Waiting
Login processing...

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

Behavior

Topografisk Estimering af Visual Befolkning Receptiv Fields ved fMRI

doi: 10.3791/51811 Published: February 3, 2015

Abstract

Visuelle cortex er retinotopically organiseret, så de omkringliggende populationer af celler kort til de omkringliggende dele af synsfeltet. Funktionel magnetisk resonans tillader os at estimere voxel-baserede population receptive felter (PRF), dvs. den del af synsfeltet, der aktiverer cellerne inden for hver voxel. Prior, direkte, PRF estimationsmetoder 1 lider visse begrænsninger: 1) PRF model der vælges en-priori og kan ikke helt fange den faktiske PRF form, og 2) PRF centre er tilbøjelige til mislocalization nær grænsen af stimulus plads. Her en ny topografisk PRF estimationsmetode 2 foreslås, at stort set omgår disse begrænsninger. En lineær model anvendes til at forudsige Blood oxygenniveau-afhængig (fed) signal ved foldning af den lineære reaktion af PRF til den visuelle stimulus med den kanoniske hæmodynamiske respons funktion. PRF topografi er repræsenteret som en vægtvektor hvis komponenter repræsenterer strength af det samlede respons voxel neuroner på stimuli præsenteret på forskellige visuelle felt lokationer. De resulterende lineære ligninger kan løses for PRF vægtvektor hjælp højderyg regression 3, hvilket gav PRF topografi. En PRF model, der er tilpasset den estimerede topografi kan derefter vælges post-hoc og dermed forbedre estimaterne PRF parametre som PRF-center placering, PRF orientering, størrelse mv. At have PRF topografi rådighed tillader også den visuelle kontrol af PRF parameterestimater tillader udvinding af forskellige PRF egenskaber uden at skulle foretage en-priori antagelser om PRF struktur. Denne fremgangsmåde lover at være særligt nyttige til at undersøge PRF organisation af patienter med sygdomme i det visuelle system.

Introduction

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

Funktionel magnetisk resonans-billeddannelse (fMRI) måler ikke-invasivt den funktionelle organisering af visuelle cortex på en makroskopisk skala (typisk af størrelsesordenen millimeter). Tidlige fMRI retinotopy undersøgelser brugte en sammenhæng foranstaltning mellem stimulus placering og fremkaldte BOLD respons 4-7. Disse undersøgelser typisk ikke estimere befolkningen modtagelig markstørrelse. Senere Dumoulin og Wandell 1 foreslået en metode til at overvinde en sådan begrænsning ved eksplicit modellere PRF placering og størrelse ved hjælp af en lineær funktion af denne model til at forudsige BOLD respons. , En begrænsning af denne banebrydende metode er imidlertid, at den parametriske PRF model skal vælges a-priori, og kan føre til fejlagtige PRF anslår hvis det viser sig ikke at være hensigtsmæssige.

For at overvinde begrænsningerne i den parametriske PRF-model metoden, er der blevet udviklet nye metoder for nylig. Disse metoder direkte forudsige BOLD reaktion på stimulus ved at rekonstruere PRF topografi. En metode 8 foreslået af Greene og kolleger rekonstruerer PRF topografi ved back-projicere Fed svar på de enkelte 1D stimulus rum og opbygge PRF topografi i 2D stimulus plads som en typisk computer tomografi teknik. På den anden side, hvilken fremgangsmåde 2 foreslået os direkte anslår 2D PRF topografi ved anvendelse af lineær regression og anvende en regulering teknik. Ved denne fremgangsmåde er PRF topografi repræsenteret som et sæt af vægte, som multipliceres med stimulus til at estimere den neuronale population reaktion af en given voxel. Derefter den endelige Blood Oxygen Level-afhængig (fed) reaktion fremkaldt af stimulus estimeret ved foldning af neuronal befolkning respons og den kanoniske hæmodynamiske respons funktion. For at løse den under-begrænset lineært system, derudover er ridge regression legalisering anvendes til at håndhæve tyndt (se figur 1nedenfor). Reguleringen teknik undertrykker støj og artefakter og dermed gør det muligt for vores metode til at estimere PRF topografi mere håndfast.

De topografiske metoder ikke tvinge PRF form til at have en vis parametrisk form, og derfor kan afdække de faktiske PRF struktur. En passende parametrisk model kan derefter vælges baseret på PRF topografi. For eksempel kan PRF topografi anvendes til at separere PRF center og surround, og derefter efterfølgende PRF center modellering kan være mere præcis ved at minimere indflydelsen af ​​surround undertrykkelse samt indflydelsen af ​​andre potentielle artefakter, der opstår i områder fjernt fra den PRF center. Vi har for nylig foretaget en kvantitativ sammenligning mellem vores metode og flere andre metoder, der direkte (dvs. før estimere topografi) fit isotropisk Gauss 1, anisotropisk Gauss, og forskel på isotrope Gaussians til PRF 9. Det blev konstateret, at topography-baserede metode udkonkurrerede disse metoder med hensyn til PRF center modellering ved at opnå højere forklarede varians af serie BOLD signal tid.

Præcis vurdering af PRF ejendomme i forskellige områder afslører, hvordan de dækker synsfeltet og er vigtig for at undersøge den funktionelle organisering af den visuelle cortex især da det vedrører visuel perception. Egenskaber som hvordan PRF størrelse ændringer med excentricitet 1,10 og PRF center surround organisation 9 er godt undersøgt i den menneskelige litteratur. Den foreslåede metode til estimering PRF topografi giver mere præcise PRF parameter modellering og er mere tilbøjelige til at afsløre ukendte lovmæssigheder, ikke let modelleret en-priori i den direkte parametriske modeller. Denne fremgangsmåde vil være særlig velegnet til at studere PRF organisation hos patienter med visuelle pathway læsioner, for hvem PRF struktur ikke nødvendigvis forudsigelig a-priori. Nedenfor beskrives, hvordan man anslå the PRF topografi og hvordan du bruger topografien at modellere PRF centrum.

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. Data Acquisition

  1. Forbered en stimulus protokol, der er effektiv til at fremkalde en pålidelig retinotopisk visuel reaktion som tidligere beskrevet i Dumoulin og Wandell 1 og Lee et al. 2. Men andre veletablerede paradigmer gælder også afhængig af den specifikke eksperimentelle spørgsmål, der skal løses.
  2. Nuværende bar stimuli drivende hen over skærmen sekventielt langs 8 retninger af rummet, i trin på 45 grader. Sørg for, at bevægelsen er synkront med scanner ramme erhvervelse (TR ~ 2 sek), så linjen flytter et trin, så snart en fMRI frame starter og forbliver på den nye placering, indtil rammen slutter.
  3. For at måle en korrekt baseline signal, tilføjer epoker uden bar stimulation 1.
    1. Definer et synsfelt (10 til 15 ° radius) i visuel vinkel over hvilken stimulus præsenteres. Nuværende bevægelse eller flimrende skakternede mønstre (checker size = 0,94 x 0,94 grader 2, pattern opdateringshastighed = 250 ms / mønster) i baren for at fremkalde stærke visuelle reaktioner.
    2. Input følgende specifikke parametre: 8 jævnt fordelte retninger af bevægelse, bar bredde lig med 1,875 grader, og barer flytter med halvdelen af ​​den bar bredde pr frame (2 sek). Yderligere detaljer kan findes i Lee et al. 2.
    3. Generer en plet (~ 0,25 °) i midten af ​​skærmen, hvor motivets øjne fiksere under eksperimentet. Ændre farve på stedet tilfældigt i tid.
  4. Scan hjernen hos en genstand i en MR-scanner ved hjælp af en typisk ekko-planar-imaging (EPI) scanning, der har 192 frames varighed (24 billeder i hver retning af bevægelse). Gentag scanninger 4-8 gange for at øge signal-støj-forholdet.
  5. Indstil parametrene for EPI-sekvensen som følger: TR = 2 sek, TE = 40 ms, matrix size = 64 x 64, 28 skiver, voxel size = 3 x 3 x 3 mm 3, flipvinkel = 90 ° alternativt anmode sekvenser med en finere opløsning (e.g., 2 x 2 x 2 mm 3) eller et kort TR (fx 1-1,5 sek), der kun dækker den visuelle cortex 2.
  6. Track øjenbevægelser med et eyetracker systemet under funktionelle scanninger for at sikre fiksering opretholdes til inden 1-1,5 ° af fiksering point.
    BEMÆRK: Her er et hoved-koordinat baseret eyetracker i en goggle anvendte, men andre egnede eyetracker systemer kan anvendes i stedet.
  7. Instruer de emner til at fiksere det sted på skærmen center genereret i trin 1.3.2. For at sikre de emner er fiksering, instruere dem til at indberette omslagene med optagelsen stedet.
  8. Opnå anatomiske scanninger på 1 x 1 x 1 mm 3 opløsning (f.eks T1-MPRAGE; TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, flipvinkel = 9 °, 176 partitioner).
    BEMÆRK: Disse anatomiske scanninger vil blive anvendt til segmentering samt til indretning af funktionelle billeder til anatomien både inden for og på tværs af scanninger. For bedre tilpasning mellem funktional (EPI) billeder og anatomi, få også en inplane anatomi scanning, med opløsning identisk med EPI, ved hjælp af T1-vægtet hurtigt forkælet gradient ekko (SPGR) sekvens 1.

2. Data, Pre-behandling

BEMÆRK: Før estimering PRF egenskaber, er der behov for flere typiske fMRI data forbehandling trin, såsom hoved bevægelse korrektion og tilpasning af funktionelle mængder til den anatomiske scanning. I denne artikel er alle forbehandling, estimering, analyse og præsentation af opnåede resultater udført under anvendelse af open source MATLAB-baseret software værktøjskasse VISTA LAB rådighed på VISTA software site. http://white.stanford.edu/newlm/index.php/Main_Page.

  1. Læg det anatomiske scanning i MATLAB og forberede et volumen anatomi ved hjælp af en funktion kaldet createVolAnat.
  2. Segment grå materie, hvide substans, og CSF ved hjælp af funktionen "ItkGray".
  3. Forbered funktionelle data ved at konvertere DICOM (dvs. (dvs. standard funktionel MRI filformat) filer, og indlæse data i VISTA ved hjælp af en funktion kaldet mrInit.
  4. Korrekt hoved-motion og tilpasse funktionelle billeder til den er lagt i trin 2.1 ved hjælp rxAlign baseret på en affin matrix transformation anatomi.
  5. Gennemsnitlige funktionelle motion-korrigerede scanninger til forbedring signal-støj-forhold ved at klikke mrVISTA Analyse Timeseries Gennemsnitlig tSeries. Udeluk fra gennemsnit scanninger hvorunder øjenbevægelser afviger fra fiksering mere end 1-1,5 °. Hvis signalerne fra forskellige kørsler har forskellige DC-driver, gennemsnitlige funktionelle scanninger efter fjernelse af DC-driver.
  6. Beregn mapping koordinater mellem funktionelle scanninger og grå stof og identificere tilsvarende Gray-stof voxel i de funktionelle scanninger ved at vælge følgende menuer: mrVISTA vindue Åbn Gray 3-View Window. Tildel BOLD signaler i den grå substans voxels ved interpolation, at vælge en af ​​mulighederne envailable i mrVISTA.

3. Estimering af PRF Topografi og Parametric Modeling

  1. Hente koden filer via følgende link: https://sites.google.com/site/leesangkyun/prf/codes.zip, udpakke den komprimerede fil og placere dem i en foretrukken placering af den lokale computer. Tilføj stien til den mappe i Matlab.
  2. Indstil de stimulerende parametre i forsøget ved at vælge følgende menuer: mrVISTA Analyse retinotopisk modellen parametre. Angiv følgende parametre som stimulus billeder, stimulus størrelse, den kanoniske hæmodynamiske funktion, frame rate af fMRI scanner.
  3. Forud for PRF estimation forberede de indledende parametersæt (figur 1b).
    1. Indstil krydsvalidering sætter ind "tprf_set_params.m" fra kode filer. Opdel Timeseries i mindst to delmængder (et sæt til test, og de resterende sæt til uddannelse), som er lange nok til baren for at Sweep hele stimulus plads. Alternativt uden gennemsnit scanninger i trin 2.4, validere scanninger ved at udelade en scanning for afprøvning og anvendelse af de resterende scanninger til træning.
    2. Indstil en grov parametersæt (λ i figur 1, λ = [10 -2 10 -1 1 10 1 10 2]) i "tprf_set_params.m". Sæt derefter en fin skala interval ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) i "tprf_set_params.m".
      BEMÆRK: Programmet bruger den grove indstillet til at vælge λ resulterer i den højeste forklaret varians. Derefter søger programmet rummet omkring den valgte λ hjælp af fine skala rækkevidde, yderligere raffinering valg af λ, der giver den højeste forklarede varians.
    3. Sæt en tærskel (0,2) i den forklarede varians for visuelt responsive voxler i "tprf_set_params.m".
      BEMÆRK: Denne tærskel anvendes som reference for udvælgelsen af ​​visuelt responsive voxel. Alternativt gøre enROI for en ikke-visuelt lydhør region (f.eks ved at tegne en kugle med en radius på 1 cm i en ikke-visuelt lydhør hjerne område), hvor tærsklen kan beregnes automatisk.
    4. Indstil et sæt af tærskelværdier ([0,3, 0,5, 0,7]) for at definere PRF midterområdet i den normaliserede topografi "tprf_set_params.m" (dvs. [0-1] eller [-1 til 1] epoker uden bar stimulation i trin 1.3.1).
      BEMÆRK: Fra sæt af tærskelværdier programmet billede vælger den "bedste" tærskel, dvs. den tærskel, der definerer en PRF central region, for hvilken PRF center model forklarer den største signal varians. Du kan også vælge et andet sæt af tærskelværdier afhængig af de karakteristika topografi.
  4. Udfør "tprf_runpRFest.m" beregne PRF topografi (figur 1) og montere en 2D anisotropisk Gauss. Når du har angivet alle parametre, der er beskrevet i denne protokol, ogkører koden, får de endelige estimering resultater.

Figur 1
Figur 1: PRF estimation proces. (A) Skematisk illustration af processen følges for PRF topografi estimering h (t):. Hæmodynamiske respons funktion, A (t): stimulus, m: PRF, Reg:. L2-normen legalisering (B) Specifikke etaper for PRF topografi estimering og PRF center modellering. Sættet af parametre, der kræves for estimater er angivet i hvert trin. En endimensional sektion af topografi og sin model er illustreret. Under "Model Montering", sorte og røde kurver repræsenterer topografi og dens PRF center model med et center tærskel på 0,5 hhv. Den blå stiplede linje indikerer en tærskel for PRFmidterområde.

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

Nøjagtig PRF modellering kræver indfange PRF figurer korrekt. Uden at vide det PRF topografi, udvælgelse af cirkulært symmetrisk modeller anvendt i tidligere undersøgelser 1,9-11 er et rimeligt valg. Dette skyldes, hvis det lokale retinotopisk organisation er homogen i alle retninger af synsfeltet, kan en lokal befolkning reaktion repræsenteres som en cirkulært symmetrisk kumulativ aggregat af neuronale reaktioner. Men vores observationer viser, at dette ikke nødvendigvis er tilfældet (figur 2). Derfor kan observation af PRF topografi være kritisk for at vælge en passende parametrisk funktion for en PRF model. Dette er en fordel ved PRF topografi, og så topografien-baserede modeller udkonkurrerer de direkte-fit isotrope Gauss modeller i PRF center modellering, hvilket resulterer typisk i højere forklarede varians (Figur 2, jf. Lee et al 2 for yderligere sammenligninger med andre modeller). Disse eksempler viser fordelen ved estimering af PRF topografi før Modeltilpasnings.

Figur 2
Figur 2: Eksempler på PRF topografi estimering og pasform PRF center modeller (A) En typisk PRF topografi.. I topografi, røde farve viser det mest lydhøre område, som viser PRF center liggende på den midterste højre horisontale meridian. I PRF topografi, der bar mønstre på tværs af PRF centerstruktur med lave vægte også nogle gange observeret. Dette vedrører den kendsgerning, at området langs linjen åbning passerer gennem PRF centret også stimuleres samtidigt med PRF centrum. . De er let fjernes i tærskelværdiansættelse trin (B) Sammenligning mellem en tidligere metode (DIG, direkte-fit isotrope Gauss) 1 og topografi baseret PRF center model (T-model). Den tilsvarende procent af forklaret varians vises over hver model. T-modeller viser højere forklaret varians i alle eksempler, med mere præcise PRF form capture. Se Lee et al. 2 for flere detaljer og yderligere eksempler.

Et vigtigt krav er at sikre, at fMRI paradigme anvendte giver gode retinotopy data. Derefter kan anvendes PRF topografi metode til at estimere retinotopisk excentricitet og azimut kort (figur 3). Disse kort viser samme grundlæggende retinotopisk arkitektur som tidligere metoder 1,4-7, men de er mere nøjagtige, da observation af PRF topografi giver os mulighed for bedre at adskille PRF centrum fra surround og fra potentielle støj eller artefakter fjernt til PRF centrum. Dette blandt andet resulterer i en bedre vurdering af de retinotopisk kort ved høje særheder (en detaljeret redegørelse for de observerede forskelle kan findes i Lee et al. 2).

Figur 3
Figur 3: retinotopisk kort og PRF størrelse (A) excentricitet og polære vinkel kort i venstre hjernehalvdel af et emne.. CS indikerer calcarine sulcus. I det højre panel i figur A, den sorte cirkel angiver en region af interesse (ROI), hvorfra voxel hvis PRF er illustreret i figur 4 er taget. (B) Relationer mellem PRF størrelse og excentricitet. PRF størrelse stiger med excentricitet i visuelle områder V1-3. Dette plot er hentet fra (A).

Kan bruges Topografien-baserede model (T-model) metode til at estimere forskellige PRF egenskaber såsom PRF størrelse, forlængelse, retning og surround undertrykkelse effektivt, uden at skulle teste mange forskellige parametriske modeller. For at hjælpe visualisering af sådanne egenskaber, en MATLAB funktion (tprf_plotpRF.m) er tilvejebragt, der plotter PRF topografi, svarende PRF center model og deres tilpasning til rå BOLD signal (figur 4). Bemærk, at i visse tilfælde også kan estimeres PRF egenskaber direkte fra topografi, hvilket eliminerer behovet for PRF modellering.

Figur 4
Figur 4: Demonstration af MATLAB værktøjskasse udviklet af forfatterne. Dette plot viser PRF topografi og tilsvarende PRF model fit af en voxel udvalgt af en bruger. Den illustrerede voxel blev valgt fra ROI vist i figur 3A rå:. Faktiske BOLD respons Pred t: forudsigelse med PRF topografi, pred m: forudsigelse med PRF center parametrisk model.1fig4highres.jpg "target =" _ blank "> Klik her for at se en større udgave af dette tal.

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

Denne artikel viser, hvordan man kan anslå topografi visuelle population receptive felter i menneskets visuelle cortex, og hvordan man bruger det til at vælge en passende parametrisk model for modtagelig område. For en succesfuld retinotopy, skal vælges en passende stimulation protokol og en effektiv analysemetode, og fagets eksperimentelle parametre (motion og fiksering) bør optimeres. Bar stimuli flytter sekventielt på tværs af synsfeltet er en effektiv stimulus paradigme for PRF vurdering, da det genererer forskellige BOLD svar fra forskellige stimulus lokationer. Den fremgangsmåde konstruerer PRF topografi. Eftersom problemet med PRF estimering er generelt under-bestemt, er en matematisk værktøj kaldet højderyg regression 3 anvendes til at håndhæve rimelig begrænsning af tyndt på PRF vægt løsning. Denne regulering teknik er meget effektiv til at estimere PRF-modellen, når antallet af observationer (tidspunkts af BOLD signal) er betydeligt mindre end antallet af pixels, der dækker den rumlige dimension af stimulus.

Denne fremgangsmåde giver mere robust estimering af PRF midten end tidligere metoder. Der er flere grunde til dette: 1) Det første segmenter PRF centrale region fra PRF topografi og derefter passer en passende model, så man undgår potentielle bias, der kan påvirke PRF model passer direkte modeller (dvs. surround undertrykkelse eller støj artefakter langt fra PRF center). 2) at have evnen til at inspicere topografien visuelt giver én mulighed for at validere resultaterne af den endelige model fit afdække systematiske fejl, samt 3) mulighed for at detektere træk PRF struktur, der ellers kan gå uopdaget. 4) Ved at begrænse montering område, er mindre tilbøjelige til at kortlægge PRF inde grænsen stimulus præsentation forkert i forhold til direkte fit modeller (se figur 2B) denne model. Ingendesto mindre, en bruger behøver at være opmærksom på, at den foreslåede metode har også begrænsninger for præcist at indfange PRF form nær stimulus grænse. Dette skyldes det faktum, at nær grænsen bar stimuli aktivere partielle modtagelige marker, der tilhører voxels, hvis PRF center normalt ville være uden stimulus præsentation region. Enhver modtagelig felt mapping metode ville være omfattet af dette problem og en relativ spids ved grænsen, medmindre det helt kan ekstrapolere fra den del af det receptive felt center, der er knyttet til det hele. Når det er sagt, vores metode er mere præcis end direkte montering metoder 1,9, som har tendens til markant overvurdere afstanden til midten af PRF'er der ligger i nærheden af stimulus præsentation grænsen (se figur 5 og 6 af Lee et al. 2 for flere detaljer).

Som diskuteret, at konstruere en robust PRF topografi afhænger fri regulariseringsparameteren, λ (figur 1), som kan be optimeres separat individuelle voxels, eller som en fælles parameter i alle voxel. Reguleringen parameter påvirker PRF topografi ved at justere omfanget af montering (over-montering eller under-montering) til dataene. Mens en lille λ medfører støjende PRF topografi (dvs. over-montering) sammenlignet med den faktiske PRF, et stort λ undertrykker visuelle svarene og dermed resultere i flere spread topografi end begrundet i faktiske PRF størrelse (dvs. under-montering). Udvælgelse af den optimale lambda er afgørende for en vellykket PRF estimering. Vi skønnede λ er i forskellige delgrupper i data og evalueret disse skøn ved hjælp af en krydsvalidering strategi. Dette minimerer skævheder i PRF topografi skøn. Potentielle resterende bias reduceres yderligere i PRF center modellering trin, hvor forskellige topografi tærskler udforskes for at vælge en, der resulterer i den højeste forklaret varians (se Lee et al. 2).

Fiendeligt, topografi foreslåede fremgangsmåde er beregningsmæssigt effektiv. Skønnet over PRF topografi for alle voxel, herunder at finde den optimale regulariseringsparameteren λ, tager kun et par minutter i en pc-miljø. Identifikation visuelt reagerer voxler på dette trin udelukker dem fra den mere beregningsmæssigt krævende trin i PRF-center modellering, yderligere forbedring af effektiviteten. Måske endnu vigtigere, efterforskere ikke længere behøver at teste flere forskellige PRF-modeller for at finde en, der passer godt, da de kan blive vejledt i at vælge den relevante model af PRF topografi.

Metoden demonstreret i denne protokol population modtagelig felt topografi og bruger den til at guide befolkningen modtagelig felt modellering. Denne fremgangsmåde reducerer bias til stede i direkte population receptive felt kortlægningsmetoder, hvilket resulterer i mere robuste og præcise PRF skøn. Det minimerer også systematiske fejl og giver os mulighed for at studere den funktionelle orgelization af den visuelle cortex med højere følsomhed. Det er især anvendelig i tilfælde af personer med læsioner af de visuelle veje, i hvem PRF struktur ikke kan være let a-priori at forudse.

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).
Topografisk Estimering af Visual Befolkning Receptiv Fields ved fMRI
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