Använda Informations Anslutningar till Mät synkron Uppkomsten av fMRI Multi-voxel Information Across Time

Abstract

Det är nu klart att villkoret relevant information kan finnas inom distribuerade mönster av funktionell magnetisk resonanstomografi (fMRI) hjärnaktivitet, även för förhållanden med liknande nivåer av univariat aktivering. Multi-voxel mönster (MVP) analys har använts för att avkoda denna information med stor framgång. FMRI utredare också ofta försöker förstå hur hjärnan regioner samverkar i sammankopplade nät, och använder funktionell anslutning (FC) för att identifiera områden som har korrelerade svar över tiden. Precis som univariata analyser kan vara okänslig för informationen i MVP, får FC inte helt karakterisera hjärnans nätverk som hanterar förhållanden med karakteristiska MVP signaturer. Den metod som beskrivs här, informativt anslutning (IC), kan identifiera områden med korrelerade förändringar i MVP-discriminability över tid, avslöjar anslutning som inte är tillgängliga för FC. Metoden kan vara undersökande, med hjälp av strålkastare för att identifiera frö-connsad områden, eller planeras, mellan förvalda områden av intresse. Resultaten kan belysa nätverk av regioner som behandlar MVP-relaterade förhållanden kan uppdelning MVPA sökarljus kartor i olika nätverk, eller kan jämföras över uppgifter och patientgrupper.

Introduction

Målet med den analysmetod som beskrivs här är att mäta konnektivitet mellan hjärnregioner som baseras på variationer i deras multi-voxel informationen. Framsteg inom funktionell magnetisk resonanstomografi (fMRI) analystekniker har visat att en stor mängd information som kan rymmas inom blod-syresättning-nivå-beroende (BOLD) aktivitetsmönster som är fördelade över flera voxlar ^1-3. En uppsättning tekniker som är känsliga för multivariat uppgifter - så kallade multi-voxel mönsteranalys (MVPA) - har använts för att visa att villkoren kan ha urskiljbara MVP trots oskiljbara univariata svar ^1,2,4. Standard analyser, som jämför univariata svar, kan vara okänsligt för denna multi-voxel informationen.

Flera områden i hjärnan är engagerade när människor behandlar stimuli och utföra kognitiva operationer. Funktionell anslutning (FC) är en metod som vanligen användes för att undersökagate sådana funktionella nätverk ^5,6. I sin mest grundläggande form, FC kvantifierar samtidig aktivering, eller synkront, mellan olika voxlar eller regioner. FC har använts för att identifiera funktionellt anslutna hjärnnätverk med stor framgång. För många regioner och villkor, dock univariata svaren inte speglar all tillgänglig information inom BOLD aktivitet. FC tekniker som spårar dynamiskt föränderliga univariata svarsnivåer kan sakna känslighet för vanliga svängningar i flera voxel informationen. Den analysmetod som presenteras här, informativt uppkoppling (IC, först beskrivs i en nyligen papper ^7), överbryggar en klyfta mellan MVPA och FC, genom att mäta anslutningsmöjligheter med ett mått som är känslig för flera voxel information över tiden. Medan FC spårar dynamiskt föränderliga univariat aktivering, spår IC dynamiskt föränderliga MVP discriminability - ett mått på hur väl en MVP verkliga tillstånd kan skiljas från (felaktiga) alternativ. Viktigt i than samma sätt som olika regioner kan visa liknande nivåer av univariata svar på ett tillstånd trots att utföra olika beräkningar (t.ex., visuell bearbetning eller åtgärd planering när en person ser konstgjorda föremål), kan distinkta regioner också har liknande (och synkroniserade) nivåer av MVP discriminability medan de behandlar förhållandena annorlunda. En färsk undersökning visade att IC kan avslöja interregionala anslutning som inte är detekterbar med en standard FC strategi ^7. Utredarna kan därför använda IC att sondera interaktioner mellan hjärnregioner som deltagarna svarar på villkor eller stimuli som har karakteristiska distribuerade mönster. IC skiljer sig från flera nya anslutnings program som undersökts fluktuationer i univariat aktivering i förhållande till klassificeringsresultat ^{8, 9.} Till skillnad från dessa metoder, upptäcker IC synkron fler voxel mönster discriminability mellan regionerna.

Protocol

1. Förbered fMRI data

OBS: Efter att ha genomfört en fMRI skanning, pre-process de insamlade data med hjälp av de verktyg som finns i de flesta fMRI programpaket före start av detta protokoll (även om rumslig utjämning skall undvikas eller minimeras för att bevara flera voxel mönster). Ett exempel på ett lämpligt datasetet beskrivs i en tidigare ansökan från den metod ^7.

1. Ta rörelse och menar vita substansen signaler från tidsserier av pre-bearbetade fMRI data genom att skapa en modell prediktorer för rörelseparametrar (rulle, tonhöjd, gir, x, y, z) och menar vita substansen signal. Genomför analyserna nedan på de resulterande rester (dvs. den återstående variansen).
2. Importera genererade residualerna i en analyspaket (t.ex. MATLAB, Python). Den öppen källkod Informations Connectivity Toolbox (http://www.informationalconnectivity.org) kan importera fMRI data till MATLAB.
3. Z-score each voxel s tidsserier.
4. Separera dataset s tidpunkter i självständiga uppsättningar ("veck"), såsom olika skanner körningar. Anm: Använda skannerkörningar garanterar oberoende mellan veck, som annars kan vara svårt att garantera (till exempel, kan beroenden skapas mellan en run s tidpunkter under förbehandling). Körningar kunde grupperas tillsammans för att minska antalet veck (t.ex. jämna och udda körningar ^2), även om användning av enkla körningar ger mera träningsdata.
5. Skapa ett rekord av konditions etiketter i samband med tidpunkter genom att generera en vektor av villkorsetiketter som är N tidpunkter lång.
6. Växla villkorsetiketter framåt i varje drivs av ett antal gånger-till-repetition (TR) motsvarande 5 sek, för att redogöra för hemodynamiska eftersläpning mellan händelser och inspelade fMRI-signaler.

2. Välj och analysera en Seed Region

1. Välj ett frö region genom att isolera en anatomiskal-området, funktionellt lokaliserad region eller topp-presterande "informations kartläggning av hjärnan" sökarljus ^10.
   Notera: Steg 2,2-4,2 nedan kan utföras av öppen källkod Informations Connectivity MATLAB Toolbox ( http://www.informationalconnectivity.org ).
2. Jämför MVP för varje tidspunkt till en proto MVP för varje tillstånd (OBS: Detta är samma metod som användes i den populära korrelationen baserade närmaste granne klassificerare ^2). Figur 1 (överst) ger ett exempel från verkliga uppgifter som samlats in som Deltagarna visade block av fyra typer av konstgjorda objekt.
   1. Beräkna en proto (medelvärde) MVP för varje tillstånd som genomsnittet av de tidpunkterna för varje tillstånd i all-men-en hjord. Detta är de "utbildning" data för varje veck (t.ex. för veck 2 av 5, är medel-MVP beräknade från tidpunkterna i veck 1, 3, 4, och 5).
   2. Korrelera varje tidpunkt '; S MVP med medelvärdet-MVP för varje tillstånd från träningsdata. Detta kommer att ge varje tidpunkt en korrelationsvärde för varje tillstånd (OBS: det tillstånd med den högsta korrelationen här skulle vara förutsägelsen av den populära korrelationen baserade MVPA klassificerare ²⁾
   3. Fisher-trans r-värdena till z-värden.
3. Kvantifiera "MVP discriminability" för varje tidpunkt: Först identifiera sambandet från 2.2.3 som representerar förhållandet mellan tidpunkterna MVP och medel-MVP i denna tidpunkt tillstånd, och sedan subtrahera den högsta av de återstående korrelationer (dvs. "korrelation med korrekt villkoret "minus" maximal korrelation med ett felaktigt tillstånd "). Resultatet är att tidpunkterna MVP discriminability. Ett alternativt (och giltig) tillvägagångssätt skulle vara att subtrahera den genomsnittliga korrelationen av de felaktiga förutsättningar.
   Obs: Den föreslagna metoden har den intuitiva fördelaktigaGE som tidpunkter med positiva discriminability värden klassificerat rätt korrelationen baserade klassificerare, medan tidpunkter med negativa värden som inte är korrekt förutspått. Ett exempel på de erhållna värdena visas i figur 1 (botten). Stegen upp till denna punkt fångas i nedanstående formler.
   
   X är en normaliserad 1-av-m radvektor med m voxel aktiverings värden vid tidspunkt n, y en normaliserad 1-av-m radvektor av medelvärdet utbildningsmönstret för korrekt (c) eller felaktiga (i) Villkor för tid-punkt-n. Den artanh funktion gäller Fisher z-trans.

3. Beräkna en tidsserie av MVP Discriminability för varje Search

1. Genomför ett sökarljus analys ^10: Placera en tredimensionell clyster runt varje voxel i sin tur (en "strålkastare").
2. Upprepa steg 2,2 och 2,3 för varje strålkastare, så att varje strålkastare har en tidsserie av MVP discriminability värden (ett per tidpunkt).

4. Beräkna Informativ Connectivity Mellan Seed och Strålkastare

1. Korrelera fröet MVP discriminability tidsserier (från 2,3) med varje strålkastare s discriminability tidsserier (från 3.2) med hjälp av Spearmans rangkorrelation. Det resulte r _s värde är IC mellan fröet och sökarljus.
2. Tilldela varje strålkastare IC värde till strålkastaren centrala voxel och skriva ut den resulte individens hjärna kartan.

5. Beräkna Group Statistisk Karta

1. Kartor om uppgifterna inte redan finns i standardiserad utrymme (t.ex. Talairach eller MNI), förändra deltagarnas IC i samma utrymme.
2. Eventuellt jämna individerna &# 39; sökarljus kartor.
3. Skapa en grupp statistiska karta med hjälp av en envägs-t-test med avseende på huruvida var och sökarljus IC-värdet är betydligt större än noll.

6. Test Betydelse

OBS: Många metoder finns för att bestämma statistisk signifikans av fMRI gruppkartor. Som en permutation test kan avgöra betydelsen med minimala antaganden, medan redovisning av dataset nivå av utjämning (eftersom varje permuterade grupp kartan genomgår samma behandling), är detta alternativ som beskrivs nedan.

1. För var och en av 1000 permutationer, slumpmässigt blanda utsädet MVP-discriminability värden över tidsserierna. Håll intilliggande tidpunkter med temporala autokorrelationerna (såsom tidpunkter inom samma block) tillsammans (till exempel genom att blanda block snarare än angränsande TRS).
2. Beräkna individers IC kartor för varje permutation (steg 4 ovan).
3. Generera 1.000 permuterat gruppkartor: Randomly välja en permuterad IC karta från varje deltagare och genomföra ett grupptest på denna slumpmässig uppsättning (steg 5 ovan).
4. Tröskel varje permuterade grupp karta på en önskad tröskel (t.ex., p <0,001) och extrahera maximal klusterstorlek från kartan.
5. Sortera det resulte 1.000 max-klustervolymer och identifiera klusterstorlek på 95: ^e percentilen (t.ex. den ^{50: e} största för 1000 permutationer).
6. Applicera det tröskelvärde som används i 6,4 (t.ex., p <0,001) och den minimala klusterstorleken från 6,5 till den verkliga (icke-permuterade) IC grupp kartan, för att göra det kluster korrigerad till p <0,05. Eftersom varje permuterade kartan bygger på samma MVP discriminability värden (i en annan ordning), denna betydelse karta belyser regioner med fler synkrona discriminability värden än förväntat av en slump.

Representative Results

IC resultat kan nu visas med utredarens föredragna fMRI analys programpaket. Figur 2 visar IC-resultat, räknat från block av visuellt presenterade konstgjorda föremål (fullständiga detaljer i intresse publikation ^7).

IC-analys är särskilt värdefullt för förhållanden som är kända för att ha samband MVP: Förhållanden med karakteristiska MVP, men utan skillnader i univariata svar, är mer benägna att ha distinktioner mellan IC och FC (illustrerad med data som registrerats som deltagare visade olika typer av människan tillverkade föremål i Figur 3) Figur 4 visar att strålkastare med betydande fler voxel informationen kan ha hög IC, men är mindre väl representerade i FC resultat..

.. Figur 1 Exempel på mönster discriminability över tiden Överst:. Substraten enligt MVP discriminability beräknades från en patient i Haxby et al (2001) ^2, som analyseras i Coutanche & Thompson-Schill (2013) ^7. Den blå linjen visar z-poäng korrelation mellan tidspunkternas MVP och medelvärdet ("utbildning") mönster av rätt klass. De gröna linjerna representerar MVP "korrelationer med tre felaktiga klasser. Botten: Mönster discriminability är skillnaden mellan korrelationer för rätt klass och högsta felaktig klass. Tidpunkter med positiva mönster discriminability värden skulle klassificerat rätt en korrelation baserad klassificerare. Figur ursprungligen publicerat i Coutanche & Thompson-Schill (2013) ^7. Klicka här för att se en större version av denna siffra.

Figur 2. Exempel anslutning kartor. Varje rad visar regioner väsentligt är anslutna till ett frö (visas i blått). Signifikans bestäms av en grupp t-test (p <0,001) med minsta klusterstorleken från permutation testning. IC resultaten visas med AFNI ^{1 1} på ytan kartor produceras med Freesurfer ^{1 2.} Figur är modifierad från Coutanche & Thompson-Schill (2013) ^7. Klicka här för att se en större version av denna siffra.

Figur. 3 Synchronized MVP discriminability jämfört betyda aktivering Exempel på MVP discriminability i två regioner med synkron MVP discriminability (dvs. informations anslutning) utan synkron medel aktivering (dvs. funktionell uppkoppling).; Uppgifterna kommer från ett ämne från Haxby et al. (2001) ^2, som analyseras i Coutanche & Thompson-Schill (2013) ^7. Dessa datapunkter samlades in när personen i fråga visade visuella presentationer av konstgjorda föremål, som kan skiljas från flera voxel mönster, men inte innebär svar. Klicka här för att se en större version av denna siffra.

Figur 4. Exempel IC och FC-värden mellan ett frö i LEFt spolformade gyrus och strålkastare i hela hjärnan. Informational och funktionella anslutningsstyrkor (z-axlar) visas mellan ett frö och strålkastare, med avseende på varandra sökarljus: s genomsnittliga reaktionen (x-axeln) och MVPA klassificeringsexakthet (y-axel) för fyra typer av konstgjorda föremål (chans = 25%). Strålkastare som delar voxlar med såddområdet togs bort. IC-diagrammet innehåller exempel på strålkastare med stark anslutning som har klassificeringsprestanda hög men låga genomsnittliga svarsnivåer, som inte plockas upp i en typisk FC strategi (ses av gapet i övre vänstra oktant av den högra diagrammet). Figur ursprungligen publicerat i Coutanche & Thompson-Schill (2013) ^7. Klicka här för att se en större version av denna siffra.

Discussion

Informations anslutning har MVPA känslighet för distribuerad mönsterinformation och ger en möjlighet att studera mellan-region interaktioner genom en metod anslutning. MVPA och standard univariata analyser kan var och avslöja medverkan av olika regioner, ibland med liten överlappning mellan deras resultat ^{1 3.} Som kan förväntas för en metod som bygger på dessa analys metoder, IC och FC ger även kompletterande resultat ^7. Beslutet om att anställa IC i slutändan kommer att bero på de villkor som utreds och de teoretiska frågor som ställts. Design överväganden som påverkar huruvida MVPA bedrivs på ett dataset kommer också att påverka om IC används. Studier designade med IC uttryckligen i åtanke kommer att vilja följa rekommendationer för MVPA ^{1 4,} samtidigt se till att försöksuppgifter nivå kan extraheras från hela Scans tidsförloppet.

Vid prövningenoch rapportering IC resultat är det viktigt att strålkastare som överlappar med fröet avlägsnas, för att undvika cirkularitet. Dessutom, om direkt jämföra IC och FC resultat, rekommenderas att också jämföra en FC-analys baserad på medel aktivering av strålkastare, snarare än bara voxlar. Denna ytterligare analys kan se till att eventuella skillnader mellan resultat är inte på grund av skillnader i nivåerna av signal-till-brus i strålkastare kontra voxlar.

Det förfarande som beskrivs här är främst inriktat på en explorativ analys anställa strålkastare. Det är värt att notera att genom att ersätta strålkastare med områden av intresse, kan IC även jämföra regioner som väljs en tidigare jag. Den nuvarande discriminability metriska - att jämföra en MVP korrelation för den "sanna" tillståndet till korrelationen för maximal alternativa skick - är också modifierbar. Många maskininlärning klassificerare har förutsägelse vikter för difftekniker när klasser, som lätt skulle kunna ersätta korrelationsjämförelser utförs här (t.ex. för att spåra "förtroende" av en klassificerare över tiden). IC har en mängd möjliga användningsområden. Förutom att vara en primär analys för att undersöka informationsnätverk, kan IC vara en sekundär uppföljning analys till en MVPA sökarljus. MVPA sökarljus kartor är värdefulla för att förstå vilka regioner kan skilja mellan olika förhållanden, men är inte typiskt delas upp i olika nätverk. IC-strategi kan hjälpa till här, genom att avslöja som sätter av strålkastare har synkron discriminability. Slutligen kan kartor IC från olika uppgifter jämföras för att förstå uppgiften nätverk, och patienterna kan jämföras med kontroller för att bättre förstå hur multi voxel differenser ^{1 5} manifesteras på nätverksnivå.

Materials

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