Protocol
Les techniques de recherche utilisées au cours de cette étude ont été approuvés par les commissions d'examen institutionnels (IRB) de l'Université Duke et de l'Université de Caroline du Nord - Chapel Hill.
1. Imagerie tâche Design
- Générer une tâche comportementale basée sur l'événement qui présente des stimuli cibles rares (un cercle) contenue dans une séquence de stimuli standard plus fréquents (images brouillés). Un schéma de la tâche est représentée sur la Figure 1. Présenter la tâche en utilisant un logiciel CIGAL 10.
Figure 1. Schéma de la conception des tâches. Ce chiffre a été modifié depuis Hart et al. 20, avec la permission. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.
- Sélectionnez autantet un stimulus aversif, et un ensemble de stimuli neutres de la base de données Système International Photo affectif (IAPS). IAPS images sont notés sur une échelle de 1-9 afin de refléter les niveaux d'excitation et Valence 11. Un nombre élevé indiquent valence positive plus élevée et l'excitation. Sélectionnez un ensemble d'images qui sont adaptés à l'âge du groupe d'étude tels que des images de serpents, araignées, ou d'autres animaux.
Remarque: Les images stimulus aversif tâches pertinent utilisées pour cette étude avaient une note moyenne de valence de 3,38 (SD = 1,78) et une note moyenne de l'excitation de 6,14 (SD = 2,08). Les images stimuli neutres ont une valence moyenne de 6,21 (SD = 0,26) et une note moyenne de l'excitation de 3,72 (SD = 2,15). - Programme du script de la tâche telle que les images sont présentées dans un ordre pseudo-aléatoire pour 1.500 ms avec un intervalle de 500 ms signifie inter-stimulus. Stimuli présents cibles et des images neutres tâches pertinent plus fréquemment que toutes les 15 secondes et font chacune environ 4% des stimuli. Jiévénements tter fois apparition afin de fournir une meilleure résolution de la fonction de réponse hémodynamique.
- Créer 8 ensembles d'images, une pour chacune des 8 courses fonctionnels tels que les participants sont présentés avec un total de 40 cibles et 40 images neutres tâches sans importance au cours des 8 pistes.
2. Installation de participant et la numérisation
- Recruter les enfants et adolescents âgés de 9 et 18 ans qui sont soit des individus témoins sains ou qui sont à risque familial élevé de psychose.
- Veiller à ce que les personnes en bonne santé ont pas de maladies psychiatriques ou des membres de la famille au premier degré avec une maladie psychiatrique. Veiller à ce que les participants de risque familiaux ont au moins un parent au premier degré (parent ou un frère) à la schizophrénie. Ne pas exclure la présence d'autres maladies psychiatriques chez les parents au premier degré.
- L'âge et le sexe match participants en bonne santé avec des participants du groupe de risque familials.
- Acquérir le consentement éclairé des participants âgés de plus de 18. Pour les mineurs, d'acquérir le consentement éclairé des parents / tuteurs légaux. En outre, l'acquisition de consentement écrit de mineurs qui prennent part à l'étude.
- Placez les participants dans un scanner IRM maquette afin de les familiariser avec l'environnement. Jouer un enregistrement audio du bruit du scanner et de les compléter une descente d'entraînement de la tâche comportementale afin d'assurer qu'ils comprennent les instructions de la tâche.
- Placez le participant dans le scanner IRM et acquérir des scans du cerveau de localisation nécessaires et / ou des images anatomiques.
- Utiliser une boîte d'entrée IRM-fort, dire aux participants à appuyer sur un bouton avec leur index en réponse à tous les stimuli cibles et un autre bouton avec leur doigt du milieu pour tous les autres stimuli.
- Après balayage IRMf, recueillir des évaluations subjectives de l'excitation et de Valence pour les images utilisées dans l'étude d'un sous-ensemble de participants. Les Current étude obtenue notes de 15 commandes et 13 à haut risque familial.
3. Image Acquisition
- La place les participants dans un scanner IRM 3.0 Tesla. Tout d'abord, l'acquisition d'un ensemble d'images structurelles, y compris une image 3D anatomique T1 contraste coplanaires en utilisant une séquence d'impulsions d'acquisition gâté gradient rappelé (TR: 5,16 ms; TE: 2,04 ms; FOV: 24 cm; image de la matrice: 256 × 256; flip Angle: 20; taille de voxel: 0,94 mm x 0,94 mm x 1,9 mm; 68 coupes axiales).
- Acquérir des données d'imagerie fonctionnelle en utilisant un gradient d'écho séquence d'imagerie écho-planaire avec une couverture complète du cerveau (TR: 2000 ms; TE: 27 ms; FOV: 24 cm; image de la matrice: 64 × 64; Retournez Angle: 60; taille de voxel: 3,75 mm x 3,75 mm x 3,8 mm; coupes axiales 34) de sorte que l'activité du cerveau peut être mesuré pendant l'exécution de la tâche comportementale. Exécutez cette séquence d'imagerie pour chaque exécution de la tâche comportementale. Chaque essai doit être composé de 120 points de temps d'imagerie.
- Présenter le TAsk en 8 pistes fonctionnelles, d'une durée d'environ 4 minutes de chaque.
4. Analyses
- Prétraitement de l'image: Ouvrir l'outil Expert analyse IRMf (Feat) en FLS 12. Sélectionnez analyse de premier niveau et pré-stats.
- Dans l'onglet "Données", sélectionnez le nombre d'images d'entrée et entrez le chemin d'accès à chacune des images IRM que vous allez traiter. Définir le répertoire de sortie. Entrez les volumes totaux, nombre d'acquisitions rejeté et les TR.
- Dans l'onglet «pré-statistiques", régler la correction de mouvement pour MCFLIRT, Spatial lissage FWHM à 5 mm, et "la correction de synchronisation Slice". Sélectionnez "extraction du cerveau BET" et "passe-haut" filtrage temporel, mais ne sélectionnez pas B0 unwarping (uness vous avez une carte de champ de gradient) ou «Je ntensitiy normaization". 12,14.
- Dans l'onglet «Inscription», sélectionnez «Principal strul'image ctural ". Entrez le chemin crâne dépouillé pondérée en T1 l'image de l'objet. Utiliser une recherche normale linéaire avec au moins 6 degrés de liberté. Activez la case à cocher de l'espace standard. Entrez le chemin de l'image de l'atlas de l'INM. Utilisez une normale, linéaire recherche avec 12 DOF. Appuyez sur OK.
- Exclure les participants avec plus de 3 mm mouvement de la tête dans le X, Y ou Z directions.
- Niveau 1: Comparaison des données entre les conditions de tâches au sein d'un seul passage. Ouvrir FEAT. Sélectionnez "analyse de premier niveau" et "Statistiques + Post-stats".
- Dans l'onglet Données, définissez le nombre d'entrées et entrez le chemin d'accès à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie". Entrez "Total des volumes", le nombre d'acquisitions rejeté et les TR.
- Dans l'onglet "Statistiques", sélectionnez l'option "Utiliser FILM pré-blanchir" case 16. Appuyez sur le «modèle complet soibouton tup ". Réglez le "Nombre de véhicules électriques d'origine" au nombre des conditions de tâches. Pour chaque condition, sélectionnez "(format de la colonne 3) personnalisée" dans le menu déroulant forme de base et "Double-Gama HRF du" menu "de convolution déroulant 17,18 et sélectionnez un fichier texte contenant la tâche timing.
- Formater ce fichier texte en 3 colonnes avec une entrée pour chaque «événement» du type donné. La première colonne doit contenir le temps de déclenchement (en secondes), le second devrait contenir la durée (en secondes), et le troisième doit contenir le poids de l'événement. Dans l'onglet Contraste & F-tests, en créer un contraste pour chaque condition de tâche et un pour chaque comparaison.
- Sur les "Post-stats", sélectionnez "cluster" dans le menu déroulant "Seuil" et définir le "seuil de Z" et Cluster P te seuil de 0,05 à 2,3 et 8,19 respectivement.
- Dans l'onglet «Inscription», sélectionnez «Principal image structurale". Entrez le chemin vers le crâne dénudé pondérée en T1 l'image de l'objet. Utilisez une recherche normale linéaire avec au moins 6 degrés de liberté. Sélectionnez «l'espace standard" case à cocher. Entrez le chemin de l'image de l'atlas de l'INM. Utilisez, une recherche linéaire normale avec 12 DOF. Appuyez sur "Go".
- Niveau 2: Comparaison des données entre les points pour chaque condition de la tâche. Ouvrir FEAT. Sélectionnez "analyse au niveau supérieur» et «Statistiques + Post-stats" du menu déroulant.
- Dans l'onglet Données, sélectionnez "entrées sont des répertoires de FEAT niveau inférieur". Réglez le nombre d'entrées et entrez le chemin d'accès à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie".
- Dans l'onglet «Statistiques», changer les «effets mixtes: FLAME1" boîte de sélection sur «Fixed Effets ". Appuyez sur le" assistant de configuration Modèle "bouton. Sélectionnez" moyenne de groupe unique »et cliquez sur le bouton" Process ".
- Dans l'onglet "Post-stats», sélectionnez «cluster» dans le menu déroulant "Seuil" et définir le "seuil de Z" et le seuil "Cluster P" à 2,3 et 0,05 respectivement 8,19. Appuyez sur "Go".
- Niveau 3: Comparer les données entre les sujets pour chaque condition de travail dans toutes les courses. Ouvrir FEAT. Sélectionnez "analyse au niveau supérieur» et «Statistiques + Post-stats" du menu déroulant.
- Dans l'onglet Données, sélectionnez "entrées sont en 3D face images à partir de répertoires de Feat." Définir le nombre d'entrées et entrez le chemin à chacune des images IRM. Entrez un chemin pour le "répertoire de sortie".
- Sur le «Statistiques» tab, Appuyez sur le "setup complet de modèle". Définissez le nombre de véhicules électriques égal au nombre de variables et covariables groupes tels que le groupe de diagnostic, l'âge, le sexe, etc. Entrez les valeurs pour chaque objet (entrée 1 - entrée N) pour chaque EV. Vous pouvez utiliser la fenêtre "Coller" pour copier une feuille de calcul de ces valeurs.
- Dans l'onglet "Contrastes & F-tests", ajouter un contraste pour chaque variable de test et pour chaque contraste (par exemple, le groupe de diagnostic). Pour chaque variable d'essai, régler le contraste en sélectionnant la valeur 1 dans la colonne sous l'EV appropriée. Pour chaque contraste, réglez la première valeur à 1 et la deuxième à -1. Sélectionnez "Terminé".
- Dans l'onglet "Post-stats", sélectionnez "cluster" dans le menu déroulant "Seuil" et définir le "seuil de Z" et le seuil "Cluster P" à 2,3 et 0,05 respectivement 8,19 "Go".
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Il n'y avait aucune différence entre les groupes en fonction de caractéristiques démographiques 20. Les données comportementales indiquent que la tâche de détection de cible est à un niveau de difficulté approprié pour les enfants et les adolescents âgés de 9-18. Dans l'étude actuelle, les contrôles correctement identifié 82,36% des objectifs (SD = 0,14), et le groupe de risque familial correctement identifié 76,8% des objectifs (SD = 0,17). Les deux groupes ont montré une diminution de précision lors de l'identification des images émotionnelles par rapport à des images neutres (F (1,40) = 5,63, p = 0,03).
Les données d'imagerie ont indiqué que les conditions expérimentales ont conduit à une activation significative dans les régions qui devraient être recrutés au cours exécutif et le traitement des émotions. L'activation a été vu dans préfrontal, caudé antérieur, insulaire, et les zones pariétales postérieures au cours des essais de cibles et dans l'amygdale droite, le cortex orbitofrontal bilatéral, fusiforme cortex et cor visuellezones tiques pendant les essais d'aversion dans les deux groupes. Le tableau 1 montre les zones d'activation significative dans les contrôles pour chaque condition.
Ce paradigme a également suscité des différences significatives dans l'activation entre les contrôles et les individus avec un risque familial élevé pour la schizophrénie. Le groupe à haut risque familial a montré activation dans les circuits fronto-strié diminué en réponse à des stimuli cibles. Les contrôles, en revanche, ont montré une plus grande activation dans le gyrus frontal moyen et isolation. Les différences de groupe entre les conditions sont présentés dans le tableau 2 et la figure 2. Le groupe à haut risque familial ont également montré différents schémas d'activation liée à l'âge, comparativement aux témoins en réponse à cibler et stimulus aversif (Figure 3).
Figure 2. Cartes activation des différences entre les groupes. (A) les zones où le groupe à haut risque familial (n = 21) a montré une plus grande activation de contrôles (n = 21) pendant le traitement cible. CAUD = caudé; IFG = gyrus frontal inférieur; ITG = gyrus temporal inférieur. (B) les zones où les contrôles ont montré une plus grande activation que le groupe à haut risque familial pendant le traitement cible. INS = Insula; MFG gyrus frontal = Moyen; MTG = gyrus temporal moyen. (C) Les zones où le groupe à haut risque familial activé plus de contrôles lors de la aversif> contraste neutre. COC = cortex operculaire centrale. (D) Les zones où les contrôles activés plus que le groupe à haut risque familial pendant la aversif> contraste Neutre. ACC = cortex cingulaire antérieur; PC = precuneus. Ce chiffre a été modifié depuis Hart et al. 20, avec la permission. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.
Figure 3. Carte d'activation des différences liées à l'âge du groupe. (A) Les zones avec une plus grande corrélation positive avec l'âge dans le groupe à haut risque familial que chez les témoins au cours du traitement cible. ACC = cortex cingulaire antérieur; INS = Insula; Cortex orbitofrontal OFC =; TH = Thalamus. (B) les zones avec une plus grande corrélation positive avec l'âge dans les contrôles que dans le groupe à haut risque familial pendant la aversif> contraste neutre. IFG = gyrus frontal inférieur; Gyrus PostCG = postcentral; Gyrus PreCG = précentral. Ce chiffre a été modifié depuis Hart et al. 20, avec la permission. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.
| ST1. Dans Groupe activation Foci dans les contrôles (n = 21) | ||||||
| Les coordonnées de l'INM | ||||||
| Région | Hémisphère | X | y | z | Max valeur Z | Max valeur p 1 |
| Activation de cible (p <0,05, taux de fausses découvertes corrigée) | ||||||
| Gyrus frontal Moyen pôle / frontal | B | -30 | -2 | 50 | 5,57 | <0.0000001 |
| Gyrus frontal inférieur | B | 46 | 12 | 32 | 5.41 | <0.0000001 |
| Insula | B | -32 | 24 0 | 5.4 | <0.0000001 | |
| Précentral gyrus | B | -40 | -22 | 48 | 5,53 | <0.0000001 |
| Thalamus | B | -12 | -16 | 12 | 5.03 | <0.0000001 |
| Caudé | B | -12 | 12 | 4 | 4.07 | 0.000003 |
| Putamen | B | 18 | 8 | 2 | 4.27 | 0.00009 |
| Cingulaire antérieur / Paracingulate gyrus | B | 0 | 12 | 46 | 5.6 | <0.0000001 |
| Gyrus cingulaire postérieur | B | 8 | -16 | 28 | 5.2 | <0.0000001 |
| Gyrus temporal supérieur / Moyen- | <td> B48 | -46 | 10 | 5.88 | <0.0000001 | |
| Fusiforme / gyrus temporal inférieur | B | -30 | -50 | -12 | 5,64 | <0.0000001 |
| Lobule pariétal supérieur / supramarginal gyrus / postcentral gyrus | B | 30 | -44 | 44 | 6 | <0.0000001 |
| Cortex occipital latéral | B | 48 | -62 | 12 | 6.12 | <0.0000001 |
| Aversif> activation Neutre (p <0,05, taux de fausses découvertes corrigé) | ||||||
| Gyrus frontal inférieur | L | -44 | 14 14 | 3.16 | 0,0004 | |
| Pôle frontal / cortex frontal médial | B | -2 | 64 | 0 | 3.42 | 0,0005 |
| Gyrus post- | L | -62 | -22 | 34 | 3.12 | 0,0004 |
| Cortex cingulaire antérieur | B | -4 | 34 | 8 | 3.27 | 0,0002 |
| Gyrus cingulaire postérieur | B | 0 | -44 | 28 | 3.26 | 0,0002 |
| Inférieur temporelle gyrus fusiforme / | B | -44 | -44 | -14 | 3.03 | 0,0006 |
| Gyrus angulaire | B | 46 | -64 | 8 | 3.42 | 0,0001 |
| Gyrus supramarginal | L | -40 | -56 | 20 | 3.59 | 0,00005 |
| Activation aversif (p <0,05, taux de fausses découvertes corrigée) | ||||||
| Amygdale | R | 22 | -4 | -18 | 2.86 | 0,001 |
| Cortex orbitofrontal / Insula | B | 36 | 22 | -4 | 4,93 | <0.0000001 |
| Gyrus frontal moyen | B | 32 | 4 | 40 | 4.7 | <0.0000001 |
| Pôle frontal | B | -38 | 36 | 10 | 4,95 | <0.0000001 |
| Cingulaire antérieur /gyrus paracingulate | B | 6 | 16 | 50 | 4,85 | <0.0000001 |
| Gyrus cingulaire postérieur | B | 2 | -28 | 24 | 5.88 | <0.0000001 |
| Thalamus | B | 18 | -26 | 2 | 5.44 | <0.0000001 |
| Précentral gyrus | B | -44 | 8 | 34 | 4,54 | <0.0000001 |
| Lobule pariétal supérieur | B | -20 | -56 | 54 | 6.05 | <0.0000001 |
| Cortex occipital latéral | B | -36 | -82 | 4 | 6.05 | <0.0000001 |
| Pôle occipital | B | -16 | -90 | 18 | 5.18 <0.0000001 | |
| B, bilatérale | ||||||
| 1 P-valeurs indiquées ne sont pas corrigés, significative à la valeur FDR-corrigée de <0,05 | ||||||
Tableau 1. Dans Groupe activation Foci dans les contrôles (n = 21). Ce tableau a été modifié depuis Hart et al. 20, avec la permission.
| Tableau 2. différences entre les groupes dans l'activation | |||||||||||||
| Les coordonnées de l'INM | Hémisphère | X | y | z | Max valeur Z | Max valeur p 1 | |||||||
| Cibles | |||||||||||||
| Familial haut risque> Champs (p <0,05, taux de fausses découvertes corrigée) | |||||||||||||
| Pôle frontal | B | 16 | 76 | 6 | 3.52 | 0.00007 | |||||||
| Gyrus frontal inférieur | L | -58 | 16 | 18 | 3.37 | 0,0001 | |||||||
| Caudé | B | -14 | 20 | 10 | 3.2 | 0,0003 | |||||||
| Gyrus temporal inférieur | L | -52 | -44 | -20 | 2.94 | 0,0009 | |||||||
| Contrôles> familiale à risque élevé (p <0,05, taux de fausses découvertes corrigé) | |||||||||||||
| Gyrus frontal Moyen / précentral gyrus | R | 48 | 8 | 34 | 3 | 0,0007 | |||||||
| Cortex frontal de opercule | L | -46 | 16 | -4 | 2.94 | 0,0009 | |||||||
| Aire motrice supplémentaire | R | 18 | -16 | 40 | 3.02 | 0,0007 | |||||||
| Insula | L | -34 | -18 | 4 | 2.94 | 0,0009 | |||||||
| Précentral gyrus | B | 10 | -26 | 60 3.29 | 0,0002 | ||||||||
| Gyrus post- | B | 14 | -38 | 54 | 3,57 | 0,0001 | |||||||
| Gyrus temporal supérieur | R | 54 | -6 | -4 | 3.18 | 0,0003 | |||||||
| Gyrus temporal moyen | R | 48 | -46 | 8 | 3.65 | 0.00004 | |||||||
| Precuneus | R | 2 | -40 | 46 | 2,89 | 0,001 | |||||||
| Cortex occipital latéral | B | -20 | -74 | 36 | 3.36 | 0,0002 | |||||||
| Aversif - Neutre | |||||||||||||
| Cortex operculaire centrale | R | 50 | -2 | 6 | 3.01 | 0,0007 | |||||||
| Contrôles> familiale à risque élevé (p <0,05, taux de fausses découvertes corrigé) | |||||||||||||
| Cortex cingulaire antérieur | L | -6 | 38 | 8 | 2.68 | 0,002 | |||||||
| Precuneus | L | -10 | -54 | 36 | 2.7 | 0,002 | |||||||
| B, bilatérale | |||||||||||||
| 1 P-valeurs indiquées ne sont pas corrigés, significative à la valeur FDR-corrigée de <0,05 | |||||||||||||
Tableau 2. différences entre les groupes dans l'activation Foci. Ce tableau a été modifié depuis Hart et al. 20, avec la permission.
Subscription Required. Please recommend JoVE to your librarian.
Materials
| Name | Company | Catalog Number | Comments |
| 3T MRI scanner | GE | BIAC 3T scanner (replaced) |
References
- Kety, S. S., Rosenthal, D., Wender, P. H., Schulsinger, F. Mental illness in the biological and adoptive families of adpoted schizophrenics. Am J Psyc. 128, 302-306 (1971).
- Weinberger, D. R. Implications of normal brain development for the pathogenesis of schizophrenia. Arch Gen Psychia. 44, 660-669 (1987).
- Nuechterlein, K. H., Dawson, M. E. Information processing and attentional functioning in the developmental course of schizophrenic disorders. Schizophr Bul. 10, 160-203 (1984).
- Nuechterlein, K. H. The vulnerability/stress model of schizophrenic relapse: a longitudinal study. Acta Psychiatr Scand, Supp. 382, 58-64 Forthcoming.
- Keshavan, M. S. Premorbid cognitive deficits in young relatives of schizophrenia patients. Front Hum Neurosc. 3 (62), (2010).
- Kiehl, K. A., Liddle, P. F. An event-related functional magnetic resonance imaging study of an auditory oddball task in schizophrenia. Schizophr Re. 48, 159-171 (2001).
- Bramon, E. Is the P300 wave an endophenotype for schizophrenia? A meta-analysis and a family study. Neuroimag. 27, 960-968 (2005).
- Dichter, G. S., Bellion, C., Casp, M., Belger, A. Impaired modulation of attention and emotion in schizophrenia. Schizophr Bul. 36, 595-606 (2010).
- Fichtenholtz, H. M. Emotion-attention network interactions during a visual oddball task. Brain Res Cogn Brain Re. 20, 67-80 (2004).
- Voyvodic, J. T. Real-time fMRI paradigm control, physiology, and behavior combined with near real-time statistical analysis. Neuroimag. 10, 91-106 (1999).
- International affective picture system (IAPS): Digitized photographs, instruction manual and affective ratings. Technical Report A-6. , The Center for Research in Psychophysiology, University of Florida. (2005).
- Smith, S. M. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimag. 23, 208-219 (2004).
- Smith, S. M.
- Jenkinson, M., Bannister, P., Brady, M., Smith, S. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimag. 17, 825-841 (2002).
- Jenkinson, M., Smith, S. A global optimisation method for robust affine registration of brain images. Med Image Ana. 5, 143-156 (2001).
- Woolrich, M. W., Ripley, B. D., Brady, M., Smith, S. M. Temporal autocorrelation in univariate linear modeling of FMRI data. Neuroimag. 14, 1370-1386 (2001).
- Beckmann, C. F., Jenkinson, M., Smith, S. M. General multilevel linear modeling for group analysis in FMRI. Neuroimag. 20, 1052-1063 (2003).
- Woolrich, M. W., Behrens, T. E., Beckmann, C. F., Jenkinson, M., Smith, S. M. Multilevel linear modelling for FMRI group analysis using Bayesian inference. Neuroimag. 21, 1732-1747 (2004).
- Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimag. 15, 870-878 (2002).
- Hart, S. J. Altered fronto-limbic activity in children and adolescents with familial high risk for schizophrenia. Psychiatry Re. 212, 19-27 (2013).
- Hariri, A. R., Bookheimer, S. Y., Mazziotta, J. C. Modulating emotional responses: effects of a neocortical network on the limbic system. Neurorepor. 11, 43-48 (2000).
- Gottesman, I. I., Gould, T. D. The endophenotype concept in psychiatry: etymology and strategic intentions. Am J Psyc. 160, 636-645 (2003).
- Glahn, D. C., Thompson, P. M., Blangero, J. Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Hum Brain Map. 28, 488-501 (2007).
