Bruke Informativ Tilkobling til Mål Synkron Emergence of fMRI Multi-voxel informasjon på tvers av tid

Abstract

Det er nå verdsatt at tilstanden relevant informasjon kan være til stede innen distribuerte mønstre av funksjonell magnetisk resonans imaging (fMRI) hjerneaktivitet, selv for tilstander med tilsvarende nivåer av univariat aktivering. Multi-voxel mønsteret (MVP) analyse har blitt brukt til å dekode denne informasjonen med stor suksess. FMRI etterforskere også ofte søke å forstå hvordan hjernen samhandler i sammenhengende nettverk, og bruke funksjonell tilkobling (FC) for å identifisere regioner som har korrelerte responser over tid. Akkurat som univariatanalyser kan være ufølsom for informasjon i MVPer, kan FC ikke fullt preger hjernen nettverk som behandler forhold med karakteristiske MVP signaturer. Metoden som beskrives her, informasjons tilkobling (IC), kan identifisere områder med korrelerte endringer i MVP-discriminability over tid, avslører tilkobling som ikke er tilgjengelig for FC. Metoden kan være utforskende, bruker lyskastere for å identifisere frø-connected områder, eller planlagt, mellom pre-utvalgte regioner-of-interesse. Resultatene kan belyse nettverk av regioner som behandler MVP-relaterte forhold, kan sammenbrudd MVPA lyskaster kart i separate nettverk, eller kan sammenlignes på tvers av oppgaver og pasientgrupper.

Introduction

Målet med analysemetoden som er beskrevet her er å måle tilkobling mellom hjernen regioner basert på svingninger i deres multi-voxel informasjon. Fremskritt i funksjonell magnetisk resonans imaging (fMRI) analyseteknikker har avdekket at en stor mengde informasjon kan finnes i blod-oksygennivå avhengige (BOLD) aktivitetsmønstre som er fordelt over flere voxel ^1-3. Et sett med teknikker som er følsomme for multivariat informasjon - kjent som multi-voxel mønster analyse (MVPA) - har blitt brukt for å vise at forholdene kan ha skjelnes gjør du det til tross for at utvisket univariat svar ^1,2,4. Standard analyser, som sammenligner univariat svar, kan være ufølsom for denne multi-voxel informasjon.

Flere områder av hjernen er engasjert når mennesker behandler stimuli og utføre kognitive operasjoner. Funksjonell tilkobling (FC) er en metode som vanligvis benyttes til å undersøkegate slike funksjonelle nettverk ^5,6. I sin mest grunnleggende form, FC kvantifiserer co-aktivering, eller synkronisering, mellom ulike voxel eller regioner. FC har blitt brukt for å identifisere funksjonelt forbundne hjernenettverk med stor suksess. For mange regioner og betingelser, men univariat svarene reflekterer ikke all tilgjengelig informasjon innenfor BOLD aktivitet. FC teknikker som sporer dynamisk endring univariat responsnivåer kan mangle følsomhet for vanlige svingninger i multi-voxel informasjon. Analysemetoden som presenteres her, informasjons tilkobling (IC, først beskrevet i en nyere artikkel ^7), broer et gap mellom MVPA og FC, ved å måle tilkobling med en beregning som er følsomme for multi-voxel informasjon på tvers av tid. Mens FC sporer dynamisk endring univariate aktivering, spor IC dynamisk endring MVP discriminability - et mål på hvor godt en MVP sanne tilstand kan skilles fra (feil) alternativer. Viktigere, i than samme måte som ulike regioner kan vise tilsvarende nivåer av univariat svar til en tilstand til tross for å utføre forskjellige beregninger (f.eks, visuell prosessering eller handling planlegging når en person ser på menneskeskapte objekter), kan forskjellige regioner også har lignende (og synkronisert) nivåer av MVP discriminability mens de behandler forholdene annerledes. En fersk undersøkelse viste at IC kan avsløre inter-regional-tilkobling som ikke er synlig med en standard FC tilnærming ^7. Etterforskerne kan derfor bruke IC å sondere interaksjoner mellom hjernen regioner som deltakere svare på forhold eller stimuli som har karakteristiske distribuerte mønstre. IC er forskjellig fra flere nyere tilkoblings programmer som undersøkte svingninger i univariat aktivering i forhold til klassifiseringsresultatene ^{8, 9.} I motsetning til disse metodene, oppdager IC synkron multi-voxel mønster discriminability mellom regionene.

Protocol

En. Klargjør fMRI data

Merk: Etter å ha gjennomført en fMRI skanning, pre-prosess de innsamlede data ved hjelp av de verktøyene som er tilgjengelige i de fleste fMRI programvarepakker før du starter denne protokollen (selv om romlig glatting bør unngås eller minimeres for å bevare multi-voxel mønstre). Et eksempel på et egnet datasettet er beskrevet i en tidligere søknad av metoden ^7..

1. Fjern bevegelse og mener hvit substans signalene fra tidsserien av pre-behandlet fMRI data ved å opprette en regresjonsmodell med prediktorer for bevegelsesparametre (roll, pitch, yaw, x, y, z) og mener hvit materie signal. Gjennomføre analysene nedenfor om de resulterende residualene (dvs. de resterende varians).
2. Importer de genererte residualene i en analyse pakke (f.eks Matlab, Python). Den åpen kildekode Informativ Connectivity Toolbox (http://www.informationalconnectivity.org) kan importere fMRI data til MATLAB.
3. Z-score EACh voxel er tidsserier.
4. Separer datasett er tidspunkter i uavhengige sett ('folder'), for eksempel ulike skanner går. Merk: Hvis du bruker skanner løper sikrer uavhengighet mellom folder, som ellers kan være vanskelig å garantere (for eksempel kan avhengig opprettes mellom en løpe sin tidspunkter i løpet av pre-prosessering). Kjører kunne grupperes sammen for å redusere antall folder (f.eks, like og ulike på kveldstid ^2), selv ved hjelp av enkle løyper vil gi flere treningsdata.
5. Lag en oversikt over tilstanden etiketter knyttet til tidspunkter ved å generere en vektor av tilstands etiketter som er N tidspunkter lang.
6. Shift tilstanden etiketter fremover i hver drevet av en rekke ganger-to-repetisjon (TRS) tilsvarende 5 sek, for å redegjøre for hemodynamiske etterslep mellom hendelser og innspilte fMRI signaler.

To. Velg og analysere et Seed Region

1. Velg et frø regionen ved å isolere en anatomiskal-området, funksjonelt lokalisert region eller topp-utfører 'informasjon hjernen kartlegging' søkelys ^10.
   Merk: Trinn 2.2 til 4.2 nedenfor kan utføres av open-source Informativ Connectivity MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Sammenlign MVP av hver gang-punkt til en prototypisk MVP for hver tilstand (Merk: Dette er den samme tilnærmingen som brukes i den populære korrelasjon baserte nærmeste nabo klassifikator ^2). Figur 1 (øverst) gir et eksempel fra reelle data samlet inn som Deltakerne viste blokker av fire typer menneskeskapte objekter.
   1. Beregn en prototypisk (gjennomsnitt) MVP for hver tilstand ved å ta gjennomsnittet av tidspunkter for hver tilstand i all-men-en fold. Dette er de "trening" data for hver fold (f.eks for fold to av fem, er gjennomsnitts-MVPer beregnet fra tidspunktene i folder 1, 3, 4, og 5).
   2. Correlate hvert besøk '; S MVP med midlere-MVP av hver tilstand fra treningsdata. Dette vil gi hvert besøk en korrelasjonsverdi for hver tilstand (Merk: tilstanden med høyest korrelasjon her ville være prediksjon av den populære korrelasjon basert MVPA klassifikator ²⁾
   3. Fisher-transformere r-verdier til z-skårer.
3. Kvantifisere 'MVP discriminability' for hver endepunktet: Først identifisere sammenhengen fra 2.2.3 som representerer forholdet mellom endepunktet MVP og middelverdien-MVP av at endepunktet tilstand, og deretter trekke den høyeste av de resterende sammenhenger (dvs. 'korrelasjon med riktig tilstand 'minus' maksimal korrelasjon med feil tilstand '). Resultatet er at endepunktet MVP discriminability. En alternativ (og gyldig) tilnærming ville være å trekke den gjennomsnittlige korrelasjonen av de uriktige forhold.
   Merk: Den foreslåtte tilnærmingen har den intuitive Advantage som tidspunkter med positive discriminability verdier er riktig klassifisert av korrelasjon basert klassifikator, mens tidspunkter med negative verdier ikke er riktig spådd. Et eksempel på de resulterende verdier er vist i figur 1 (bunn). Trinnene opp til dette punktet er fanget i formlene nedenfor.
   
   X er en normalisert en-for-m p vektor med m voxel aktiviseringsverdier ved tids-punktet n, Y er en normalisert en-for-m rad vektor av den midlere treningsmønster for korrekt (c) eller feil (i) betingelser for tid-punkt n. Den artanh funksjonen gjelder Fisher z transformere.

Tre. Beregn en tidsserie av MVP Discriminability for hver Søkelys

1. Gjennomføre en lyskaster analyse ^10: Plasser en tredimensjonal cglans rundt hver voxel i sin tur (en "lyskaster ').
2. Gjenta trinn 2,2 og 2,3 for hver lyskaster, slik at hver søkelys har en tidsserie av MVP discriminability verdier (en per endepunktet).

4. Beregn Informativ Connectivity Mellom Seed og projektorer

1. Correlate frøet MVP discriminability tidsserier (fra 2,3) med hver lyskaster er discriminability tidsserier (fra 3.2) ved hjelp av Spearmans Rank korrelasjon. Den resulterende r _s verdi er IC mellom frøet og lyskaster.
2. Gi hver søkelys IC verdi til søke sentrale voxel og skrive ut den resulterende enkeltes hjerne kartet.

5. Beregn Gruppe Statistiske Kart

1. Hvis dataene ikke allerede er i standardisert plass (f.eks Talairach eller MNI), forvandle deltakernes IC kart til den samme plassen.
2. Eventuelt glatte enkeltpersoner og# 39; Søkelys kart.
3. Opprett en gruppe statistisk kart ved hjelp av en enveis t-test for om hver lyskaster IC verdi er vesentlig større enn null.

6. Test Betydning

Merk: Mange tilnærminger finnes for å bestemme statistisk signifikans av fMRI-gruppen kart. Som en permutasjon test kan avgjøre betydning med minimale forutsetninger, mens regnskap for datasettet nivå glatting (som hver permuted gruppe kartet gjennomgår samme behandling), er dette alternativet skissert nedenfor.

1. For hver av 1000 permutasjoner, tilfeldig shuffle frø MVP-discriminability verdier på tvers av tidsserier. Hold nærliggende tidspunkter med time autocorrelations (for eksempel tidspunkter innenfor samme blokk) sammen (for eksempel ved stokking blokker snarere enn tilstøtende TRS).
2. Beregn individers IC kart for hver permutasjon (trinn 4 ovenfor).
3. Generere 1000 permut gruppe maps: Randomly velge ett permuted IC kart fra hver deltaker, og gjennomføre en gruppe test på dette tilfeldig sett (trinn 5 ovenfor).
4. Terskel hver permuted gruppe kart på et ønsket nivå (f.eks, p <0,001) og hente ut maksimal cluster størrelse fra kartet.
5. Sorter den resulterende 1000 maksimum-cluster volumer og identifisere klyngen størrelsen på de 95 ^persentilen (f.eks den 50 ^th største for 1000 permutasjoner).
6. Påfør terskelen anvendes i 6.4 (f. eks, p <0,001) og minimum cluster størrelse fra 6.5 til den virkelige (ikke-permutert) IC gruppe kort for å gjøre det cluster-rettet til p <0,05. Fordi hver permuted kartet trekker på de samme MVP discriminability verdier (i en annen rekkefølge), denne betydningen kartet høydepunkter regioner med flere synkrone discriminability verdier enn forventet ved en tilfeldighet.

Representative Results

IC resultater kan nå vises ved hjelp av etterforsker foretrukne fMRI analyse programvarepakke. Figur 2 viser IC resultater, beregnet fra blokker av visuelt presenterte menneskeskapt objekter (fulle detaljer i det tilknyttede publikasjonen ^7).

IC-analyse er spesielt verdifullt for forhold kjent for å ha knyttet MVPs: Forhold med karakteristiske gjør du det, men uten forskjeller i univariat svar, er mer sannsynlig å ha distinksjoner mellom IC og FC (illustrert med data som ble registrert som deltakere på ulike typer menneske gjort gjenstander i figur 3). Figur 4 viser at lyskastere med sterk multi-voxel informasjonen kan ha høy IC, men er dårligere representert i FC resultater.

.. Figur 1 Eksempler på mønsteret discriminability over tid Top:. Substratene MVP discriminability beregnet ut fra en gjenstand i Haxby et al (2001) ^2, som analyseres i Coutanche & Thompson-Schill (2013) ^7. Den blå linjen viser z-scoret korrelasjon mellom tids poeng 'gjør du det og gjennomsnittet (' opplæring ') mønster av riktig klasse. De grønne linjene representerer MVPs 'korrelasjoner med tre mislykkede klasser. Bunn: Mønster discriminability er forskjellen mellom korrelasjoner for riktig klasse og høyest feil klasse. Time-poeng med positive mønster discriminability verdier ville være riktig klassifisert av en sammenheng-basert klassifikator. Figur opprinnelig publisert i Coutanche & Thompson-Schill (2013) ^7. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 2. Eksempel tilkobling kart. Hver rad viser regioner vesentlig koblet til et frø (vist i blått). Betydningen bestemmes av en gruppe t-test (p <0,001) med et minimum av klyngestørrelsen fra permutasjon testing. IC resultatene vises med AFNI ^{en 1} på overflatekart produsert med FreeSurfer ^{en to.} Figuren er modifisert fra Coutanche & Thompson-Schill (2013) ^7. Vennligst klikk her for å se en større versjon av dette tallet.

Figur. 3 Synkronisert MVP discriminability i forhold til å bety aktivering Eksempler på MVP discriminability i to regioner med synkron MVP discriminability (dvs. informasjons tilkobling) uten synkron gjennomsnittlig aktivering (dvs. funksjonell tilkobling).; Dataene kommer fra en gjenstand fra Haxby et al. (2001) ^2, som analyseres i Coutanche & Thompson-Schill (2013) ^7. Disse datapunktene ble samlet mens faget på visuelle presentasjoner av menneskeskapte objekter, som er gjenkjennelig med multi-voxel mønstre, men ikke at svarene. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 4. Eksempel IC og FC verdier mellom et frø i LSFt fusiform gyrus og lyskastere over hele hjernen. Informativ og funksjonelle tilkoblings styrker (z-akser) er vist mellom et frø og projektorer, med hensyn til hver lyskaster midlere respons (x-aksen) og MVPA klassifisering nøyaktighet (y-aksen) til fire typer menneskeskapte objekter (sjanse = 25%). Søkelys deler voxel med frøet regionen ble fjernet. IC grafen inneholder eksempler på lyskastere med sterk tilkobling som har høy klassifisering ytelse, men lave gjennomsnittsresponsnivåer, som ikke er plukket opp i en typisk FC tilnærming (sett av gapet i øverste venstre oktanten av retten grafen). Figur opprinnelig publisert i Coutanche & Thompson-Schill (2013) ^7. Vennligst klikk her for å se en større versjon av dette tallet.

Discussion

Informativ tilkobling har MVPA følsomhet for distribuert informasjon mønster, og gir en mulighet til å studere mellom-regionen interaksjoner gjennom en tilkobling tilnærming. MVPA og standard univariatanalyser kan hver avslører involvering av forskjellige regioner, noen ganger med litt overlapping mellom sine resultater ^{en tre.} Som forventet for en metode som bygger på disse analyse tilnærminger, IC og FC også gi utfyllende resultater ^syv. Beslutningen om å ansette IC til slutt vil avhenge av forholdene under etterforskning og de teoretiske spørsmål blir stilt. Design hensyn som avgjør om MVPA er gjennomført på et datasett vil også påvirke om IC brukes. Studier designet med IC eksplisitt i tankene vil ønske å følge anbefalinger for MVPA ^{en fire,} og samtidig sikre at rettssaken nivå data kan hentes ut fra hele skanningens tidsforløpet.

Når behandlingenog rapportering IC resultater, er det viktig at lyskastere overlappende med frøet er fjernet, for å unngå sirkularitet. I tillegg, hvis direkte sammenligning av IC og FC resultater, anbefales det også å sammenligne en FC-analyse basert på den midlere aktivering av lyskastere, i stedet for bare voksler. Dette ytterligere analyse kan sikre at eventuelle forskjeller mellom resultatene er ikke på grunn av forskjeller i nivåene av signal-til-støy i søkelys mot voxel.

Prosedyren er beskrevet her fokuserer først og fremst på en undersøkende analyse ansette søkelys. Det er verdt å merke seg at ved å erstatte lyskastere med regioner-of-interesse, kan IC også sammenligne regioner som er valgt en før jeg. Den nåværende discriminability metric - sammenligne en MVP korrelasjon for den "sanne" tilstand til korrelasjonen for maksimal alternativ tilstand - er også modifiserbare. Mange maskinlæring klassifiserere har prediksjon vekter for different klasser, noe som lett kunne erstatte korrelasjons sammenligninger utført her (f.eks, for å spore den "tillit" av en klassifikator over tid). IC har en rekke potensielle bruksområder. I tillegg til å være en primær analyse for å undersøke informasjonsnettverk, kan IC være en sekundær oppfølging analyse til en MVPA søkelys. MVPA lyskaster kart er verdifullt for å forstå hvilke regioner kan skille ulike forhold, men er vanligvis ikke delt opp i ulike nettverk. Den IC tilnærming kan hjelpe her, ved å avsløre som setter av lyskastere har synkron discriminability. Til slutt, kan IC kart fra forskjellige oppgaver sammenlignes for å forstå oppgave nettverk, og pasientene kan bli sammenlignet med kontroller for å bedre forstå hvordan multi-voxel forskjeller ^{en 5} er manifestert på nettverksnivå.

Materials

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