Topografisk Estimering av Visual Befolkning Mottakelig Felt av fMRI

Abstract

Visuelle cortex er retinotopically organisert slik at nabo populasjoner av celler kart til nabo deler av synsfeltet. Funksjonell magnetresonanstomografi tillater oss å anslå vokselverbaserte befolknings mottakelig felt (PRF), dvs. den delen av synsfeltet som aktiverer cellene i hver voxel. Prior, direkte, PRF estimeringsmetoder ^en lider av visse begrensninger: 1) PRF modellen er valgt a-priori og kan ikke fullt ut fange selve PRF form, og 2) PRF sentrene er utsatt for mislocalization nær grensen av stimulans plass. Her en ny topografisk PRF beregningsmetode ² foreslås som i stor grad omgår disse begrensningene. En lineær modell blir brukt til å forutsi Oksygennivå-Dependent (BOLD) signal ved å konvolvere den lineære respons av PRF til den visuelle stimulus med den kanoniske hemodynamiske responsfunksjon. PRF topografi er representert som vekt vektor hvis komponenter representerer strength av den samlede responsen av vokselver nevroner for stimuli presentert på ulike synsfelt steder. De resulterende lineære ligninger kan løses for PRF vektvektor ved hjelp av ridge regresjon ^3, hvilket ga PRF topografi. En PRF modell som passer til den estimerte topografi kan deretter velges post-hoc, og dermed bedre estimater av PRF parametere som PRF i sentrum, PRF orientering, størrelse, osv. Å ha PRF topografi tilgjengelig tillater også visuell verifisering av PRF parameterestimater slik utvinning av ulike PRF egenskaper uten å måtte gjøre en-priori antagelser om PRF struktur. Denne fremgangsmåten ser ut til å være spesielt nyttig for å undersøke PRF organisering av pasienter med forstyrrelser i det visuelle systemet.

Introduction

Funksjonell magnetresonanstomografi (fMRI) måler non-invasiv den funksjonelle organiseringen av visuell cortex på en makroskopisk skala (typisk i størrelsesorden millimeter). Tidlige fMRI retinotopy studier brukt en sammenheng mellom mellom stimulus plassering og fremkalte BOLD svar ^4-7. Disse studiene vanligvis ikke anslå befolkning mottakelig feltstørrelse. Senere Dumoulin og Wandell ^en foreslått en metode for å overvinne en slik begrensning ved eksplisitt å modellere PRF plassering og størrelse, ved hjelp av en lineær funksjon av denne modell for å forutsi BOLD respons. Men en begrensning av denne banebrytende metoden er at den parametrisk PRF modell må være valgt a-priori, og kan føre til feilaktige PRF anslår hvis det viser seg ikke å være riktig.

For å overvinne begrensninger av den parametrisk PRF-modell metoden, har nye metoder blitt utviklet nylig. Disse metodene direkte forutsi BOLD respons til stimulus ved å rekonstruere den PRF topografi. En metode ⁸ foreslått av Greene og kolleger rekonstruerer PRF topografi av back-prosjektering BOLD svar på de enkelte 1D stimulans mellomrom og bygge PRF topografien i 2D stimulans plass som en vanlig datamaskin tomografi teknikk. På den annen side, idet fremgangsmåten foreslått av oss ^to anslag direkte 2D PRF topografi ved hjelp av lineær regresjon og påføring av en regularisering teknikk. I denne fremgangsmåten blir PRF topografi representert som et sett av vekter som er multiplisert med den stimulus for å estimere neuronal populasjon responsen av en gitt voksel. Deretter blir den endelige Oksygen Level-Dependent (BOLD) respons fremkalt av stimulans estimert ved konvolvere den nevronale befolkningen respons og den kanoniske hemodynamisk respons funksjon. For å løse det under begrenset lineært system, i tillegg, er ridge regresjon regularisering som brukes til å fremtvinge sparseness (se Figur 1nedenfor). Den regularisering teknikk demper støy og artefakter og dermed lar vår metode for å anslå PRF topografi mer robust.

De topografiske metodene ikke tvinge PRF form til å ha en viss parametrisk form, og derfor kan avdekke de faktiske PRF struktur. En passende parametrisk modell kan deretter bli valgt basert på PRF topografi. For eksempel kan PRF topografi brukes til å separere PRF sentrum og karm, og deretter etterfølgende PRF midt modellering kan være mer nøyaktig ved å minimalisere påvirkning av surround undertrykkelse samt påvirkning av andre mulige gjenstander som oppstår i områder fjernt til PRF sentrum. Vi har nylig gjennomført en kvantitativ sammenligning mellom vår metode og direkte flere andre metoder som (dvs. før estimering av topografien) fit isotrop Gaussian ^1, anisotropisk Gaussian, og forskjellen på isotrop Gaussians til PRF ^9. Det ble funnet at topography basert metode bedre enn disse metodene med hensyn til PRF sentrum modellering ved å oppnå høyere forklart varians av BOLD signal tidsserier.

Nøyaktig estimering av PRF eiendommer i ulike områder avslører hvordan de dekker synsfeltet og er viktig for å undersøke den funksjonelle organiseringen av den visuelle cortex særlig når det gjelder visuell persepsjon. Egenskaper som hvordan PRF størrelse endringer med eksentrisitet ^1,10 og PRF center surround organisasjon ⁹ er godt studert i menneskelig litteratur. Den foreslåtte metoden for å estimere PRF topografi gir mer nøyaktige PRF parameter modellering og er mer sannsynlig å avsløre ukjente sammenhenger, ikke lett modellert a-priori i de direkte parametriske modeller. Denne tilnærmingen vil være spesielt egnet for å studere PRF organisasjon hos pasienter med visuelle pathway lesjoner, for hvem PRF struktur er ikke nødvendigvis forutsigbar a-priori. Nedenfor beskrives hvordan å anslå the PRF topografi og hvordan du bruker den topografien å modellere PRF sentrum.

Protocol

1. Data Acquisition

1. Forberede en stimulans protokoll som er effektive i å få fram et pålitelig retinotopic visuell respons som tidligere beskrevet i Dumoulin og Wandell ¹ og Lee et al. ^2. Men andre godt etablerte paradigmer er også aktuelt avhengig av spesifikke eksperimentelle spørsmålet tas opp.
2. Present bar stimuli drivende over skjermen sekvensielt sammen åtte retninger av plass, i trinn på 45 grader. Pass på at bevegelsen er synkront med skanner ramme kjøp (TR ~ 2 sek), slik at baren beveger seg et skritt en gang en fMRI ramme starter og holder seg på det nye stedet, til bildet slutter.
3. For å måle en riktig baseline signal, legger epoker uten bar stimulering ^en.
   1. Definere et synsfelt (10 til 15 ° radius) i visuell vinkel over hvilket stimulus presenteres. Present flytting eller flimrende sjakkbrettmønstre (kontrolløren size = 0,94 x 0,94 grader ^2, pattern oppdateringshastighet = 250 msek / mønster) i baren for å lokke fram sterke visuelle svar.
   2. Input følgende spesifikke parametre: 8 jevnt fordelt bevegelsesretninger, bredde bar lik 1,875 grader, og barer flytte ved halv bar bredde per ramme (2 sek). Ytterligere detaljer finner du i Lee et al. ^2.
   3. Generere en flekk (~ 0,25 °) i midten av skjermen på hvor motivets øyne fikserer under forsøket. Endre fargen på stedet tilfeldig i tid.
4. Skanne hjernen til en gjenstand i en MR-skanner ved hjelp av en typisk ekko-planar-imaging (EPI) skanning som har 192 rammer varighet (24 bilder i hver retning av bevegelse). Gjenta skanner 4-8 ganger for å øke signal-til-støy-forhold.
5. Sett parameter for EPI sekvens som følger: TR = 2 sek, TE = 40 msek, matrise size = 64 x 64, 28 skiver, voxel size = 3 x 3 x 3 mm ^3, flip vinkel = 90 °, Alternativt, gjelder sekvenser med en finere oppløsning (f.eks.g., 2 x 2 x 2 mm ³⁾ eller en kort TR (f.eks 1-1,5 sek) som dekker kun den visuelle cortex ^2.
6. Spor øyebevegelser med en eyetracker systemet under funksjonelle skanninger å sikre fiksering opprettholdes innenfor 1-1,5 ° av festepunktet.
   MERK: Her, en hode-koordinat basert eyetracker i en goggle systemet brukes, men andre egnede eyetracker systemer kan brukes i stedet.
7. Instruere fagene for å fiksere flekken på skjermen senteret genereres i trinn 1.3.2. For å sikre at fagene er fiksere, instruere dem til å rapportere fargeendringer fiksering spot.
8. Få anatomiske skanninger, på 1 x 1 x 1 mm ³ oppløsning (f.eks T1-MPRAGE; TR = 1,900 msek, TE = 2.26 msek, TI = 900 msek, flip vinkel = 9 °, 176 partisjoner).
   MERK: Disse anatomiske skanninger vil bli brukt for segmentering samt for å justere de funksjonelle bilder til anatomi både innenfor og på tvers skanninger. For bedre samsvar mellom funksjonal (EPI) bilder og anatomi, får også en inplane anatomi scan, med oppløsning identisk med EPI, ved hjelp av T1-vektet fort bortskjemt gradient ekko (SPGR) sekvens ^1.

2. Data Pre-prosesserings

MERK: Før estimering PRF egenskaper, er flere typiske fMRI data pre-behandlingstrinn nødvendig, for eksempel hode bevegelse korreksjon og justering av funksjonelle volumer til den anatomiske skanningen. I denne artikkelen, er alle pre-prosessering, estimering, analyse og presentasjon av resultater oppnådd utført ved hjelp av åpen kildekode MATLAB-basert programvare verktøykasse VISTA LAB tilgjengelig på VISTA programvare området. http://white.stanford.edu/newlm/index.php/Main_Page.

1. Laste den anatomiske skanningen i MATLAB og forberede et volum anatomi ved hjelp av en funksjon som heter createVolAnat.
2. Segment Gray saken, hvit substans, og CSF ved hjelp av funksjonen "ItkGray".
3. Forbered funksjonelle data ved å konvertere DICOM (dvs. (dvs. standard funksjonell MRI filformat) filer, og laste inn data i VISTA å bruke en funksjon som heter mrInit.
4. Korrekt hode-motion og justere funksjonelle bilder til anatomi lastet i trinn 2.1 bruker rxAlign basert på en affine matrise transformasjon.
5. Gjennomsnittlig funksjonelle bevegelses korrigert skanner for bedre signal-til-støy-forhold ved å klikke mrVISTA Analyse tidsserie Gjennomsnittlig tSeries. Utelukke fra gjennomsnitt skanninger der øyebevegelser avviker fra fiksering mer enn 1-1,5 °. Hvis signalene fra forskjellige nedfarter har ulike dc-driver, gjennomsnittlig funksjonelle skanninger etter fjerning av dc-fonner.
6. Beregn kartlegging koordinerer mellom funksjonelle skanner og Gray saken og identifisere tilsvarende grå materie lydelementer i de funksjonelle skanninger ved å velge følgende menyer: mrVISTA Window Open Gray 3-View Window. Tildele BOLD signaler i de små grå voxel av interpolering, velge ett av alternativene enTilg i mrVISTA.

3. Estimering av PRF Topografi og Parametrisk modellering

1. Last ned kodefiler via følgende link: https://sites.google.com/site/leesangkyun/prf/codes.zip, pakke ut den komprimerte filen og legg dem i en foretrukket plassering av den lokale datamaskinen. Legg inn banen til mappen i MATLAB.
2. Still stimulanse parametrene som brukes i forsøket ved å velge følgende menyer: mrVISTA Analyse Retinotopic Model Set Parametere. Angi følgende parametere som stimulans bilder, stimulans størrelse, den kanoniske hemodynamisk funksjon, bildefrekvens på fMRI-skanner.
3. Før PRF estimering, forberede de første parametersett (Figur 1b).
   1. Sette kryssvalideringssett i "tprf_set_params.m" fra kodefiler. Fordel Tidsserier i minst to undergrupper (ett sett for testing og de resterende sett for trening) som er lange nok til baren for å Sweep hele stimulans plass. Alternativt uten gjennomsnitt skanninger i trinn 2.4, validere skanninger ved å utelate en skanning for testing og bruk av de gjenværende skanninger for trening.
   2. Sett en grov parametersett (λ i figur 1, λ = [10 ^-2 10 ^-1 1 10 ¹ 10 ^2]) i "tprf_set_params.m". Deretter setter en fin skala utvalg ([0.1 0.3 0.5 0.7 0.9 1 3 5 7 9]) i "tprf_set_params.m".
      MERK: Programmet bruker grov satt til å velge λ som resulterer i den høyeste forklart varians. Deretter søker programmet plassen rundt den valgte λ med fin skala område, videre raffinering valg av λ som gir høyest forklart varians.
   3. Sette en terskel (0,2) av forklart varians for visuelt responsive voxel i "tprf_set_params.m".
      MERK: Denne terskelen er brukt som referanse for valg av visuelt responsive voxel. Alternativt lage enROI for en ikke-visuelt responsive region (for eksempel ved å tegne en kule med en radius på 1 cm i et ikke-visuelt responsive hjerneområde), hvor terskelen kan beregnes automatisk.
   4. Still et sett av terskelverdier ([0,3, 0,5, 0,7]) for å definere midt region PRF i den normaliserte topografien i "tprf_set_params.m" (dvs. [0-1] eller [-1-1] med epoker uten bar stimulering i trinn 1.3.1).
      MERK: Fra settet av terskler programmet tilgjengelig velger den "beste" terskel, det vil si et nivå som definerer en PRF sentrale område hvor midt modellen PRF forklarer den største signal varians. Du kan også velge et annet sett av terskelverdier avhengig av egenskapene til topografi.
4. Execute "tprf_runpRFest.m" beregne PRF topografi (figur 1) og monter en 2D anisotropisk Gaussian. Når du har angitt alle parameterne som er beskrevet i denne protokollen, ogkjører koden, får de endelige estimeringsresultatene.

Figur 1: PRF estimeringsprosessen. (A) Skjematisk illustrasjon av fremgangsmåten følges for PRF topografi estimering h (t):. Hemodynamiske responsfunksjon, A (t): stimulus, m: PRF, Reg.: L2-normen regularisering (B) Spesifikke fremgangsmåten for PRF topografi estimering og PRF sentrum modellering. Det sett av parametere som er nødvendige for beregningen er oppført i hvert trinn. En endimensjonal delen av topografi og sin modell er illustrert. Under "Modell Montering", svarte og røde kurver representerer topografi og dens PRF sentrum modell med et senter terskel på 0,5, henholdsvis. Den blå stiplede linjen viser en terskel for PRFsentrale regionen.

Representative Results

Nøyaktig PRF modellering krever fange PRF figurer riktig. Uten å vite det PRF topografi, er utvalget av sirkulært symmetriske modeller brukt i tidligere studier ^1,9-11 et fornuftig valg. Dette er fordi, hvis den lokale retinotopic organisasjonen er homogen i alle retninger av synsfeltet, kan en lokal befolkning respons representeres som et sirkulært symmetrisk kumulative summen av nevrale responser. Men våre observasjoner viser at dette ikke nødvendigvis er tilfelle (figur 2). Derfor kan observasjon av PRF topografi være kritisk for å velge en passende parametrisk funksjon for en PRF modell. Dette er en fordel av PRF topografi, og slik at topografien baserte modeller utkonkurrere de direkte-fit isotrope Gaussiske modeller i PRF midt modellering, som resulterer typisk i høyere forklart varians (figur 2;. Se Lee et al ² for ytterligere sammenligninger med andre modeller). Disse eksempler viser fordelen ved å estimere PRF topografi forut for montering av modellen.

Figur 2: Eksempler på PRF topografi estimering og passform PRF sentermodeller (A) En typisk PRF topografi.. I topografi, indikerer rød farge den mest responsive området, som viser PRF sentrum liggende på midten høyre horisontale meridianen. I PRF topografi, er strekmønstre over PRF senterstruktur med lave vekter også noen ganger observert. Dette er knyttet til det faktum at området langs linjen åpning som passerer gjennom PRF senteret er også stimuleres samtidig med PRF sentrum. . De er lett elimineres i terskeltrinn (B) Sammenligning mellom en tidligere metode (DIG, direkte-fit isotropisk gaussisk) ¹ og topografi basert PRF midt model (T-modell). Den tilsvarende prosent av forklart varians vises over hver modell. T-modeller viser høyere forklart varians i alle eksempler, med mer nøyaktig PRF form fangst. Se Lee et al. ² for mer informasjon og flere eksempler.

Et viktig krav er å sikre at fMRI paradigme som brukes gir gode retinotopy data. Deretter PRF topografi metoden kan brukes til å estimere retinotopic eksentrisitet og asimut kart (figur 3). Disse kartene viser tilsvarende grunnleggende retinotopic arkitektur som tidligere metoder ^1,4-7, men de er mer nøyaktig fordi observasjon av PRF topografi tillater oss å bedre skille PRF sentrum fra surround og fra potensielle støy eller artefakter fjernt til PRF sentrum. Dette, blant annet resulterer i bedre estimering av retinotopic kart på høye eksentriske (en detaljert redegjørelse av de observerte forskjellene kan bli funnet i Lee et al. ²⁾.

Figur 3: Retinotopic kart og PRF størrelse (A) eksentrisitet og Polar vinkel kart i venstre halvkule av en gjenstand.. CS indikerer calcarine sulcus. I den høyre panel i figur A, indikerer den svarte sirkelen en region-of-interesse (ROI) som vokselen hvis PRF er illustrert i figur 4 er tatt. (B) Forholdet mellom PRF størrelse og eksentrisitet. PRF størrelse øker med eksentrisitet i visuelle områder V1-3. Denne tomten er trukket fra (A).

Topografien basert modell (T-modell) metoden kan brukes til å anslå ulike PRF egenskaper som PRF størrelse, forlengelse, orientering, og surround undertrykkelse effektivt, uten å teste mange forskjellige parametriske modeller. For å hjelpe visualisering av slike eiendommer, en MATLAB funksjon (tprf_plotpRF.m) er tilveiebrakt som plotter PRF topografi, den tilsvarende PRF modellen, og deres tilpasning til den rå BOLD-signalet (figur 4). Legg merke til at i noen tilfeller, PRF egenskaper kan også beregnes direkte fra topografi, noe som eliminerer behovet for PRF modellering.

Figur 4: Demonstrasjon av MATLAB verktøykasse utviklet av forfatterne. Dette plottet viser PRF topografi og tilsvarende PRF-modellen passer for en voksel er valgt av en bruker. Den illustrerte voksel er valgt fra ROI vist i figur 3A rå:. Selve BOLD respons, pred _t: prediksjon med PRF topografi, pred _m: prediksjon med PRF sentrum parametrisk modell.1fig4highres.jpg "target =" _ blank "> Klikk her for å se en større versjon av dette tallet.

Discussion

Denne artikkelen viser hvordan du anslå topografi av visuelle befolknings mottakelig felt i menneskelige visuelle cortex og hvordan du bruker den til å velge en passende parametrisk modell for mottakelig feltet. For en vellykket retinotopy, bør en passende stimulering protokoll og en effektiv analysemetode velges, og fagets eksperimentelle parametre (bevegelses og fiksering) skal være optimalisert. Bar stimuli bevegelige sekvensielt over synsfeltet er en effektiv stimulans paradigme for PRF estimering som det genererer distinkte BOLD svar fra forskjellige tiltaks steder. Den medfølgende metoden konstruerer PRF topografi. Siden problemet med PRF estimering er generelt sett under bestemt, er et matematisk verktøy kalt ridge regresjon ³ brukes til å håndheve den rimelig begrensning av sparseness på PRF vekt løsning. Denne regularisering teknikken er svært effektiv til å estimere PRF modellen når antall observasjoner (tidspunkts av BOLD-signalet) er betydelig mindre enn antallet piksler som dekker den romlige dimensjonen av stimulus.

Denne metoden gir mer robust estimering av PRF sentrum enn tidligere metoder. Det er flere grunner til dette: 1) det første segmentene PRF sentrale regionen fra PRF topografi og deretter passer en passende modell, unngå potensielle skjevheter som kan påvirke PRF modellen passer i direkte modeller (dvs. surround undertrykkelse eller støy gjenstander langt fra PRF sentrum). 2) Å ha muligheten til å inspisere topografien visuelt gir en mulighet til å validere ytelsen til den endelige modellen passer avdekke systematiske feil, samt 3) muligheten til å oppdage funksjoner i PRF struktur som ellers kan gå ubemerket. 4) Ved å begrense den passende område, er denne modellen mindre sannsynlighet for å kartlegge PRF innenfor grensen av stimulus presentasjon feil sammenlignet med direkte passer modeller (se figur 2B). Nonelikevel, trenger en bruker være klar over at den foreslåtte metoden har også begrensninger for nøyaktig fange PRF form nær stimulans grensen. Dette skyldes det faktum at nær grensen baren stimuli aktiverer delvis mottakelig felt som tilhører lydelementer som PRF sentrum vil vanligvis være utenfor stimulans presentasjon regionen. Enhver mottakelig felttilordning metoden ville være gjenstand for dette problemet og viser en relativ topp på grensen med mindre det kan perfekt ekstrapolere fra den delen av mottakelig feltsenter som er kartlagt til helheten. Når det er sagt, vår metode er mer nøyaktig enn direkte sittende metoder ^1,9, noe som pleier å markert overvurdere avstand til sentrum av pRFs som ligger nær stimulus presentasjon grensen (se figur 5 og 6 av Lee et al. ² for flere detaljer).

Som diskutert, for å konstruere en robust PRF topografi avhenger av den frie regularisering parameter, λ (figur 1), som kan be optimaliseres hver for seg individuelle volumelementer, eller som en felles parameter på tvers av alle vokslene. Den regularisering parameter påvirker PRF topografi ved å justere omfanget av montering (over sittende eller under-fitting) til dataene. Mens en liten λ fører til støyende PRF topografi (dvs. over-fitting) sammenlignet med den faktiske PRF, undertrykker en stor λ visuelle svar og dermed resultere i mer spredt topografi enn rettferdiggjort av den faktiske PRF størrelse (dvs. under montering). Valg av optimal lambda er avgjørende for vellykket PRF estimering. Vi estimerte λ er i ulike undergrupper av data og evaluert disse anslag med et kryssvalidering strategi. Dette reduserer skjevheter i PRF topografi estimering. Potensielle rest skjevheter er ytterligere redusert i PRF sentrum modellering trinnet, der ulike topografi terskler er utforsket å velge en som resulterer i den høyeste forklart varians (se Lee et al. ^2).

Finalt, topografi tilnærming foreslås er beregnings effektiv. Estimering av PRF kretsmønstre over all lydelementer, inkludert å finne den optimale regularisering parameter λ, tar bare noen få minutter i et PC-miljø. Identifisere visuelt ikke svarer voxel på dette trinnet ekskluderer dem fra mer beregningsmessig krevende trinn i PRF-senter modellering, effektiviteten økes ytterligere. Kanskje enda viktigere, etterforskere trenger ikke lenger å teste flere ulike PRF modeller for å finne en som passer godt, siden de kan bli veiledet i å velge riktig modell av PRF topografi.

Metoden demonstrert i denne protokollen måler befolkning mottakelig felt topografi og bruker det til å veilede befolkningen mottakelig feltet modellering. Denne tilnærmingen reduserer skjevhet stede i direkte befolknings mottakelig felt kartleggingsmetoder, noe som resulterer i mer robuste og nøyaktige PRF estimater. Det minimerer også systematiske feil og gir oss mulighet til å studere den funksjonelle organization av den visuelle cortex med høyere følsomhet. Det er særlig aktuelt i tilfellet av pasienter med lesjoner av synsbanene, i hvem PRF struktur ikke kan være lett å forutse a-priori.

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/