Usando Informativo Conectividad para Medir la Aparición síncrono de fMRI multi-voxel información a través del tiempo

Abstract

En la actualidad se aprecia que la información relevante condición puede estar presente dentro de los patrones de distribución de imágenes de resonancia magnética funcional (fMRI) de la actividad cerebral, incluso para condiciones con niveles similares de activación univariado. Patrón multi-voxel (MVP) el análisis se ha utilizado para decodificar esta información con gran éxito. Investigadores FMRI también a menudo tratan de entender cómo las regiones del cerebro interactúan en las redes interconectadas, y el uso de la conectividad funcional (CF) para identificar las regiones que se han correlacionado las respuestas en el tiempo. Del mismo modo que los análisis univariados pueden ser insensibles a la información en los MVP, FC no podrá caracterizar completamente las redes cerebrales que procesan las condiciones con firmas MVP característicos. El método descrito aquí, la conectividad de información (IC), puede identificar las regiones con los cambios correlativos en el MVP-discriminabilidad a través del tiempo, revelando la conectividad que no es accesible para FC. El método puede ser exploratoria, utilizando reflectores para identificar las semillas-connáreas eja, o previstas, entre las regiones de intereses pre-seleccionados. Los resultados se pueden dilucidar las redes de regiones que procesan las condiciones relacionadas con el MVP, puede descomponerse mapas reflector MVPA en redes separadas, o se pueden comparar entre las tareas y los grupos de pacientes.

Introduction

El objetivo del método de análisis descrito aquí es medir la conectividad entre las regiones del cerebro sobre la base de las fluctuaciones en la información multi-voxel. Los avances en las imágenes de resonancia magnética funcional (fMRI) técnicas de análisis han revelado que una gran cantidad de información puede estar contenida dentro de (BOLD) patrones de actividad a nivel de la sangre-oxigenación-dependientes que son distribuidos a través de varios voxels ^1-3. Un conjunto de técnicas que son sensibles a la información multivariante - conocido como el análisis del patrón multi-voxel (MVPA) - se ha utilizado para demostrar que las condiciones pueden tener MVPs distinguibles a pesar de tener respuestas indistinguibles univariados ^1,2,4. Análisis estándar, que comparan las respuestas univariantes, pueden ser insensibles a esta información multi-voxel.

Múltiples regiones cerebrales participan en que los humanos procesan estímulos y realizar operaciones cognitivas. La conectividad funcional (FC) es un método empleado comúnmente para investigarcompuerta tales redes funcionales ^5,6. En su forma más básica, el FC cuantifica co-activación, o la sincronía, entre los diferentes elementos de imagen volumétrica o regiones. FC ha sido utilizado para identificar las redes cerebrales funcionalmente conectados con mucho éxito. Para muchas regiones y las condiciones, sin embargo, las respuestas univariantes no reflejan toda la información disponible dentro de la actividad BOLD. Técnicas FC que siguen cambiando dinámicamente los niveles de respuesta univariados pueden carecer de la sensibilidad a las fluctuaciones habituales en la información multi-voxel. El método de análisis que aquí se presenta, la conectividad de información (IC; primero se describe en un artículo reciente ^7), elimina la brecha entre MVPA y FC, mediante la medición de la conectividad con una métrica que es sensible a la información multi-voxel a través del tiempo. Mientras FC pistas que cambia dinámicamente la activación univariado, IC pistas que cambia dinámicamente MVP discriminabilidad - una medida de lo bien que la verdadera condición de un MVP se puede distinguir de las alternativas (incorrectos). Es importante destacar que, en tél mismo modo en que las diferentes regiones puede mostrar niveles similares de respuestas univariantes a una condición a pesar de realizar cálculos diferentes (por ejemplo, el procesamiento visual o de planificación de acciones cuando una persona ve los objetos hechos por el hombre), distintas regiones también pueden tener niveles similares (y sincronizados) de MVP discriminabilidad mientras que las condiciones del proceso de manera diferente. Una investigación reciente demostró que la CI puede revelar la conectividad inter-regional que no es detectable con un enfoque estándar FC ^7. Por lo tanto, los investigadores pueden usar IC para investigar las interacciones entre las regiones del cerebro mientras los participantes responden a las condiciones o estímulos que tienen los patrones de distribución característicos. IC es distinta de varias aplicaciones de conectividad recientes que examinaron las fluctuaciones en la activación univariable en relación con los resultados de clasificación ^{8, 9.} A diferencia de estos enfoques, IC detecta sincrónica multi-voxel patrón discriminabilidad entre regiones.

Protocol

1. Prepare los datos fMRI

Nota: Después de realizar una exploración de resonancia magnética funcional, pre-procesar los datos recopilados utilizando las herramientas disponibles en la mayoría de los paquetes de software de fMRI antes de iniciar este protocolo (aunque suavizado espacial debe evitar o reducir al mínimo para conservar patrones multi-voxel). Un ejemplo de un conjunto de datos adecuado se describe en una solicitud anterior del método ^7.

1. Retire el movimiento y la media de las señales de la materia blanca de la serie temporal de datos de la fMRI pre-procesados ​​mediante la creación de un modelo de regresión con los predictores de los parámetros de movimiento (balance, cabeceo, guiñada, x, y, z) y la media de la señal de la sustancia blanca. Llevar a cabo los análisis a continuación en los residuos resultantes (es decir, la varianza restante).
2. Importe los residuos generados en un paquete de análisis (por ejemplo, MATLAB, Python). El código abierto Informativo Conectividad Toolbox (http://www.informationalconnectivity.org) puede importar datos de la fMRI en MATLAB.
3. Eac Z-scoreseries de tiempo h del voxel.
4. Separar los puntos de tiempo del conjunto de datos en conjuntos independientes ("pliegues"), tales como diferentes carreras del escáner. Nota: El uso ejecuta el rastreador garantiza la independencia entre los pliegues, que de otra manera puede ser difícil garantizar (por ejemplo, se podrían crear dependencias entre los puntos de tiempo de un plazo durante el pre-procesamiento). Se ejecuta podrían agruparse para reducir el número de pliegues (por ejemplo, pares e impares carreras ^2), aunque el uso de los análisis individuales dará más datos de entrenamiento.
5. Crear un registro de las etiquetas de condiciones asociadas a los puntos de tiempo mediante la generación de un vector de etiquetas de condición que es N puntos de tiempo largo.
6. Cambie las etiquetas de condiciones adelante en cada uno dirigido por un número de veces-a la repetición (TR) equivalente a 5 segundos, con el fin de tener en cuenta el retraso de hemodinámica entre los eventos y señales fMRI grabados.

2. Seleccionar y analizar una región de Semillas

1. Seleccione una región de semillas mediante el aislamiento de un anatómicoal área, región funcionalmente localizada o superior rendimiento "Asignación de información de cerebros» reflectores ^10.
   Nota: Los pasos 2.2 hasta 4.2 a continuación se puede realizar mediante la conectividad Informativo de código abierto MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Compare el MVP de cada punto de tiempo a un MVP prototípico para cada condición (Nota: este es el mismo enfoque que el utilizado en el popular clasificador del vecino más cercano basado en la correlación ^2). Figura 1 (superior) da un ejemplo de datos reales recopilados como participantes veían bloques de cuatro tipos de objetos hechos por el hombre.
   1. Calcular una (media) MVP prototípico para cada condición promediando los puntos de tiempo de cada condición en todo-pero-un rebaño. Estos son los datos "formación" para cada pliegue (por ejemplo, para el doblez 2 de 5, significados MVPs se calculan a partir de momento en los pliegues 1, 3, 4, y 5).
   2. Relacionar cada punto de tiempo '; S MVP con la media-MVP de cada estado de los datos de entrenamiento. Esto le dará a cada punto de tiempo un valor de correlación para cada condición (Nota: el estado con la mayor correlación en este caso sería la predicción de la correlación populares clasificador basado AFMV ²⁾
   3. Fisher-a transformar los valores r de las puntuaciones z.
3. Cuantificar 'MVP discriminabilidad' para cada punto de tiempo: En primer lugar identificar la correlación de 2.2.3 que representa la relación entre el MVP del punto de tiempo y la media-MVP de la condición de que punto de tiempo, y luego restar el más alto de las correlaciones restantes (es decir, la correlación "con correcta condiciones 'menos' máxima correlación con una condición incorrecta '). El resultado es MVP discriminabilidad de que punto de tiempo. Un enfoque alternativo (y válida) sería la de restar la correlación promedio de las condiciones incorrectas.
   Nota: El enfoque propuesto tiene la Advanta intuitivage que los puntos de tiempo con valores de discriminabilidad positivas se clasifican correctamente por el clasificador correlación basada, mientras que los puntos de tiempo con valores negativos no se predicen correctamente. Un ejemplo de los valores resultantes se muestra en la Figura 1 (abajo). Los escalones para llegar a este punto se capturan en las siguientes fórmulas.
   
   X es un vector fila normalizado 1-por-m con valores de activación m voxel en punto de tiempo N, Y es un vector fila normalizado 1-por-m del patrón de entrenamiento media para el correcto (c) o (i) las condiciones incorrectas para punto de tiempo n. La función artanh aplica la transformada z de Fisher.

3. Calcular una serie de tiempo de MVP discriminabilidad para cada Searchlight

1. Realizar un análisis de reflector ^10: Coloque un c tridimensionalbrillo alrededor de cada voxel a su vez (a 'reflector').
2. Repita los pasos 2.2 y 2.3 para cada foco de búsqueda, de modo que cada reflector tiene una serie de tiempo de los valores de discriminabilidad MVP (uno por punto de tiempo).

4. Calcular Informativo de conectividad entre la semilla y reflectores

1. Correlacionar MVP series temporales discriminabilidad de la semilla (de 2,3) con series de cada reflector discriminabilidad tiempo (de 3,2), utilizando de Spearman de correlación de rangos. El valor resultante r _s es la IC entre la semilla y el reflector.
2. Asignar valor IC de cada reflector para voxel central del reflector y escribir mapa cerebral del individuo resultante.

5. Calcular Group Mapa de Estadística

1. Mapas IC Si los datos no están ya en el espacio normalizado (por ejemplo, Talairach o MNI), transforman los participantes en el mismo espacio.
2. Opcionalmente suavizar los individuos y# 39; mapas reflector.
3. Crear un mapa estadístico de grupo mediante un t-test de una manera para que si el valor IC de cada reflector es significativamente mayor que cero.

6. Importancia Prueba

Nota: Existen numerosos métodos para determinar la significación estadística de los mapas de grupos de fMRI. Como prueba de permutación se puede determinar la significación de las hipótesis mínimas, mientras que representan el nivel del conjunto de datos de suavizado (como cada mapa grupo permutado sufre el mismo proceso), esta opción se describe a continuación.

1. Para cada uno de 1000 permutaciones, baraja al azar valores MVP-discriminabilidad de la semilla a través de la serie de tiempo. Mantenga los puntos de tiempo adyacentes con autocorrelaciones temporales (tales como puntos de tiempo dentro del mismo bloque) juntos (por ejemplo, por el intercambio de bloques en lugar de los TR adyacentes).
2. Calcular los mapas individuales de CI para cada permutación (paso 4).
3. Generar 1.000 mapas grupo permutados: randomly seleccione una mapa permutada IC de cada participante y llevar a cabo una prueba de grupo en este juego de azar (paso 5).
4. Umbral de cada mapa grupo permutado en un umbral deseado (por ejemplo, p <0,001) y extraer el tamaño máximo de clúster desde el mapa.
5. Ordenar el resultado 1,000 volúmenes de máxima racimo e identificar el tamaño del clúster en el ^percentil 95 (por ejemplo, la 50 ^ª más grande de 1000 permutaciones).
6. Aplicar el umbral utilizado en 6.4 (por ejemplo, p <0,001) y el tamaño mínimo del conglomerado de 6,5 a la (no-permutada) IC mapa de grupo real con el fin de que sea corregida clúster para p <0,05. Debido a que cada mapa permutado se basa en los mismos valores de discriminabilidad MVP (en un orden diferente), este mapa importancia resalta las regiones con los valores más discriminabilidad síncronos lo esperado por azar.

Representative Results

Los resultados de IC ahora se pueden visualizar utilizando el paquete de software de análisis de fMRI preferido por el investigador. Figura 2 muestra los resultados de IC, calculados a partir de bloques de hombre presentado visualmente hechos los objetos (detalles en la publicación asociada ^7).

El análisis de IC es particularmente valioso para las condiciones que se sabe han asociado MVPs: Condiciones de MVPs característicos, pero sin diferencias en las respuestas univariantes, son más propensos a tener distinciones entre IC y FC (ilustrado con datos que se registraron como participantes visto diferentes tipos de hombre realizado objetos en la Figura 3). Figura 4 muestra que los reflectores con información significativa multi-voxel puede tener un alto CI, pero no están tan bien representados en los resultados de FC.

.. Figura 1 Ejemplos de patrón discriminabilidad lo largo del tiempo superior:. Los sustratos de MVP discriminabilidad calculado a partir de un sujeto en Haxby et al (2001) ^2, como se analiza en Coutanche y Thompson-Schill (2013) ^7. La línea azul muestra la correlación z-anotado entre 'MVPs y la media de duración puntos patrón de la clase correcta ("formación"). Las líneas verdes representan correlaciones los MVPs 'con tres clases incorrectos. Abajo: discriminabilidad Patrón es la diferencia entre las correlaciones para la clase correcta y la clase más alta correctos. Puntos de tiempo con valores patrón discriminabilidad positivos serían clasificadas correctamente por un clasificador basado en la correlación. Figura publicado originalmente en Coutanche y Thompson-Schill (2013) ^7. Haga clic aquí para ver una versión más grande de esta cifra.

Figura 2. Mapas conectividad Ejemplo. Cada fila muestra regiones conectadas de manera significativa a una semilla (que se muestra en azul). Importancia se determina por una prueba t (p <0,001) del grupo con el tamaño mínimo del conglomerado a partir de pruebas de permutación. Los resultados de IC se muestran utilizando AFNI ^{1 1} en los mapas de superficie producidos con FreeSurfer ^{1 2.} La figura es una modificación de Coutanche y Thompson-Schill (2013) ^7. Haga clic aquí para ver una versión más grande de esta figura.

Figura. 3 Synchronized MVP discriminabilidad comparó a significar la activación Ejemplos de MVP discriminabilidad en dos regiones con discriminabilidad MVP síncrona (es decir, la conectividad de información) sin activación sincrónica media (es decir, la conectividad funcional).; datos proceden de una asignatura de Haxby et al. (2001) ^2, como se analiza en Coutanche y Thompson-Schill (2013) ^7. Se recogieron Estos puntos de datos, mientras que el sujeto considera presentaciones visuales de los objetos hechos por el hombre, que se distinguen por los patrones de multi-voxel, pero no significan respuestas. Por favor, haga clic aquí para ver una versión más grande de esta figura.

Figura 4. Ejemplo IC y los valores de CF entre una semilla en la LEFcircunvolución t fusiformes y reflectores de todo el cerebro. Informativo y fortalezas conectividad funcional (Z-ejes) se muestran entre una semilla y reflectores, con respecto a la respuesta media de cada reflector (eje x) y AFMV precisión de la clasificación (eje y) a cuatro tipos de objetos hechos por el hombre (por azar = 25%). Se eliminaron los reflectores compartiendo voxels con la región de la semilla. El gráfico de IC incluye ejemplos de reflectores con conectividad fuerte que tienen un alto rendimiento de la clasificación, pero los bajos niveles de respuesta media, que no son recogidos en un enfoque FC típica (visto por el hueco en el octante superior izquierda del gráfico de la derecha). Figura publicado originalmente en Coutanche y Thompson-Schill (2013) ^7. Haga clic aquí para ver una versión más grande de esta figura.

Discussion

Conectividad Informativo tiene una sensibilidad de moderada a vigorosa a la información distribuida patrón, y le da la capacidad para estudiar las interacciones entre regiones a través de un enfoque de la conectividad. MVPA y análisis univariados estándar pueden revelar cada uno la participación de regiones distintas, a veces con poca superposición entre los resultados ^{1 3.} Como era de esperar de un método que se basa en estos enfoques de análisis, IC y FC también dan resultados complementarios ^7. La decisión de si se debe emplear IC en última instancia, dependerá de las condiciones que se investigan y las cuestiones teóricas que se plantean. Las consideraciones de diseño que afectan ya sea MVPA se lleva a cabo en un conjunto de datos también afectarán si se utiliza IC. Los estudios diseñados con IC explícitamente en cuenta querrán seguir las recomendaciones para MVPA ^{1 4,} al tiempo que garantiza que los datos a nivel de ensayo se pueden extraer de todo timecourse de la exploración.

Al examinary informar de los resultados de IC, es importante que los reflectores se solapan con la semilla se retiran, para evitar la circularidad. Además, si la comparación directamente IC y FC resultados, se recomienda también para comparar un análisis FC basado en la activación media de reflectores, en lugar de sólo vóxeles. Este análisis adicional puede asegurar que cualquier diferencia entre los resultados no son debido a las diferencias en los niveles de señal-ruido en los reflectores frente voxels.

El procedimiento descrito se centra principalmente en un análisis exploratorio empleando reflectores. Vale la pena señalar que mediante la sustitución de reflectores con regiones de intereses, IC también puede comparar regiones que se han seleccionado un prior i. La corriente métrica discriminabilidad - comparar la correlación de un MVP de la "verdadera" condición a la correlación para la condición de máxima alternativo - también es modificable. Muchos clasificadores aprendizaje automático tienen pesos de predicción para diffclases Erent, que podrían reemplazar fácilmente las comparaciones de correlación realizados aquí (por ejemplo, para rastrear la "confianza" de un clasificador con el tiempo). IC tiene una variedad de usos potenciales. Además de ser un análisis primario para investigar las redes de información, IC puede ser un análisis de seguimiento secundaria a un reflector AFMV. Mapas reflector MVPA son valiosas para la comprensión de que las regiones pueden distinguir diferentes condiciones, pero no se suelen dividir en diferentes redes. El enfoque de IC puede ayudar aquí, al revelar qué conjuntos de reflectores tienen discriminabilidad síncrona. Finalmente, mapas IC de diferentes tareas se pueden comparar con el fin de entender las redes de tareas, y los pacientes pueden ser comparados con los controles para entender mejor cómo las diferencias de múltiples voxel ^{1 5} se manifiestan a nivel de red.

Materials

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