise, at forholdene kan have skelnes MVP'er trods skelnes univariate reaktioner ^1,2,4. Standard analyser, der sammenligner univariate reaktioner, kan være ufølsom over for denne multi-voxel information.

Flere områder af hjernen er involveret, når mennesker behandler stimuli og udføre kognitive operationer. Funktionel konnektivitet (FC) er en metode, der almindeligvis anvendes til undersøgeregate sådanne funktionelle netværk ^5,6. I sin mest basale form, FC kvantificerer co-aktivering, eller synkront, mellem forskellige voxler eller regioner. FC er blevet anvendt til at identificere funktionelt forbundne netværk i hjernen med stor succes. For mange regioner og vilkår dog univariate svar afspejler ikke alle de tilgængelige oplysninger inden BOLD aktivitet. FC teknikker, der sporer dynamisk skiftende univariate svarniveauet kan mangle følsomhed over for almindelige udsving i multi-voxel information. Analysen, der præsenteres her, informative tilslutningsmuligheder (IC, først beskrevet i et nyligt papir ^7), bro en kløft mellem MVPA og FC, ved at måle tilslutning med en metrik, der er følsom over for multi-voxel information på tværs af tid. Mens FC spor dynamisk skiftende univariat aktivering, sporer IC dynamisk skiftende MVP discriminability - et mål for, hvor godt en MVP sande tilstand kan skelnes fra (forkerte) alternativer. Vigtigere er det, i than samme måde som forskellige regioner kan vise lignende niveauer af univariate svar til en tilstand til trods for at udføre forskellige beregninger (fx visuel forarbejdning eller handling planlægning, når en person ser menneskeskabte objekter), kan forskellige regioner også har lignende (og synkroniseret) niveauer af MVP discriminability mens de behandler forhold forskelligt. En nylig undersøgelse viste, at IC kan afsløre interregionale forbindelser, der ikke kan påvises med en standard FC tilgang ^7. Efterforskere kan derfor benytte IC til sonde samspillet mellem hjernen regioner som deltagere reagere på forhold eller stimuli, der har karakteristiske distribuerede mønstre. IC adskiller sig fra flere nylige tilslutningsmuligheder applikationer, der undersøgte udsving i univariat aktivering i forhold til klassificeringsresultater ^{8, 9.} I modsætning til disse tilgange, IC registrerer synkron multi-voxel mønster discriminability mellem regionerne.

Protocol

1.. Forbered fMRI data

Bemærk: Efter at have foretaget en fMRI scanning, pre-proces de indsamlede data ved hjælp af de værktøjer, der er tilgængelige i de fleste fMRI softwarepakker før start denne protokol (selvom rumlig udglatning bør undgås eller minimeres for at bevare flere voxel mønstre). Et eksempel på en egnet datasæt er beskrevet i en tidligere anvendelse af metode ^7.

1. Fjern bevægelse og betyde hvide substans signaler fra tidsserien af ​​præ-forarbejdede fMRI data ved at oprette en regressionsmodel med prædiktorer for bevægelsesparametre (roll, pitch, krøje, x, y, z) og betyde hvide substans signal. Gennemføre analyserne nedenfor om de resulterende residualerne (dvs. de resterende varians).
2. Importer de genererede residualer i en analyse-pakke (fx Matlab, Python). Den open source Informational Connectivity Værktøjskasse (http://www.informationalconnectivity.org) kan importere fMRI data i MATLAB.
3. Z-score eactidsserier h voxel er.
4. Adskil datasættet er tidspunkter i uafhængige sæt ('folder'), såsom forskellige scanner kørsler. Bemærk: Brug af scanner kørsler sikrer uafhængighed mellem folder, som ellers kan være vanskeligt at sikre (for eksempel, kunne oprettes afhængigheder mellem et run s tidspunkter under pre-processing). Kører kunne grupperes sammen for at reducere antallet af folder (fx lige og ulige kørsler ^2), selv med et enkelt løb vil give flere træningsdata.
5. Opret en rekord af den tilstand etiketter forbundet med tidspunkter ved at generere en vektor af tilstand etiketter, der er N tidspunkter lang.
6. Skift tilstanden etiketter frem i hver drives af et antal gange-to-gentagelse (TRS) svarende til 5 sek, med henblik på at redegøre for hæmodynamisk forsinkelse mellem begivenheder og indspillede fMRI signaler.

2.. Udvælge og analysere et Seed Region

1. Vælg et frø region ved at isolere en anatomiskal-området, funktionelt lokaliseret region eller top-udfører "information hjerne mapping 'Søgelys ^10.
   Bemærk: Trin 2,2-4,2 nedenfor kan udføres af open source Informational Connectivity MATLAB Værktøjskasse ( http://www.informationalconnectivity.org ).
2. Sammenlign MVP for hver gang-point til et prototypisk MVP for hver tilstand (Bemærk: dette er den samme metode, som anvendes i den populære korrelation-baserede nærmeste nabo klassificeringen ^2). Figur 1 (øverst) giver et eksempel fra virkelige data indsamlet som Deltagerne viste blokke af fire typer af menneskeskabte objekter.
   1. Beregn et prototypisk (gennemsnitlig) MVP for hver tilstand ved at tage gennemsnittet af de tidspunkter i hver tilstand i al-men-en fold. Dette er "træning" data for hver fold (fx for fold 2 af 5, er middelværdi-MVP'er beregnet ud fra tidspunkter i folderne 1, 3, 4 og 5).
   2. Korrelere hvert tidspunkt '; S MVP med den gennemsnitlige-MVP af hver betingelse fra træningsdata. Dette vil give hvert tidspunkt en korrelation værdi for hver tilstand (Bemærk: den tilstand med den højeste korrelation her ville være den forudsigelse af den populære korrelation baseret MVPA klassificeringen ²⁾
   3. Fisher-omdanne R-værdier til z-scores.
3. Kvantificere »MVP discriminability" for hvert tidspunkt: identificere først sammenhængen fra 2.2.3, der repræsenterer forholdet mellem tidspunkterne MVP og den gennemsnitlige-MVP af denne tidspunkterne tilstand, og derefter trække det højeste af de resterende korrelationer (dvs. "korrelation med korrekt tilstand «minus» maksimal korrelation med en forkert tilstand "). Resultatet er, at tidspunkterne MVP discriminability. En alternativ (og gyldige) fremgangsmåde ville være at trække den gennemsnitlige korrelation af de forkerte forhold.
   Bemærk: Den foreslåede fremgangsmåde har den intuitive Advantage, der tidspunkter med positive discriminability værdier klassificeres korrekt af korrelationen baseret klassificeringen, mens tidspunkter med negative værdier ikke korrekt forudsagt. Et eksempel på de resulterende værdier er vist i figur 1 (nederst). Trin op til dette punkt er fanget i nedenstående formler.
   
   X er en normaliseret 1-by-m rækkevektoren med m voxel aktivering værdier på tid-punkt n, Y er en normaliseret 1-by-m rækkevektoren af middelværdien uddannelse mønster for korrekt (c) eller forkerte (i) betingelserne for tid-punkt n. Den artanh funktion gælder Fisher z omdanne.

3.. Beregn en Time Series of MVP Discriminability for hver Searchlight

1. Gennemføre en søgelys analyse ^10: Sted en tredimensionel cglans omkring hver voxel i sving (en 'søgelys').
2. Gentag trin 2.2 og 2.3 for hver søgelys, så hver søgelys har en række MVP discriminability værdier (én pr tidspunkterne) tid.

4.. Beregn Informational Connectivity Mellem Seed og Søgelys

1. Korrelere serie frøet MVP discriminability tid (fra 2.3) med serie hver søgelys s discriminability tid (fra 3.2) under Spearman rang korrelation. Den resulterende r _s værdi er IC mellem frøet og søgelys.
2. Giv hver søgelys IC værdi for søgelys centrale voxel og skrive den resulterende enkeltes hjerne kort.

5.. Beregn Group Statistisk Kort

1. Hvis oplysningerne ikke allerede er i standardiseret rum (f.eks Talairach eller MNI), transformere deltagernes IC kort ind i det samme rum.
2. Eventuelt udjævne enkeltpersoner &# 39; Searchlight kort.
3. Opret en gruppe statistisk kort ved hjælp af en enkeltbillet t-test for, om hver søgelys IC-værdien er signifikant større end nul.

6.. Test Betydning

Bemærk: Der findes talrige metoder til bestemmelse af statistiske signifikans af fMRI gruppens kort. Som en permutation test kan afgøre signifikans med minimale antagelser, mens der tegner sig for datasættet niveau af udjævning (som hver permuteres gruppe kort gennemgår den samme forarbejdning), er denne indstilling skitseret nedenfor.

1. For hver af 1.000 permutationer, tilfældigt shuffle udsædens MVP-discriminability værdier på tværs tidsserien. Hold nærliggende tidspunkter med tidsmæssige autokorrelationer (såsom tidspunkter inden for den samme blok) sammen (for eksempel ved at blande blokke snarere end tilstødende TR'er).
2. Beregn enkeltes IC maps for hver permutation (trin 4 ovenfor).
3. Generer 1.000 permuterede gruppe maps: Randomly vælge en Permuted IC kort fra hver deltager og føre en gruppe test på denne tilfældige sæt (trin 5 ovenfor).
4. Threshold hver permuteres gruppe kort ved en ønsket tærskelværdi (f.eks p <0,001) og udtrække den maksimale klynge størrelse fra kortet.
5. Sorter det resulterende 1.000 maksimum-cluster volumener og identificere klynge størrelse på de 95 ^percentil (f.eks 50 ^th største til 1.000 permutationer).
6. Påfør den tærskelværdi, der anvendes i punkt 6.4 (fx p <0,001) og den mindste klynge størrelse fra 6,5 til den reelle (ikke-permuteret) IC gruppe kort for at gøre det klynge korrigeret til p <0,05. Fordi hver permuteres kort trækker på de samme MVP discriminability værdier (i en anden rækkefølge), denne betydning kort fremhæver områder med flere synkrone discriminability værdier ved chance end forventet.

Representative Results

Kan nu vises IC resultater ved hjælp af investigator foretrukne fMRI analyse softwarepakke. Figur 2 viser IC resultater, beregnet ud fra blokke af visuelt præsenterede menneskeskabte objekter (de nærmere detaljer i den tilhørende publikation ^7).

IC analyse er særlig værdifuldt for sygdomme, som vides at have tilknyttet MVP'er: Betingelser med karakteristiske MVP'er, men uden forskelle i univariate reaktioner, er mere tilbøjelige til at have sondringer mellem IC og FC (illustreret med data, der blev registreret som deltagere set forskellige typer af mennesker made objekter i figur 3). Figur 4 viser, Søgelys med betydelig multi-voxel oplysninger kan have stor IC, men er mindre godt repræsenteret i FC resultater.

.. Figur 1. Eksempler på mønsteret discriminability over tid Top:. De substrater af MVP discriminability beregnet ud fra et emne i Haxby et al (2001) ^2, som analyseret i Coutanche & Thompson-Schill (2013) ^7.. Den blå linje viser z-score korrelation mellem tidspunkter 'MVP'er og den gennemsnitlige ("uddannelse") mønster af den korrekte klasse. De grønne linier repræsenterer MVP'er 'korrelationer med tre forkerte klasser. Nederst: Mønster discriminability er forskellen mellem korrelationer for korrekt klasse og højeste forkert klasse. Tidspunkter med positive mønster discriminability værdier ville blive klassificeres korrekt af en korrelation baseret klassificeringen. Figur oprindeligt udgivet i Coutanche & Thompson-Schill (2013) ^7.. Klik her for at se en større version af dette tal.

Figur 2.. Eksempel tilslutningsmuligheder kort. Hver række viser regioner væsentligt forbundet til en frø (vist med blåt). Signifikans bestemmes af en gruppe t-test (p <0,001) med minimale klynge størrelse fra permutation test. IC resultaterne vises med AFNI ^{1 1} på overflade kort produceret med FreeSurfer ^{1 2.} Figur er modificeret fra Coutanche & Thompson-Schill (2013) ^7.. Klik her for at se en større version af dette tal.

Figur. 3. Synchronized MVP discriminability forhold til betyde aktivering Eksempler på MVP discriminability i to regioner med synkron MVP discriminability (dvs. oplysende konnektivitet) uden synkron gennemsnitlig aktivering (dvs. funktionel forbindelse).; data kommer fra en genstand fra Haxby et al. (2001) ^2, som analyseret i Coutanche & Thompson-Schill (2013) ^7.. Disse datapunkter blev indsamlet, mens emnet viste visuelle præsentationer af menneskeskabte objekter, der kan skelnes ved multi-voxel mønstre, men ikke betyder svar. Klik her for at se en større version af dette tal.

Figur 4.. Eksempel IC og FC værdier mellem en frø i LEFt fusiform gyrus og søgelys på tværs af hjernen. Oplysende og funktionelle tilslutningsmuligheder styrker (z-akser) vises mellem en frø og søgelys, i forhold til hver søgelys middelværdi respons (x-akse) og MVPA klassificering nøjagtighed (y-aksen) til fire typer af menneskeskabte objekter (chance = 25%). Søgelys deler voxler med frøet region blev fjernet. IC graf indeholder eksempler på søgelys med stærke tilslutningsmuligheder, der har høj klassificering ydeevne, men lave gennemsnitlige svarniveauet, der ikke samles op i et typisk FC tilgang (set af hullet i øverste venstre oktant af retten grafen). Figur oprindeligt udgivet i Coutanche & Thompson-Schill (2013) ^7.. Klik her for at se en større version af dette tal.

Discussion

Informational tilslutningsmuligheder har MVPA følsomhed over for distribueret mønster information, og giver en mulighed for at studere mellem-region interaktioner gennem en tilslutning tilgang. MVPA og standard univariate analyser kan hver afsløre inddragelse af forskellige regioner, til tider med lidt overlapning mellem deres resultater ^{1 3.} Som forventet for en metode, der trækker på disse analyse tilgange, IC og FC giver også komplementære resultater ^7. Beslutningen om, hvorvidt at ansætte IC vil i sidste ende afhænge af de betingelser, der undersøges, og de teoretiske spørgsmål bliver stillet. Design overvejelser, der påvirker, om MVPA foregår på et datasæt vil også påvirke, om IC anvendes. Undersøgelser designet med IC eksplicit i tankerne vil ønske at følge anbefalinger til MVPA ^{1 4,} samtidig sikre, at data trial-niveau kan udtrækkes fra hele scanningens tidsforløbet.

Ved behandlingen afog rapportering IC resultater, er det vigtigt, at projektører overlappende med frøet er fjernet, for at undgå cirkularitet. Desuden, hvis direkte sammenligning af IC og FC resultater, anbefales det også at sammenligne en FC analyse baseret på den gennemsnitlige aktivering af projektører, snarere end blot voxels. Denne yderligere analyse kan sikre, at eventuelle forskelle mellem resultaterne er ikke på grund af forskelle i niveauet af signal-til-støj i søgelys versus voxels.

Den her beskrevne procedure fokuserer primært på en sonderende analyse beskæftiger søgelys. Det er værd at bemærke, at ved at erstatte projektører med regioner-af-interesse, kan IC også sammenligne regioner, der er udvalgt en forudgående jeg. Den nuværende discriminability metrisk - sammenligne en MVP korrelation til 'sande' tilstand til korrelation for den maksimale alternative tilstand - er også modificeres. Mange machine learning klassificører har forudsigelse vægte for different klasser, hvilket let kunne erstatte korrelationsparametrene sammenligninger udføres her (fx til at spore den "tillid" af et klassificeringen over tid). IC har en række potentielle anvendelser. Samt at det er en primær analyse for at undersøge oplysende netværk, kan IC være en sekundær opfølgning analyse til en MVPA søgelys. MVPA Searchlight kort er værdifulde for forståelse, som regionerne kan skelne mellem forskellige betingelser, men er ikke typisk opdelt i forskellige netværk. IC tilgang kan hjælpe her, ved at afsløre der sætter af søgelys har synkron discriminability. Endelig kan IC kort fra forskellige opgaver kan sammenlignes med henblik på at forstå opgave net og patienterne kan sammenlignes med kontroller til bedre at forstå hvordan multi-voxel forskelle ^{1 5} er manifesteret på netværksniveau.

Materials

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