Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Behavior

人口视觉感受野由功能磁共振成像地形估计

doi: 10.3791/51811 Published: February 3, 2015

Abstract

视觉皮层retinotopically组织使得细胞群相邻映射到视场的相邻部件。功能性磁共振成像使我们能够估计基于体素的人口感受域(PRF), ,视场激活每个体素中的细胞的一部分。之前,直接,PRF估计方法1遭受一定的局限性:1)PRF模型被选择的先验和可能不完全捕获实际的PRF的形状,和2)PRF中心是容易发生的刺激空间的边界附近的错误定位。在这里,一个新的地形PRF估计方法2建议在很大程度上规避这些限制。线性模型被用来通过卷积PRF到视觉刺激与规范的血流动力学响应函数的线性响应预测血氧水平依赖(BOLD)信号。 PRF地形被表示为权重向量,其分量所代表的STR素神经元的总响应ength来刺激呈现在不同的视野位置。由此产生的线性方程组可以解决使用岭回归3 PRF的权重向量,产生PRF地形。一个匹配于所估计的地形是一个PRF,模型然后可以选择事后,由此提高PRF的参数,如PRF-中心位置,PRF方向,大小的估算值。具有PRF形貌可用也允许的PRF的参数估计,允许各种PRF性质的提取的视觉验证,而不必做出关于PRF结构的先验假设。这种方法有望成为调查的患者的PRF组织与视觉系统的疾病特别有用。

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

功能性磁共振成像(fMRI)测量非侵入视皮层中的宏观尺度的功能组织(通常在几毫米的数量级)。早期的功能磁共振成像研究retinotopy用于刺激位置之间的连贯性的措施,引起BOLD反应4-7。这些研究通常没有估计总体感受野大小。以后,迪穆兰和万德尔1提出明确建模的PRF的位置和大小,利用该模型的一个线性函数来预测BOLD反应来克服这种限制的方法。然而,这一开创性方法的一个限制是该参数PRF模型必须选择一个先验,并可能导致错误的PRF估计,如果它原来不恰当

为了克服参数PRF-模型方法的局限性,新方法最近已开发的。这些方法直接预测到S的BOLD响应timulus通过重构PRF地形。建议由格林和他的同事的方法8重建PRF地形通过背投影BOLD响应个别维刺激空间,建设PRF地形就像一个典型的计算机断层扫描技术的2D刺激的空间。另一方面,我们提出的方法2直接估计2D PRF地形通过使用线性回归和施加一个正则化技术。在该方法中,PRF地形被表示为一组权值被乘以的刺激来估计给定体素的神经元群的响应。那么,最后的血氧水平依赖(BOLD)响应的刺激诱发估计通过卷积神经元群的响应和规范的血流动力学响应函数。为了解决上述下约束线性系统,此外,岭回归正规化用于强制稀疏( 见图1下文)。正规化技术抑制噪音和伪影,从而使我们的方法,以更有力估计PRF地形。

地形方法不强制PRF形状有一定的参数形状,因此可以发现实际PRF结构。适当的参数化模型然后可以基于该PRF地形选择。例如,该PRF形貌可以用于分离PRF中心和环绕,然后随后的PRF中心建模可通过最大限度地减少环绕抑制在遥远的区域中出现的其他潜在伪影的影响的影响,以及更准确PRF中心。我们最近完成我们的方法,直接几种其他方法之间的定量比较( 估计地形之前)适合各向同性高斯1,各向异性高斯和各向同性高斯差到PRF 9。人们发现,在topography为基础的方法优于这些方法相对于PRF中心建模通过实现更高的解释BOLD信号时序的变化。

PRF特性在各个领域的精确估计揭示他们如何覆盖视野,是研究视觉皮层特别是因为它涉及到视觉感知的功能组织重要。性能,如如何与偏心1,10和PRF中心环绕组织9 PRF尺寸变化很好的研究,在人类文学。所提出的方法用于估计PRF地形导致更准确的PRF的参数建模和更可能揭示未知规律,不容易建模的先验在直接参数化模型。这种做法将特别适合学习PRF组织患者视觉通路病变,对他们来说,PRF结构也不一定能够预测先验。下面描述如何估计第ËPR​​F地形以及如何使用地形的PRF中心模式。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1.数据采集

  1. 制备刺激协议是有效的如先前在迪穆兰和万德尔1和Lee 等人所述引出一个可靠初级视视觉响应。2。然而,其他公认的范例也适用视具体实验问题有待解决。
  2. 本栏刺激飘过屏幕顺序地沿着空间8个方向,步长为45度。确保该运动是同步地与扫描框采集(TR〜2秒),以使杆移动一次一个步骤的功能磁共振成像帧开始,并保持在新的位置,直到该帧结束。
  3. 衡量一个正确的基准信号,没有酒吧刺激1加时代。
    1. 定义的图(10至15°半径)在视觉角度在其上的刺激呈现一个字段。目前移动或抖动棋盘图案(方格大小为0.94 x 0.94英寸度2,patte酒吧内的氡更新率= 250毫秒/模式),以引起强烈的视觉反应。
    2. 输入以下具体参数:8均匀分布的运动方向,条宽等于1.875度,和酒吧将通过每帧(2秒)半条宽。额外的细节可以在Lee 等人的发现。2。
    3. 产生在屏幕中心上的实验过程中拍摄对象的眼睛注视一个点(0.25〜°)。在一次随意改变现货颜色。
  4. 扫描使用典型回波平面成像(EPI)扫描具有192帧的持续时间(在运动的每个方向上24帧)在MRI扫描器受试者的脑。重复扫描的4-8倍,以增加信噪比。
  5. 集参数的EPI顺序如下:TR = 2秒,TE = 40毫秒,矩阵尺寸= 64×64,28片,体素大小= 3×3×3mm的3,翻转角= 90°,或者,应用序列以更高的分辨率( 克,2×2×2mm的3)或一短TR( 例如 ,1-1.5秒)仅覆盖视觉皮层2。
  6. 追踪眼球运动过程中与扫描功能的眼球追踪系统,以确保固定的保持在固定点的1-1.5度。
    注意:在此,头部的坐标基于眼球追踪在目镜系统中被使用,但其它合适的眼球追踪系统可以用来代替。
  7. 指导受试者注视在步骤1.3.2中产生的屏幕中心的位置。为了确保受试者的行了吧,指导他们报告固定点的色彩变化。
  8. 获得解剖扫描,在1×1×1毫米3分辨率( 例如 ,T1-MPRAGE; TR = 1900毫秒,TE = 2.26毫秒,TI = 900毫秒,翻转角= 11°,176分区)。
    注意:这些解剖扫描将用于分割以及用于内和跨扫描对准功能图像的解剖结构。对于功能之间进行更好的调整人(EPI)的图像和解剖,还获得面内解剖扫描,具有对EPI的分辨率相同,使用T1加权快速扰梯度回波(SPGR)序列1。

2.数据预处理

注意:在此之前推定PRF性能,需要几个典型的fMRI数据前处理步骤,如头部运动校正和功能的卷的解剖扫描对准。在这篇文章中,得到的结果都预处理,估计,分析和表达所使用的开放源码基于MATLAB软件工具箱VISTA LAB可在VISTA软件的网站进行。 http://white.stanford.edu/newlm/index.php/Main_Page。

  1. 加载解剖扫描到MATLAB和使用称为createVolAnat功能准备卷解剖。
  2. 段灰质,白质和CSF使用功能“ItkGray”。
  3. 通过转换DICOM准备功能的数据( 即标准的功能性磁共振成像文件格式)文件,并加载数据到VISTA。
  4. 正确的头部运动和调整功能图像使用rxAlign基于仿射矩阵变换步骤2.1加载的解剖。
  5. 平均官能运动校正的扫描用于改善信噪比通过点击mrVISTA分析时间序列的平均TSERIES。从平均扫描期间,眼球运动,从固定偏差超过1-1.5度排除。如果从不同的运行信号具有不同的直流漂移,去除直流漂移后平均官能扫描。
  6. 计算功能扫描和灰质的贴图坐标,并通过选择以下菜单识别功能的扫描相应的灰质体素:mrVISTA窗口打开灰三视图窗口。在灰质像素插值​​分配BOLD信号,选择的选项之一vailable在mrVISTA。

3.估计PRF地形和参数化建模

  1. 通过下面的链接下载的代码文件:https://sites.google.com/site/leesangkyun/prf/codes.zip,解压压缩文件并将其放置在本地计算机的首选地点。添加在MATLAB的文件夹的路径。
  2. 设置通过选择以下菜单用于实验的刺激参数:mrVISTA分析初级视模式设置参数。指定以下参数,如刺激图象,刺激大小,典型的血液动力学功能,功能磁共振成像扫描仪的帧速率。
  3. 在此之前的PRF的估计,准备初始参数集( 图1B)。
    1. 从代码文件设置的交叉验证集“tprf_set_params.m”。除法时间序列划分成至少两个子集(一组用于测试和训练剩余集)是足够长的条来SWEEP整个刺激的空间。可替代地,如果没有在步骤2.4平均扫描,通过省去一次扫描进行检测,并使用剩余的扫描训练验证扫描。
    2. 设置一个粗参数集(λ在图1中;λ= [10 -2 10 -1 1 10 1 10 2])中的“tprf_set_params.m”。然后,树立了良好的规模范围([0.1 0.3 0.5 0.7 0.9 1 3 5 7 9])在“tprf_set_params.m”。
      注:本方案采用粗集选择导致最高解释方差的λ。然后,程序搜索使用精细尺度范围围绕所选λ的空间,进一步细化λ的产生最高解释方差选择。
    3. 对于在“tprf_set_params.m”视觉响应的体素设定解释方差的阈值(0.2)。
      注意:此阈值被用作用于选择的视觉响应的体素基准。另外,作出投资回报率的非视觉响应区( 例如 ,通过绘制一个球体为1厘米的非视觉响应脑区域的半径),其中所述阈值可以自动计算。
    4. 设置一组阈值([0.3,0.5,0.7]),用于限定PRF中心区域中的归一化地形“tprf_set_params.m”( ,[0-1]或[-1至1]与历元无杆刺激在步骤1.3.1)。
      注意:从设定的阈值的规定的程序选择“最好”的阈值, 也就是说 ,它定义为其中PRF中心模型解释了最大信号方差一个PRF中心区域的阈值。另外,选择不同的设置根据地形特点的阈值。
  4. 执行“tprf_runpRFest.m”计算PRF形貌( 图1)和适合的2D各向异性高斯。指定在本协议中所描述的所有参数后,和运行代码,得到最终的估计结果。

图1
图1:PRF估计处理。 (A)的过程示意图遵循PRF地形估计H(T):血流动力学响应函数,A(T):刺激,M:PRF,注册:L2范数正规化(B)的具体步骤PRF地形估计和PRF中心模型。集所需的估计参数中列出的每个步骤。地形和模型的一维节中说明。在“模型拟合”,黑色和红色的曲线代表了地形和0.5,分别为中心的阈值PRF中心模式。蓝色虚线表示的PRF阈值中部地区。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

准确的PRF建模需要正确捕捉PRF形状。不知道PRF地形,圆对称模型之前的研究1,9-11使用的选择是合理的选择。这是因为,如果本地初级视组织具有同样的视场的所有方向中,当地居民的反应可以表示为神经元响应一个圆对称的累积总和。然而,我们的观察表明,这不是必须的情况下( 图2)。因此,观察PRF地形的可用于一个PRF模型选择一个适当的参数函数的关键。这就是PRF地形的优点,所以地形为基础的模型优于直接配合各向同性高斯模型在PRF中心建模,导致通常在更高的解释方差( 2;见Lee 2与其他额外的比较型号)。这些实施例说明推定PRF地形拟合模型之前的优点。

图2
图2:PRF中心模型PRF地形估计和合适的例子(A)典型的PRF地形。在地形,红色表示最敏感区域,这说明PRF中心趴在右侧中间水平子午线。在PRF地形,整个PRF中心结构栏模式,低重量有时也观察到。这涉及一个事实,即沿着杆孔穿过PRF中心的区域也同时刺激与PRF中心。因为他们太容易了阈值,消除了(B)以前的方法比较(DIG;直接配合各向同性高斯)1和地形为基础的PRF中心MODEL(T-模型)。解释方差的百分比对应示出每个模型上方。 T-模型显示高于一切的例子解释变异,更准确PRF形状捕获。见Lee 等人 2的更多细节和附加实施例。

其中一个重要的要求是,以确保所使用的功能磁共振成像范式提供了良好的retinotopy数据。然后该PRF地形方法可以用来估计初级视偏心和方位的地图( 图3)。这些地图显示出类似的基本初级视建筑为以前的方法1,4-7,但他们更准确,因为观察PRF地形使我们能够更好地环绕,并从潜在的噪音或假象遥远的PRF中心分开PRF中心。此,除其他外,导致更好的估计的初级视图在高偏心率的(观察到的差异的详细说明可以在Lee 等人发现的。2)

图3
图3:初级视图和PRF大小在受试者的左半球(A)的偏心和极角的地图。 CS表示距状沟。在图A的右侧面板中,黑色圆圈表示感兴趣区域的(ROI)从他们的PRF的体素图4所示的措施。PRF大小和偏心之间(B)的关系。与偏心距的大小PRF增加了视觉区域V1-3。该地块是由(A)画。

地形系模型(T-模型)方法可用于估计各种PRF性能如PRF尺寸,延伸率,方向和环绕有效抑制,而无需测试许多不同的参数化模型。为了帮助这些财产的可视化,一个MATLAB功能(tprf_plotpRF.m)被提供,描绘PRF地形,相应PRF中心模型,并且其配合到原始的BOLD信号( 图4)。请注意,在某些情况下,PRF性能也可以直接从地形估计,省去了PRF建模。

图4
图4:在MATLAB工具箱由作者开发的示范 。该图显示由用户选择的体素的PRF地形和对应PRF模型拟合。图示的体素是从图3A所示的ROI所选原料 :实际BOLD响应, 预计值T:预测与PRF地形, 预测的程序M:预测与PRF中心的参数模型。1fig4highres.jpg“目标=”_空白“>点击此处查看该图的放大版本。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

本文演示了如何估计在人类视觉皮层以及如何使用它来选择感受野适当的参数化模型可视化人口感受野的地形。对于一个成功的retinotopy,一个适当的刺激方案和有效的分析方法,应选择,和被检者的实验参数(运动和固定)应该被优化。酒吧的刺激依次穿过视野运动是一种有效的刺激范式PRF估计,因为它产生区别于刺激的地点不同的BOLD响应。所提供的方法构建PRF地形。自PRF估计问题通常是根据确定的,一个称为岭回归3的数学工具用于执行稀疏对PRF重量溶液的合理限制。这正则化技术是非常有效的估计PRF模型时的若干意见(时间点的BOLD信号的s)比覆盖所述刺激的空间维度的像素的数目小很多。

此方法提供了PRF中心比以前的方法更鲁棒估计。有几个原因:1)它的第一区段从PRF地形PRF中央区域,然后配合适当的模型,从而避免了可能影响PRF模型潜在偏差适合在直接的模型( 环绕抑制或噪声伪 ​​影远离PRF中心)。 2)具有以检查地形目视给出一个机会来验证最终模型拟合揭露的系统误差的性能,以及3)以检测PRF结构可能否则未被发现的特征的可能性的能力。 4)通过限制安装的区域,这个模型是不太可能的PRF映射刺激呈现的边界内的错误比起直接拟合模型(参见图2B)。无theless,用户需要注意,该方法也有一个准确捕捉PRF形状接近刺激边界限制。这是由于这样的事实,即在边界附近的栏刺激激活属于体素的PRF中心通常会是刺激呈现区域以外的部分感受域。任何接受字段映射方法会受到这个问题,并显示在边境相对峰值,除非它能够完美的映射到整​​个感受野中心的一部分推断。话虽如此,我们的方法比直接拟合方法1,9,这往往显着高估到的PRF的摆靠近刺激呈现边界的中心的距离更精确的(见图Lee 的图5和6。2为更详细)。

如所讨论的,为了构建一个健壮的PRF地形取决于自由正则化参数,λ( 图1),它可以BË优化个体体素的单独,或作为所有体素的共同参数。正则化参数影响PRF地形通过调节接头(过拟合或欠嵌合)到数据的程度。另外小λ导致嘈杂PRF形貌( ,过拟合)相比,实际的PRF,大λ抑制视觉反应,从而导致更多的传播地形不是由实际PRF大小合理( ,根据拟合)。选择最佳的lambda是成功PRF估计是至关重要的。我们估计λ的在数据的不同子集,并使用交叉验证策略评估这些估计。这最大限度地减少在PRF地形估计的偏差。潜在的残余偏差都在PRF中心建模步骤,其中不同的地形的阈值进行了探索,以选择一个其导致最高解释方差进一步降低(参见Lee 等人,2)。

网络连接应受,提出了地形的方法在计算上是有效的。 PRF的估计地形对所有体素,包括寻求最优正则化参数λ,在PC环境只需要几分钟的时间。视觉识别的体素反应迟钝,在这一步从PRF-中心建模的计算量大步排除它们,进一步提高工作效率。也许更重要的是,研究人员不再需要测试多个不同的PRF模式,以找到一个非常适合,因为它们可以在由PRF地形选择合适的模型来指导。

在这个协议证明了该方法测量人口感受野的地形,并用它来指导人口感受野模型。这种方法减少了出现在人群的直接感受野映射方法偏差,导致更强大和准确的PRF估计。它也最大限度地减少系统误差,使我们能够学习的功能器官化视觉皮层具有更高的灵敏度的。它特别适用于对受试者的视觉通路的病变的情况下,在其中PRF结构可能不容易预见的先验。

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/

DOWNLOAD MATERIALS LIST

References

  1. Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
  2. 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).
  3. Hastie, T., Tibshirani, R., Friedman, J. H. The elements of statistical learning : data mining, inference, and prediction. 2nd edn, Springer. (2009).
  4. Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
  5. 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).
  6. Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525 (1994).
  7. 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).
  8. 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).
  9. Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. (2012).
  10. 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).
  11. Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686 (2012).
人口视觉感受野由功能磁共振成像地形估计
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Lee, S., Papanikolaou, A., Keliris, G. A., Smirnakis, S. M. Topographical Estimation of Visual Population Receptive Fields by fMRI. J. Vis. Exp. (96), e51811, doi:10.3791/51811 (2015).More

Lee, S., Papanikolaou, A., Keliris, G. A., Smirnakis, S. M. Topographical Estimation of Visual Population Receptive Fields by fMRI. J. Vis. Exp. (96), e51811, doi:10.3791/51811 (2015).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter