Abstract
Syncentrum är retinotopically organiserade så att angränsande populationer av celler avbildas till angränsande delar av synfältet. Funktionell magnetisk resonanstomografi tillåter oss att uppskatta voxel baserad populationsreceptiva fält (PRF), det vill säga den del av synfältet som aktiverar cellerna inom varje voxel. Prior, direkta, PRF skattningsmetoder 1 lider vissa begränsningar: 1) den pRF modellen väljs ett-priori och kan inte helt fånga den verkliga pRF form och 2) PRF centra är benägna att mislocalization nära gränsen till den stimulans utrymmet. Här en ny topografisk pRF beräkningsmetod 2 föreslås att till stor del kringgår dessa begränsningar. En linjär modell används för att förutsäga blodsyrenivåberoende signal (fetstil) genom att falta det linjära svaret av pRF till den visuella stimulus med den kanoniska hemodynamiska svarsfunktionen. PRF topografi representeras som en viktvektor vars komponenter representerar strength av det sammanlagda svaret av voxel nervceller till stimulans som presenteras vid olika synfältsplatser. De resulte linjära ekvationer kan lösas för pRF viktvektorn använder ås regression 3, vilket ger pRF topografi. En pRF modell som är anpassad till den uppskattade topografin kan sedan väljas post hoc och därmed förbättra uppskattningarna av PRF parametrar såsom pRF-centrum plats, pRF orientering, storlek, osv. Att ha pRF topografi tillgängliga även tillåter visuell verifiering av PRF parameterskattningar möjliggör utvinning av olika PRF egenskaper utan att behöva göra en aprioriska antaganden om pRF strukturen. Detta tillvägagångssätt ser ut att bli särskilt användbar för att undersöka pRF organisationen av patienter med sjukdomar i det visuella systemet.
Introduction
Funktionell magnetisk resonanstomografi (fMRI) mäter icke-invasivt den funktionella organisation syncentrum vid makroskopisk skala (vanligtvis i storleksordningen millimeter). Tidiga fMRI retinotopy studier använt en koherensmått mellan stimulans plats och framkallade BOLD svar 4-7. Dessa studier vanligtvis inte uppskatta befolkningen mottaglig fältstorlek. Senare Dumoulin och Wandell en föreslagit en metod för att övervinna en sådan begränsning genom att uttryckligen modellering pRF läge och storlek, med användning av en linjär funktion av denna modell för att förutsäga den BOLD respons. Dock är en begränsning av denna banbrytande metod som den parametriska pRF modellen måste väljas en-priori, och kan leda till felaktiga pRF uppskattar om det visar sig inte vara lämplig.
För att övervinna begränsningarna hos den parametriska pRF-modell metod, har nya metoder utvecklats nyligen. Dessa metoder direkt förutspå BOLD svar på stimulus genom att rekonstruera pRF topografi. En metod 8 föreslagits av Greene och kollegor rekonstruerar pRF topografi med back-projicera BOLD svaren på de enskilda 1D stimulans utrymmen och bygga pRF topografin i 2D stimulans utrymmet som en typisk datortomografi teknik. Å andra sidan, varvid förfarandet 2 som föreslagits av oss uppskattar direkt 2D pRF topografi med hjälp av linjär regression och tillämpa ett legaliseringsteknik. I denna metod är den pRF topografi representeras som en uppsättning vikter som multipliceras med stimulansen för att uppskatta den neuronala populationen svaret hos en given voxel. Därefter slut Blood Oxygen nivåberoende (BOLD) svar framkallas av den stimulans uppskattas genom faltning den neuronala befolkningen respons och den kanoniska hemodynamiska svarsfunktion. För att lösa det under-begränsade linjärt system, dessutom är ås regressions regularisering användas för att verkställa gleshet (se figur 1nedan). Regleringen Tekniken dämpar buller och artefakter och därmed gör att vår metod för att uppskatta pRF topografi mer robust.
De topografiska metoder inte tvinga pRF form för att ha en viss parametrisk form och därför kan avslöja den verkliga pRF strukturen. En lämplig parametrisk modell kan sedan väljas baserat på pRF topografi. Till exempel kan den pRF topografi användas för att separera pRF center och surround, och sedan den efterföljande pRF centrum modellering kan vara mer exakt genom att minimera påverkan av surround förtryck samt påverkan av andra potentiella artefakter som uppstår i områden avlägsna den pRF centrum. Vi har nyligen utfört en kvantitativ jämförelse mellan vår metod och flera andra metoder som direkt (dvs. innan uppskatta topografin) passform isotrop Gaussisk 1, anisotropisk Gauss, och skillnaden i isotrop Gaussians till pRF 9. Man fann att den topography baserad metod överträffade dessa metoder med avseende på pRF center modellering genom att uppnå högre förklarade varians BOLD signal tidsserier.
Noggrann uppskattning av PRF fastigheter i olika områden avslöjar hur de täcker synfältet och är viktigt för att undersöka den funktionella organisation syncentrum särskilt som det avser visuell perception. Egenskaper som hur pRF storlek ändras med excentricitet 1,10 och pRF center surroundorganisation 9 är väl studerat i människo litteraturen. Den föreslagna metoden för att uppskatta PRF topografi ger mer exakt pRF parameter modellering och är mer sannolikt att avslöja okända regelbunden, inte lätt modelleras a-priori i de direkta parametriska modeller. Detta tillvägagångssätt kommer att vara särskilt lämpad för att studera pRF organisation hos patienter med visuell pathway lesioner, för vilka pRF struktur är inte nödvändigtvis förutsägbar a-priori. Nedan beskrivs hur man kan uppskatta the pRF topografi och hur man använder topografin för att modellera pRF centrum.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Data Acquisition
- Förbered en stimulans protokoll som är effektiv i att framkalla ett tillförlitligt retinotopic visuell respons som tidigare beskrivits i Dumoulin och Wandell 1 och Lee et al., 2. Men andra väl etablerade paradigm är också tillämpliga beroende på den specifika experimentella frågan tas upp.
- Nuvarande bar stimuli driver över skärmen sekventiellt längs åtta riktningar i rymden, i steg om 45 grader. Se till att rörelsen är synkront med skannerramen förvärvet (TR ~ 2 sek) så att stången rör sig ett steg när en fMRI ram startar och stannar på den nya platsen tills ramen slutar.
- För att mäta en korrekt baslinjen signal, lägger epoker utan bar stimulering 1.
- Definiera ett synfält (10 till 15 ° radie) i visuell vinkel över vilken stimulus presenteras. Nuvarande flyttning eller flimrande schackrutiga mönster (checker size = 0,94 x 0,94 grader 2, pattern uppdateringsfrekvens = 250 ms / mönster) inom fältet för att framkalla starka visuella svar.
- Input följande specifika parametrar: 8 jämnt fördelade rörelseriktningar, bredd bar lika med 1.875 grader och barer flytta genom att halva Bredd per ram (2 sek). Ytterligare detaljer finns i Lee et al. 2.
- Generera en plats (~ 0,25 °) i skärmens mitt som motivets ögon fixera under experimentet. Ändra färg på plats slumpmässigt i tiden.
- Skanna hjärnan av en patient i en magnetkamera använder en typisk eko-plan-imaging (EPI) scan som har 192 bildrutor duration (24 bilder i varje rörelseriktning). Upprepa skannar 4-8 gånger för att öka signal-till-brusförhållandet.
- Ställ in parametrar för EPI-sekvens enligt följande: TR = 2 sek, TE = 40 ms, matrisstorlek = 64 x 64, 28 skivor, voxel size = 3 x 3 x 3 mm 3, flip vinkel = 90 °, alternativt ansöka sekvenser med en finare upplösning (e.g., 2 x 2 x 2 mm 3) eller en kort TR (t.ex. 1-1,5 sek) som endast täcker syncentrum 2.
- Spårögonrörelser med ett eyetracker systemet under funktionella skanningar för att säkerställa fixering upprätthålls till inom 1-1,5 ° av fixeringspunkt.
OBS: Här, ett huvud-koordinat baserad eyetracker i ett glasögonsystem används, men andra lämpliga eyetracker system kan användas i stället. - Instruera patienterna att fixera plats på skärmens mitt genereras i steg 1.3.2. För att säkerställa de ämnen som fixering, instruera dem att rapportera färgskiftningar i fixeringspunkt.
- Skaffa anatomiska skannar, vid 1 x 1 x 1 mm 3 upplösning (t.ex. T1-MPRAGE; TR = 1900 ms, TE = 2,26 msek, TI = 900 ms, flip vinkel = 9 °, 176 partitioner).
OBS: Dessa anatomiska skannar kommer att användas för segmente samt för inriktning funktionella bilder till anatomin både inom och mellan skanningar. För bättre anpassning mellan funktional (EPI) bilder och anatomi, få också en planparallell anatomi scan, med upplösning identisk med EPI, med hjälp av T1-viktade snabbt bortskämd gradient eko (SPGR) sekvens 1.
2. Data Pre-bearbetning
OBS: Innan uppskatta PRF fastigheter, behövs flera typiska fMRI uppgifter förbehandlingssteg, såsom huvudrörelse korrigering och anpassning av funktionella volymer till den anatomiska scan. I den här artikeln, är alla förbehandling, uppskattning, analys och presentation av resultat som erhållits utförs med hjälp av öppen källkod MATLAB-baserad programvara verktygslåda VISTA LAB finns på VISTA programvara webbplats. http://white.stanford.edu/newlm/index.php/Main_Page.
- Fyll på anatomiska scan i MATLAB och förbereda en volym anatomi med en funktion som kallas createVolAnat.
- Segment grå materia, vit materia, och CSF med hjälp av funktionen "ItkGray".
- Förbered funktionella data genom att konvertera DICOM (dvs. (dvs standard funktionell MRI filformat) filer och ladda data till VISTA med en funktion som kallas mrInit.
- Korrekt huvud-motion och rikta funktionella bilder till anatomin laddad i steg 2.1 använder rxAlign baserad på en affin matrisomformning.
- Genomsnittliga funktionella rörelse korrigerade skanningar för att förbättra signal-brus-förhållande genom att klicka mrVISTA Analys Visa Genomsnittlig tSeries. Uteslut från genomsnitt skannar under vilken ögonrörelser avviker från fixering mer än 1-1,5 °. Om signaler från olika körningar har olika dc-drivor, genomsnittliga funktionella skannar efter att ta bort dc-drivor.
- Beräkna kartläggning koordinater mellan funktionella skannar och grå substans och identifiera motsvarande Gray-materia voxlar i de funktionella skannar genom att välja följande menyer: mrVISTA Window Open Gray 3-View Window. Tilldela BOLD signaler i den grå substansen voxlar genom interpolation, att välja ett av alternativen available i mrVISTA.
3. Uppskattning av pRF topografi och parametrisk modellering
- Ladda kodfilerna via följande länk: https://sites.google.com/site/leesangkyun/prf/codes.zip, extrahera den komprimerade filen och placera dem i en önskad plats på den lokala datorn. Lägg sökvägen till mappen i MATLAB.
- Ställ stimulans parametrar som används i experimentet genom att välja följande menyer: mrVISTA Analys retinotopic förlagan Parametrar. Ange följande parametrar såsom stimulans bilder, stimulans storleken, den kanoniska hemodynamiska funktionen, bildfrekvens av fMRI scanner.
- Före pRF uppskattning, förbereda de första parameteruppsättningar (Figur 1B).
- Ställ in korsvaliderings sätter in "tprf_set_params.m" från kodfilerna. Divide Visa i minst två delmängder (en uppsättning för att testa och de återstående uppsättningarna för utbildning) som är tillräckligt lång för att ribban skulle Sweep hela stimulans utrymme. Alternativt, utan genomsnitt skannar i steg 2.4, validera skannar genom att lämna ut en scan för att testa och använda de återstående genomsökningar för träning.
- Ställ en grov parameteruppsättning (λ i figur 1; λ = [10 -2 10 -1 1 10 1 10 2]) i "tprf_set_params.m". Ställ sedan in en fin skalområde ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) i "tprf_set_params.m".
OBS: Programmet använder den grova inställd på att välja λ vilket resulterar i den högsta förklarade variansen. Sedan söker programmet utrymmet runt den valda λ använder fina skalområdet, ytterligare förfina valet av λ som ger den högsta förklarade variansen. - Ställ en tröskel (0,2) av den förklarade variansen för visuellt responsiva voxlar i "tprf_set_params.m".
OBS: Denna tröskel används som referens för val av visuellt lyhörd voxlar. Alternativt, gör enROI för en icke-visuellt lyhörda regionen (t.ex. genom att rita en sfär med en radie på 1 cm på ett icke-visuellt lyhörd hjärnområde), där tröskeln kan beräknas automatiskt. - Ställ en uppsättning trösklar ([0.3, 0.5, 0.7]) för att definiera pRF center-regionen i den normaliserade topografi i "tprf_set_params.m" (dvs [0 till 1] eller [-1 till 1] med epoker utan bar stimulering i steg 1.3.1).
OBS: Från uppsättningen tröskelvärden programmet tillhandahålls väljer den "bästa" tröskel, dvs tröskeln som definierar en pRF central region för vilken pRF modellen förklarar den största signal varians. Alternativt, välj en annan uppsättning tröskelvärden beroende på egenskaperna hos topografin.
- Kör "tprf_runpRFest.m" beräkna pRF topografi (figur 1) och montera en 2D anisotropisk Gauss. Efter att ha angett alla parametrar som beskrivs i detta protokoll, ochkör koden, få de slutliga resultaten skattnings.
Figur 1: PRF uppskattningsprocessen. (A) Schematisk illustration av processen följas för pRF topografi uppskattning h (t):. Hemodynamiska svarsfunktion, A (t): stimulus, m: pRF, Reg:. L2-norm legalisering (B) Särskilda åtgärder för pRF topografi uppskattning och pRF center modellering. Uppsättningen av parametrar som krävs för uppskattningen är listad i varje steg. En endimensionell delen av topografi och dess modell illustreras. Under "Modell Montering", svarta och röda kurvorna representerar topografi och dess centrum modell med ett centrum tröskel på 0,5 respektive pRF. Den blå streckade linjen indikerar en tröskel för pRFcentrala regionen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Exakt pRF modellering kräver fånga PRF former korrekt. Utan att känna till pRF topografi, är valet av cirkulärt symmetriska modeller som används i tidigare studier 1,9-11 ett rimligt val. Detta beror, om den lokala retinotopic organisationen är homogen i alla riktningar av synfältet, kan en lokal population svar representeras som ett cirkulärt symmetrisk kumulativ aggregat av neuronala svar. Men våra observationer visar att detta inte nödvändigtvis är fallet (figur 2). Därför kan observation av pRF topografi vara avgörande för att välja en lämplig parametrisk funktion för en pRF modell. Detta är en fördel för pRF topografi, och så topografi baserade modeller träffa de direkta-fit isotropa gaussiska modeller i pRF center modellering, vilket resulterar vanligtvis i högre förklarade varians (Figur 2;. Se Lee et al 2 för ytterligare jämförelser med andra modeller). Dessa exempel visar fördelen med att uppskatta pRF topografi före anpassning av modellen.
Figur 2: Exempel på pRF topografi uppskattning och passning av PRF center modeller (A) En typisk pRF topografi.. I topografi, röd färg indikerar mest känsliga området, som visar pRF centrum liggande på mitten höger horisontella meridianen. I pRF topografi, är streckmönstren över pRF mittstruktur med låga vikter också observeras ibland. Detta gäller det faktum att området längs baren öppningen passerar genom pRF centrum också stimuleras samtidigt med pRF centrum. . De är lätt elimineras i tröskel steg (B) Jämförelse mellan en tidigare metod (DIG, direkt-fit isotropa Gaussisk) 1 och topografi baserade pRF centrum model (T-modell). Motsvarande procent förklaras varians visas ovanför varje modell. T-modeller visar högre förklarade variansen i alla exempel, med mer exakt pRF form capture. Se Lee et al. 2 för mer information och ytterligare exempel.
Ett viktigt krav är att se till att fMRI paradigm som används ger goda retinotopy uppgifter. Då pRF topografi metoden kan användas för att uppskatta retinotopic excentricitet och azimut kartor (Figur 3). Dessa kartor visar liknande grundläggande retinotopic arkitekturen som tidigare metoder 1,4-7, men de är mer exakt eftersom observation av pRF topografi tillåter oss att bättre separera pRF centrum från surround och från potentiella buller eller artefakter avlägsna till pRF centrum. Detta, bland annat, ger bättre uppskattning av retinotopic kartorna vid höga egenheter (en detaljerad redogörelse för de observerade skillnaderna kan hittas i Lee et al. 2).
Figur 3: retinotopic kartor och pRF storlek (A) Excentricitet och Polar vinkel kartor i den vänstra hjärnhalvan av ett ämne.. CS indikerar calcarine sulcus. I den högra panelen i figur A, visar den svarta cirkeln en region av intresse (ROI) från vilken voxel vars pRF illustreras i Figur 4 är tagen. (B) Förhållandet mellan pRF storlek och excentricitet. Den pRF storlek ökar med excentricitet i visuella områden V1-3. Denna kurva dragés från (A).
Topografin baserad modell metoden (T-modell) kan användas för att uppskatta olika PRF egenskaper såsom pRF storlek, töjning, orientering och surround förtryck effektivt, utan att behöva testa många olika parametriska modeller. För att underlätta visualisering av sådana egenskaper, ett MATLAB funktion (tprf_plotpRF.m) tillhandahålls som plottar den pRF topografi, motsvarande pRF modellen, och deras passning till den råa BOLD signalen (Figur 4). Observera att i vissa fall, Prf egenskaper kan också uppskattas direkt från topografi, vilket eliminerar behovet av pRF modellering.
Figur 4: Demonstration av MATLAB verktygslåda som utvecklats av författarna. Detta diagram visar pRF topografi och motsvarande pRF modell passning av en voxel väljs av en användare. Den illustrerade voxel valdes från ROI visas i figur 3A rå:. Faktiska DJÄRV respons, pred t: förutsägelse med pRF topografi, pred m: förutsägelse med pRF centrum parametrisk modell.1fig4highres.jpg "target =" _ blank "> Klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Den här artikeln visar hur du uppskatta topografi visuella befolkningsreceptiva fält i människans syncentrum och hur man använder den för att välja en lämplig parametrisk modell för receptiva fält. För en lyckad retinotopy, bör väljas en lämplig stimulering protokoll och en effektiv analysmetod, och ämnets experimentella parametrar (rörelse- och fixerings) bör optimeras. Bar stimuli flyttar sekventiellt över synfältet är en effektiv stimulans paradigm för pRF uppskattning eftersom den genererar distinkta BOLD svar från olika stimulansplatser. Den medföljande metoden konstruerar pRF topografi. Eftersom problemet med pRF uppskattning är i allmänhet under bestämt, är ett matematiskt verktyg som heter åsen regression 3 används för att genomdriva den rimliga begränsning av gleshet på pRF vikt lösningen. Denna justering teknik är mycket effektiv på att uppskatta den pRF modellen när antalet observationer (tidspunktar av BOLD signalen) är väsentligt mindre än antalet bildpunkter som täcker den spatiala dimensionen av stimulus.
Denna metod ger mer robust uppskattning av pRF centrum än tidigare metoder. Det finns flera skäl till detta: 1) Det första segmenten PRF centrala regionen från pRF topografi och sedan passar en lämplig modell, undvika potentiella fördomar som kan påverka pRF modellen passar i direkta modeller (dvs. surround undertryckande eller brusartefakter långt från pRF centrum). 2) Att ha förmågan att inspektera topografi ger en visuellt möjlighet att validera prestandan för den slutliga modellen passar upptäcka systematiska fel, samt 3) möjlighet att upptäcka funktioner i pRF struktur som annars kan gå oupptäckt. 4) Genom att begränsa den passande området, är det mindre troligt att kart pRF innanför gränsen till stimulans presentation felaktigt jämfört med direkta passar modeller (se figur 2B) denna modell. Ingetdesto mindre behöver en användare vara medveten om att den föreslagna metoden har också begränsningar för exakt fånga pRF form nära stimulans gränsen. Detta beror på det faktum att nära gränsen baren stimuli aktiverar partiella receptiva fält som hör till voxlar vars pRF centrum normalt skulle ligga utanför stimulans presentationsregionen. Alla receptiva fält kartläggning metod skulle vara föremål för detta problem och visar en relativ topp vid gränsen om det inte kan perfekt extrapolera från den del av receptiva fält centrum som är mappad till det hela. Med detta sagt, vår metod är mer exakt än direkta åtsittande metoder 1,9, som tenderar att markant skatta avståndet till centrum av PRF som ligger nära den stimulans presentation gränsen (se Figur 5 och 6 av Lee et al. 2 för mer i detalj).
Såsom diskuterats, för att konstruera en robust pRF topografi beroende av det fria legaliseringsparametern, λ (fig 1), som kan be optimeras separat för enskilda voxlar, eller som en gemensam parameter i alla voxlar. Regleringen parameter påverkar pRF topografi genom att justera omfattningen av kopplingen (över-montering eller under-montering) till uppgifterna. Medan en liten λ leder till bullriga PRF topografier (dvs, översittande) jämfört med den faktiska pRF, undertrycker en stor λ visuella svaren och därmed leda till att fler spridningskretsmönster än motiveras av faktiska pRF storlek (dvs under åtsittande). Val av optimala lambda är avgörande för framgångsrik pRF uppskattning. Vi uppskattade λ-talet i olika undergrupper av uppgifter och utvärderas dessa kalkyler med ett korsvalideringsstrategi. Detta minimerar fördomar i pRF topografi uppskattning. Potentiella rest fördomar minskas ytterligare i pRF centrum modellering steg, där olika trösklar topografi utforskas för att välja en som resulterar i den högsta förklarade variansen (se Lee et al. 2).
Fiinternt, topografin strategi som föreslås är beräkningseffektiv. Uppskattningen av pRF topografier över alla voxlar, inklusive att hitta den optimala legalisering parametern λ, tar bara några minuter i en PC-miljö. Identifiera visuellt inte svarar voxlar i detta steg utesluter dem från mer beräkningskrävande steg i pRF-center modellering, ytterligare förbättra effektiviteten. Kanske ännu viktigare, utredare inte längre behöver testa flera olika PRF-modeller för att hitta en som passar bra, eftersom de kan styras i valet av lämplig modell av pRF topografi.
Metoden demonstreras i detta protokoll mäter population mottaglig fält topografi och använder den för att styra befolkningen mottaglig fältmodellering. Detta tillvägagångssätt minskar fördomar som finns i direkt befolkningsrecepfältkartläggningsmetoder, vilket resulterar i mer robusta och exakta PRF uppskattningar. Det minimerar också systematiska fel och ger oss möjlighet att studera den funktionella organsering av syncentrum med högre känslighet. Det är särskilt tillämplig i fråga om personer med skador i de visuella vägar, hos vilka pRF struktur inte kan vara lätt att förutse en-priori.
Subscription Required. Please recommend JoVE to your librarian.
Materials
| Name | Company | Catalog Number | Comments |
| MRI scanner | Siemens/Philips/GE | ||
| MATLAB | The Mathworks, Inc. | http://www.mathworks.com | |
| VISTA software | VISTA software group | http://white.stanford.edu/newlm/index.php/Software | |
| PsychoToolbox | PsychoToolbox | http://psychtoolbox.org | |
| Eye Tracker (VisuaStimDigital) | Resonance Technology Inc | http://mrivideo.com/ |
References
- Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
- Lee, S., Papanikolaou, A., Logothetis, N. K., Smirnakis, S. M., Keliris, G. A. A new method for estimating population receptive field topography in visual cortex. Neuroimage. 81, 144-157 (2013).
- Hastie, T., Tibshirani, R., Friedman, J. H. The elements of statistical learning : data mining, inference, and prediction. , 2nd edn, Springer. (2009).
- Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
- Engel, S. A., Glover, G. H., Wandell, B. A. Retinotopic organization in human visual cortex and the spatial precision of functional MRI. Cereb Cortex. 7, 181-192 (1997).
- Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525 (1994).
- DeYoe, E. A., et al. Mapping striate and extrastriate visual areas in human cerebral cortex. Proc Natl Acad Sci U S A. 93, 2382-2386 (1996).
- Greene, C. A., Dumoulin, S. O., Harvey, B. M., Ress, D. Measurement of population receptive fields in human early visual cortex using back-projection tomography. J Vis. , (2014).
- Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. , (2012).
- Harvey, B. M., Dumoulin, S. O. The relationship between cortical magnification factor and population receptive field size in human visual cortex: constancies in cortical architecture. J Neurosci. 31, 13604-13612 (2011).
- Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686 (2012).
