Utilisation informationnel connectivité mesurer l'émergence synchrone de l'IRMf Multi-voxel information à travers les âges

Abstract

Il est maintenant apprécié que l'information de l'état-pertinente peut être présent dans les modèles distribués de l'imagerie par résonance magnétique fonctionnelle (IRMf) l'activité du cerveau, même pour les conditions avec des niveaux similaires d'activation univariée. Modèle multi-voxel (MVP) analyse a été utilisée pour décoder cette information avec beaucoup de succès. Enquêteurs IRMf aussi cherchent souvent à comprendre comment les régions du cerveau interagissent en réseaux interconnectés, et utilisent la connectivité fonctionnelle (FC) pour identifier les régions qui ont une corrélation réponses au fil du temps. Tout comme analyse univariée peuvent être insensibles à l'information dans les MVP, FC peut pas caractériser pleinement les réseaux cérébraux qui traitent des conditions avec des signatures MVP caractéristiques. La méthode décrite ici, la connectivité d'information (IC), permet d'identifier les régions et les variations corrélées à MVP-discriminabilité à travers le temps, révélant que la connectivité n'est pas accessible aux FC. La méthode peut être exploratoire, en utilisant des projecteurs pour identifier les semences connzones ète, ou prévues, entre les régions d'intérêt pré-sélectionnés. Les résultats peuvent élucider les réseaux de régions qui traitent des conditions MVP liées, panne peut cartes de projecteurs MVPA dans des réseaux distincts, ou peuvent être comparés entre les tâches et les groupes de patients.

Introduction

L'objectif de la méthode d'analyse décrite ici est de mesurer la connectivité entre les régions du cerveau basé sur les fluctuations de leurs informations multi-voxel. Les progrès de l'imagerie par résonance magnétique fonctionnelle (IRMf) des techniques d'analyse ont révélé qu'une grande quantité d'informations peut être contenue à l'intérieur (en gras) motifs niveau sang-oxygénation dépendantes activité qui sont distribués sur plusieurs voxels ^1-3. Un ensemble de techniques qui sont sensibles à l'information multivariée - connus sous le nom d'analyse de modèle multi-voxel (APMV) - a été utilisé pour montrer que les conditions peuvent avoir MVP distinctes malgré réponses distinguer une variable ^1,2,4. Les analyses standard, qui comparent les réponses à une variable, peuvent être insensibles à cette information multi-voxel.

Plusieurs régions du cerveau sont engagés quand les humains traitent les stimuli et effectuer des opérations cognitives. Connectivité fonctionnelle (FC) est une méthode couramment utilisée pour enquêterporte ces réseaux fonctionnels ^5,6. Dans sa forme la plus basique, le FC quantifie co-activation ou la synchronisation entre différents voxels ou régions. FC a été utilisé pour identifier les réseaux du cerveau fonctionnellement connectés avec beaucoup de succès. Pour de nombreuses régions et les conditions, cependant, les réponses à une variable ne reflètent pas toutes les informations disponibles dans l'activité BOLD. Techniques FC qui suivent l'évolution dynamique des niveaux de réponse à une variable peuvent manquer de sensibilité aux fluctuations communes en matière d'information multi-voxel. La méthode d'analyse présentée ici, la connectivité d'information (IC; d'abord décrit dans un article récent ^7), comble une lacune entre APMV et FC, en mesurant la connectivité avec une métrique qui est sensible à l'information multi-voxel dans le temps. Tandis que le FC écoutes changeant dynamiquement activation univariée, IC suivi de l'évolution dynamique MVP discriminabilité - une mesure de la façon dont la situation réelle d'un MVP peut être distinguée de solutions de rechange (erronés). Fait important, dans til même manière que les différentes régions peut montrer des niveaux similaires de réponses à une variable à un état ​​malgré effectuer des calculs distincts (par exemple, traitement visuel ou de la planification de l'action quand une personne regarde des objets artificiels), des régions distinctes peuvent également avoir des niveaux de MVP similaires (et synchronisés) discriminabilité alors qu'ils traitent des conditions différemment. Une enquête récente a démontré que IC peut révéler la connectivité inter-régional qui n'est pas détectable avec une approche standard FC ^7. Les enquêteurs peuvent donc utiliser IC pour sonder les interactions entre les régions du cerveau que les participants répondent à des conditions ou à des stimuli qui ont des motifs répartis caractéristiques. IC est distincte de plusieurs applications de connectivité récentes qui ont examiné les fluctuations de l'activation univariée par rapport aux résultats de classification ^{8, 9.} Contrairement à ces approches, IC détecte synchrone multi-voxel modèle discriminabilité entre les régions.

Protocol

1. Préparer les données IRMf

Remarque: Après avoir effectué un scanner IRMf, pré-traiter les données recueillies à l'aide des outils disponibles dans la plupart des logiciels IRMf avant de commencer ce protocole (bien que le lissage spatial devrait être évité ou minimisé de préserver les modèles multi-voxels). Un exemple d'un ensemble de données approprié est décrit dans une demande antérieure de la méthode ^7.

1. Retirez le mouvement et la moyenne des signaux de la substance blanche de la série temporelle des données IRMf pré-traitées par la création d'un modèle de régression avec des prédicteurs de paramètres de mouvement (roulis, tangage, lacet, x, y, z) et signifie signal de la substance blanche. Effectuer les analyses ci-dessous sur les résidus résultant (c.-à-la variance résiduelle).
2. Importez les résidus générés dans un logiciel d'analyse (par exemple, MATLAB, Python). L'open source informationnelle connectivité Boîte à outils (http://www.informationalconnectivity.org) peut importer des données d'IRMf dans MATLAB.
3. Z-score eacla série de temps h de voxel.
4. Séparer les points dans le temps de l'ensemble de données en ensembles indépendants (les "plis"), tels que les différents passages du scanner. Remarque: L'utilisation du scanner courses assure l'indépendance entre les plis, qui peuvent autrement être difficiles à garantir (par exemple, les dépendances pourraient être créés entre les points dans le temps d'une exécution au cours de pré-traitement). Fonctionne pourraient être regroupés afin de réduire le nombre de plis (par exemple, pairs et impairs essais ^2), bien que l'utilisation de seules courses donnera plus de données de formation.
5. Créer un registre des étiquettes de condition associée à timepoints en générant un vecteur de conditions étiquettes qui est N timepoints longtemps.
6. Déplacer les étiquettes d'état en avant dans chaque géré par un certain nombre de fois-à répétition (TR) équivalant à 5 secondes, afin de tenir compte de l'horaire hémodynamique entre les événements et les signaux IRMf enregistrés.

2. Sélectionner et analyser une région de semences

1. Sélectionnez une région des semences par l'isolement d'un anatomiquela zone d'al, région fonctionnellement localisée ou plus performants 'information cartographique des cerveaux »projecteurs ^10.
   Remarque: les étapes 02.02 à 04.02 ci-dessous peut être effectuée par le open-source connectivité informationnelle MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Comparer le MVP de chaque point dans le temps à un MVP prototype pour chaque condition (Note: cette approche est la même que celui utilisé dans la base de corrélation populaire le plus proche voisin classificateur ^2). Figure 1 (en haut) donne un exemple de données réelles recueillies dans le participants ont vu des blocs de quatre types d'objets artificiels.
   1. Calculer un (moyen) MVP prototype pour chaque condition par la moyenne des points de temps de chaque état dans tous-mais-un pli. Ce sont les données «de formation» pour chaque fois (par exemple, pour 2 fois 5, moyennes-MVP sont calculées à partir de points de temps en plis 1, 3, 4, et 5).
   2. Corréler chaque point de temps '; De MVP à la moyenne-MVP de chaque état à partir des données de formation. Cela donnera chaque point de temps une valeur de corrélation pour chaque condition (Remarque: l'état avec la plus forte corrélation ici serait la prédiction de la corrélation populaire classificateur APMV base ²⁾
   3. Fisher-transformer les valeurs r à z-scores.
3. Quantifier "MVP discriminabilité» pour chaque heure: d'abord identifier la corrélation de 2.2.3 qui représente la relation entre MVP de la timepoint et la moyenne-MVP de l'état de cette date jalon, puis soustraire le plus élevé des corrélations restantes (c'est à dire «corrélation avec exactitude état de «moins» corrélation maximale avec un état incorrect »). Le résultat est le MVP discriminabilité de ce point de temps. Une approche alternative (et valide) serait de soustraire la corrélation moyenne des mauvaises conditions.
   Remarque: L'approche proposée a l'avan intuitivege que timepoints avec des valeurs de discriminabilité positifs sont correctement classé par la corrélation basée sur le classificateur, tandis que timepoints avec des valeurs négatives ne sont pas correctement prédit. Un exemple des valeurs résultant est représenté sur la figure 1 (bas). Les étapes jusqu'à ce point sont capturés dans les formules ci-dessous.
   
   X est un vecteur ligne normalisée 1 par m avec des valeurs d'activation m de voxel au point dans le temps n, y est un vecteur normalisé 1 par m ligne du modèle de formation de moyenne pour correct (c) ou (i) de mauvaises conditions pour point de temps n. La fonction de artanh s'applique Fisher transformée en z.

3. Calculer une série chronologique de MVP discriminabilité pour chaque projecteur

1. Procéder à une analyse de projecteur ^10: Déposer une c tridimensionneléclat autour de chaque voxel à son tour (un «projecteur»).
2. Répétez les étapes 2.2 et 2.3 pour chaque projecteur, de sorte que chaque projecteur dispose d'une série de valeurs de temps de discriminabilité MVP (de un par point de temps).

4. Calcul informationnel connectivité entre les semences et projecteurs

1. Corréler MVP de la série de temps de discriminabilité de la semence (de 2,3) avec discriminabilité temps la série de chacun des projecteurs (de 3,2) en utilisant Rang de corrélation de Spearman. La valeur _de la r résultant est le IC entre la semence et projecteur.
2. Affectez la valeur IC de chacun des projecteurs de voxel central du projecteur et d'écrire cerveau la carte de l'individu qui en résulte.

5. Calculer le Groupe Carte statistique

1. IC Si les données ne sont pas déjà en standard l'espace (par exemple, Talairach ou INM), transforment participants cartes dans le même espace.
2. Lisser éventuellement les individus et# 39; cartes de projecteurs.
3. Créer une carte statistique de groupe à l'aide d'un test t un moyen pour savoir si la valeur IC de chaque projecteur est nettement supérieure à zéro.

6. Importance d'essai

Remarque: De nombreuses approches existent pour déterminer la signification statistique des cartes de groupe IRMf. Comme un test de permutation peut déterminer l'importance des hypothèses minimales, tout en tenant compte du niveau de lissage (comme chaque carte de groupe permuté subit le même traitement) de l'ensemble de données, cette option est décrite ci-dessous.

1. Pour chacun des 1000 permutations, mélangez au hasard les valeurs MVP-de discriminabilité de la semence dans la série chronologique. Conserver timepoints adjacentes avec autocorrélations temporelles (comme points de temps dans le même bloc) en même temps (par exemple, en mélangeant les blocs adjacents plutôt que TRs).
2. Calculer les cartes IC individuels pour chaque permutation (étape 4 ci-dessus).
3. Générer 1000 cartes de groupe permutés: Randomly sélectionner un plan permuté IC de chaque participant et effectuer un test de groupe sur cet ensemble aléatoire (étape 5 ci-dessus).
4. Seuil chaque carte de groupe permuté à un seuil souhaité (par exemple, p <0,001) et extraire la taille de cluster maximale de la carte.
5. Trier le mille volumes maximale munitions résultant et identifier la taille de cluster au 95 ^e centile (par exemple, le 50 ^e plus grand pour 1000 permutations).
6. Appliquer le seuil utilisé dans 6.4 (par exemple, p <0,001) et la taille de cluster minimum de 6,5 au réel (non permuté) IC carte de groupe afin de rendre cluster corrigée à p <0,05. Parce que chaque carte permuté s'appuie sur les mêmes valeurs de discriminabilité MVP (dans un ordre différent), cette carte de signification souligne régions avec plusieurs valeurs de discriminabilité synchrones que prévu par hasard.

Representative Results

Les résultats IC peuvent maintenant être affichées en utilisant préféré IRMf analyse progiciel de l'enquêteur. Figure 2 montre les résultats d'IC, calculées à partir des blocs de l'homme présenté visuellement fabriquaient des objets (tous les détails dans la publication associée ^7).

L'analyse IC est particulièrement utile pour des conditions connues pour avoir associé MVP: Conditions de MVP caractéristiques, mais sans différences dans les réponses à une variable, sont plus susceptibles d'avoir des distinctions entre les IC et FC (illustré avec des données qui a été enregistré en tant que participants vu différents types de l'homme fait des objets à la figure 3). Figure 4 montre que les projecteurs de l'information importante multi-voxel peut avoir une grande IC, mais sont moins bien représentés dans les résultats FC.

.. Figure 1 Exemples de modèle discriminabilité au fil du temps Haut:. Les substrats de MVP discriminabilité calculé à partir d'un sujet dans Haxby et al (2001) ^2, comme analysé dans Coutanche & Thompson-Schill (2013) ^7. La ligne bleue montre la corrélation de z-marqué entre les MVP et de la moyenne temps-points («formation») motif de la bonne classe. Les lignes vertes représentent les corrélations des MVP avec trois classes incorrectes. En bas: Modèle discriminabilité est la différence entre corrélations pour la classe correcte et classe la plus élevée incorrects. Points dans le temps avec des valeurs motif de discriminabilité positifs seraient correctement classés par un classificateur à base de corrélation. Figure initialement publié en Coutanche & Thompson-Schill (2013) ^7. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 2. Connectivité cartes Exemple. Chaque ligne montre régions connectées de manière significative à une graine (en bleu). Elle est déterminée par un test t (p <0,001) avec le groupe de taille minimum de la grappe de test de permutation. Les résultats sont affichés à l'aide de circuits intégrés AFNI ^{1 1} sur les cartes de surface produits par FreeSurfer ^{1 2.} Figure est modifié à partir Coutanche & Thompson-Schill (2013) ^7. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure. 3 synchronisée MVP discriminabilité rapport à signifier activation exemples de MVP discriminabilité dans deux régions avec discriminabilité de MVP synchrone (ie connectivité information) sans activation synchrone moyenne (c'est à dire de la connectivité fonctionnelle).; données proviennent d'un sujet de Haxby et al. (2001) ^2, comme analysé dans Coutanche & Thompson-Schill (2013) ^7. Ces points de données ont été recueillies alors que le sujet considéré présentations visuelles de l'homme a fait des objets, qui se distinguent par des motifs multi-voxels, mais pas dire des réponses. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 4. Exemple IC et les valeurs FC entre une graine dans la FAgyrus t fusiforme et projecteurs à travers le cerveau. informationnel et forces de connectivité fonctionnelle (z-axes) sont présentés entre une graine et les projecteurs, à l'égard de la réponse moyenne de chacun des projecteurs (axe des x) et la précision de la classification APMV (axe des y) à quatre types de l'homme a fait des objets (la chance = 25%). Searchlights partageant voxels avec la région de germes ont été enlevés. Le graphique IC comprend des exemples de projecteurs avec une connectivité solide ayant les meilleures performances de classification élevé, mais les taux de réponse moyen à faible, qui ne sont pas ramassés dans une approche typique de FC (vu par l'écart dans l'octant en haut à gauche de la figure de droite). Figure initialement publié en Coutanche & Thompson-Schill (2013) ^7. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Discussion

Connectivité d'information a la sensibilité de APMV à l'information de modèle distribué, et donne une capacité à étudier les interactions entre-région à travers une approche de connectivité. APMV et analyses unidimensionnelles standard peuvent chaque révéler l'implication des régions distinctes, parfois avec peu de chevauchement entre les résultats ^{1 3.} Comme prévu pour une méthode qui s'appuie sur ces approches d'analyse, IC et le FC donnent également des résultats complémentaires ^7. La décision de savoir s'il faut employer IC dépendra en définitive les conditions visées par l'enquête et les questions théoriques étant posées. Les considérations de conception qui ont un impact si APMV est effectuée sur un ensemble de données auront également une incidence si IC est utilisé. Études visant à IC explicitement à l'esprit voudront suivre les recommandations pour APMV ^{1 4,} tout en veillant à ce que les données au niveau des procès peuvent être extraits à travers la timecourse de l'analyse.

Lors de l'examenet présenter les résultats d'IC, il est important que les projecteurs se chevauchant avec la graine sont enlevées, afin d'éviter la circularité. En outre, si l'on compare directement IC et FC résultats, il est recommandé de comparer en outre une analyse de la FC sur la base de l'activation du moyen de projecteurs, plutôt que simplement des voxels. Cette analyse supplémentaire peut faire en sorte que les différences entre les résultats ne sont pas à cause des différences dans les niveaux de signal-bruit dans les projecteurs par rapport voxels.

La procédure décrite ici se concentre principalement sur une analyse exploratoire utilisant des projecteurs. Il est à noter que par le remplacement des projecteurs avec des régions d'intérêt, IC peut également comparer les régions qui sont sélectionnés avant un i. La mesure de discriminabilité actuelle - comparer la corrélation de MVP pour la «vraie» état de la corrélation pour la condition maximale suppléant - est également modifiable. Beaucoup de classificateurs d'apprentissage automatique ont des poids de prévision pour diffclasses de érents, ce qui pourrait facilement remplacer les comparaisons de corrélation effectuées ici (par exemple, pour suivre la «confiance» d'un classificateur au fil du temps). IC a une variété d'utilisations potentielles. En plus d'être une analyse primaire d'enquêter sur les réseaux d'information, IC peut être une analyse de suivi secondaire à un projecteur APMV. Cartes de projecteurs MVPA sont précieux pour comprendre quelles régions peuvent distinguer des conditions différentes, mais ne sont généralement pas ventilées dans les différents réseaux. L'approche IC peut aider ici, en révélant qui fixe des projecteurs ont discriminabilité synchrone. Enfin, les cartes IC de tâches différentes peuvent être comparés afin de comprendre les réseaux de tâches, et les patients peuvent être comparés à des contrôles afin de mieux comprendre comment plusieurs voxels des différences de ^{1 à 5} se manifestent au niveau du réseau.

Materials

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