Waiting
Login processing...

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

Behavior

Topografische Schatting van Visual Bevolking receptieve velden van fMRI

doi: 10.3791/51811 Published: February 3, 2015

Abstract

Visuele cortex wordt retinotopically georganiseerd zodat naburige populaties van cellen in kaart te aangrenzende delen van het gezichtsveld. Functionele magnetische resonantie beeldvorming kunnen we voxel gebaseerde populatie receptieve velden (pRF), dwz schatten, het deel van het gezichtsveld dat de cellen activeert binnen elke voxel. Prior, directe, pRF schattingsmethoden 1 last van bepaalde beperkingen: 1) de pRF model wordt gekozen a-priori en kunnen niet de werkelijke pRF vorm volledig vast te leggen, en 2) pRF centra zijn gevoelig voor mislocalisatie nabij de grens van de stimulus ruimte. Hier een nieuwe topografische pRF schattingsmethode 2 wordt voorgesteld dat grotendeels omzeilt deze beperkingen. Een lineair model wordt gebruikt om het bloed zuurstof niveau-afhankelijke (BOLD) signaal voorspellen convolueren de lineaire respons van de pRF de visuele stimulus met de canonieke hemodynamische respons functie. PRF topografie wordt weergegeven in gewichtsprocent vector waarvan de componenten vertegenwoordigen de strength van de gecombineerde respons van de voxel neuronen op stimuli gepresenteerd op verschillende gezichtsveld locaties. De resulterende lineaire vergelijkingen kunnen worden opgelost voor de pRF gewicht vector behulp golfregressie 3, waardoor de pRF topografie. Een pRF model past bij de geschatte topografie kan dan gekozen post-hoc, waardoor de ramingen van pRF parameters zoals pRF positie midden pRF, formaat, enz verbeteren. Met de pRF topografie beschikbaar maakt ook visuele verificatie van pRF parameterschattingen waardoor de extractie van verschillende pRF eigenschappen zonder a-priori aannames over pRF structuur maken. Deze benadering belooft bijzonder nuttig voor het onderzoeken van de pRF organisatie van patiënten met aandoeningen van het visuele systeem.

Introduction

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

Functionele magnetische resonantie imaging (fMRI) meet niet-invasieve manier de functionele organisatie van de visuele cortex op macroscopische schaal (typisch in de orde van millimeters). Vroege fMRI Retinotopie studies gebruikten een samenhang maatregel tussen stimulus locatie en ontlokte BOLD reacties 4-7. Deze studies meestal geen schatting van de bevolking receptieve veld grootte. Later, Dumoulin en Wandell 1 een werkwijze voorgesteld om een dergelijke ondervangen door expliciet modelleren pRF locatie en grootte, met een lineaire functie van dit model voor de BOLD respons te voorspellen. Echter, een beperking van deze baanbrekende methode is dat de parametrische pRF model heeft a-priori te worden gekozen, en kan leiden tot foutieve pRF schat als blijkt niet juist te zijn.

De beperkingen van de parametrische pRF-model methode te overwinnen, zijn er nieuwe methoden zijn recent ontwikkeld. Deze methoden de BOLD reactie op de s direct te voorspellentimulus door het reconstrueren van het pRF topografie. Een methode 8 door Greene en collega's voorgesteld reconstrueert de pRF topografie door back-het projecteren van de BOLD reacties op de individuele 1D stimulans ruimtes en de bouw van de pRF topografie in de 2D-stimulus ruimte als een typische computer tomografie techniek. Aan de andere kant, het door ons voorgestelde methode 2 direct schat de 2D pRF topografie met lineaire regressie en toepassen van een regularisatie techniek. In deze werkwijze wordt de pRF topografie voorgesteld als een stel gewichten die wordt vermenigvuldigd met de stimulus van het neuronale populatie reactie van een bepaalde voxel schatten. Vervolgens wordt de definitieve Blood Oxygen Level-Dependent (BOLD) respons opgeroepen door de stimulus geschat door convolving de neuronale respons bevolking en de canonieke hemodynamische respons functie. Om de hieronder beperkte lineair systeem lossen daarnaast golfregressie regularisatie wordt gebruikt schaarsheid dwingen (zie figuur 1hieronder). De regularisatie techniek onderdrukt ruis en artefacten en dus laat onze methode om meer robuuste schatting van de pRF topografie.

De topografische methoden niet dwingen de pRF vorm aan een bepaalde parametrische vorm hebben, en daarom kunnen de werkelijke pRF structuur bloot te leggen. Een geschikte parametrisch model kan dan worden gekozen op basis van de pRF topografie. Bijvoorbeeld kan de pRF topografie worden gebruikt om het centrum pRF en surround scheiden en het daaropvolgende pRF centrum modellering kan nauwkeuriger worden door het minimaliseren van de invloed van surround suppressie en de invloed van andere potentiële artefacten afkomstig uit gebieden ver de pRF centrum. We hebben onlangs een kwantitatieve vergelijking tussen onze methode en een aantal andere methoden die direct (dwz vóór het schatten van de topografie) fit isotrope Gauss 1, anisotrope Gauss, en verschil van isotrope Gaussians aan de pRF 9. Gevonden werd dat de Topogr-aphy gebaseerde methode beter dan deze methoden met betrekking tot pRF centrum modelleren door het bereiken van een hogere verklaarde variantie van het BOLD signaal tijdreeksen.

Nauwkeurige schatting van pRF eigenschappen in verschillende gebieden zien hoe ze bestrijken het gezichtsveld en is belangrijk voor het onderzoek naar de functionele organisatie van de visuele cortex bijzonder als het gaat om visuele waarneming. Eigenschappen zoals hoe pRF grootte verandert met excentriciteit 1,10 en pRF centrum surround organisatie 9 goed worden bestudeerd in het menselijk literatuur. De voorgestelde werkwijze voor het schatten van de pRF topografie resultaten accuratere pRF parameter modellering en eerder onbekende regelmatigheden openbaren, niet gemakkelijk gemodelleerd a-priori in de directe parametrische modellen. Deze benadering zal bijzonder geschikt zijn voor het bestuderen pRF organisatie bij patiënten met gezichtsbaan lesies, waarvoor pRF structuur niet noodzakelijk a-priori voorspelbaar. Hieronder wordt beschreven hoe u e schattene pRF topografie en hoe de topografie te gebruiken om het model het centrum pRF.

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. Bereid een stimulus protocol dat effectief in het opwekken van een betrouwbare retinotopische visuele responsie zoals eerder beschreven in Dumoulin en Wandell 1 en Lee c.s. is. 2. Echter, andere gevestigde paradigma ook van toepassing afhankelijk van de specifieke experimentele vraag worden aangepakt.
  2. Present bar stimuli drijven over het scherm achtereenvolgens langs 8 richtingen van de ruimte, in stappen van 45 graden. Zorg ervoor dat de beweging is synchroon met scanner kader overname (TR ~ 2 sec), zodat de balk beweegt een stap eens een fMRI frame van start en blijft op de nieuwe locatie, totdat het frame eindigt.
  3. Om een correcte basislijn signaal te meten, tijdperken toe te voegen zonder bar stimulatie 1.
    1. Definieer een gezichtsveld (10 tot 15 ° omtrek) in visuele hoek waarover de stimulus wordt gepresenteerd. Aanwezig bewegende of flikkerende schaakbordpatronen (checker size = 0,94 x 0,94 deg 2, pattern update rate = 250 msec / patroon) in de bar om sterke visuele reacties uitlokken.
    2. Voer de volgende specifieke parameters: 8 gelijkmatig verdeelde richtingen van de beweging, bar breedte gelijk aan 1.875 graden, en bars verplaatsen door de helft van de bar breedte per frame (2 sec). Verdere details zijn te vinden in Lee et al. 2.
    3. Genereer een spot (~ 0,25 °) in het scherm centrum waarop de ogen van het onderwerp te fixeren tijdens het experiment. Verander de kleur van de spot willekeurig in de tijd.
  4. Scan de hersenen van een patiënt in een MRI-scanner met een typische echo-planar-beeldvorming (EPI) scan 192 frames duur (24 frames in elke rijrichting) heeft. Herhaal de scans 4-8 keer om signaal-ruisverhouding te verhogen.
  5. Ingestelde parameters voor de EPI volgorde als volgt: TR = 2 sec, TE = 40 msec, matrix size = 64 x 64, 28 plakjes, voxel size = 3 x 3 x 3 mm 3, flip hoek = 90 °, alternatief, gelden sequenties met een fijnere resolutie (e.G., 2 x 2 x 2 mm 3) of een korte TR (bijv 1-1.5 sec) die alleen het visuele cortex 2.
  6. Bewegingen spoor oog met een Eyetracker systeem tijdens functionele scans om fixatie te garanderen wordt gehandhaafd om binnen 1-1,5 ° van de fixatie punt.
    LET OP: Hier, een head-coördinaat op basis Eyetracker in een goggle systeem wordt gebruikt, maar andere geschikte Eyetracker systemen kunnen in plaats daarvan worden gebruikt.
  7. Instrueer de proefpersonen naar de plek op het scherm centrum gegenereerd in stap 1.3.2 fixeren. Om ervoor te zorgen de onderwerpen worden fixeren, instrueren hen om de kleurveranderingen van de fixatie spot melden.
  8. Verkrijgen anatomische scans, bij 1 x 1 x 1 mm 3 resolutie (bv T1-MPRAGE; TR = 1900 msec, TE = 2,26 msec, TI = 900 msec, flip hoek = 9 °, 176 partities).
    Opmerking: Deze anatomische scans zullen worden gebruikt voor segmentatie en voor het uitlijnen van de functionele beelden aan de anatomie binnen en tussen scans. Voor een betere afstemming tussen functieal (EPI) beelden en de anatomie, krijgen ook een vlak gelegen anatomie scan, met een resolutie gelijk aan het EPI, met behulp van T1-gewogen fast verwend gradiënt echo (SPGR) sequentie 1.

2. Gegevens Pre-processing

OPMERKING: Voorafgaand aan het schatten pRF eigenschappen, verschillende stappen typische fMRI data pre-processing nodig zijn, zoals het hoofd beweging correctie en uitlijning van functionele hoeveelheden tot de anatomische scan. In dit artikel, alle pre-processing, schatting, analyse en presentatie van de resultaten verkregen worden uitgevoerd met behulp van de open source MATLAB-gebaseerde software toolbox VISTA LAB beschikbaar op de Vista-software website. http://white.stanford.edu/newlm/index.php/Main_Page.

  1. Laad de anatomische scan in MATLAB en een volume anatomie te bereiden met behulp van een functie genaamd createVolAnat.
  2. Segment grijze stof, witte stof, en CSF met behulp van de functie "ItkGray".
  3. Bereid functionele gegevens door het omzetten van DICOM (dwz (dwz standaard functionele MRI-bestandsformaat) bestanden en gegevens laden in VISTA met een functie genaamd mrInit.
  4. Juiste kop-motion en lijn functionele beelden naar de anatomie in stap 2.1 geladen met behulp van rxAlign gebaseerd op een affiene transformatie matrix.
  5. Gemiddeld functionele-motion gecorrigeerd scans voor het verbeteren van de signaal-ruisverhouding door te klikken mrVISTA Analyse tijdreeksen Gemiddeld tSeries. Uit te sluiten van het gemiddelde scans waarbij oogbewegingen afwijkt van fixatie meer dan 1-1,5 °. Als signalen van verschillende runs verschillende DC-afwijkingen, gemiddelde functionele scans na wegnemen van dc-afwijkingen.
  6. Bereken de mapping coördineert tussen functionele scans en grijze stof en het vaststellen van overeenkomstige Gray-materie voxels in de functionele scans door het selecteren van de volgende menu's: mrVISTA Venster Open Grijs Venster 3-View. Toewijzen BOLD signalen in de grijze stof voxels door interpolatie, het kiezen van een van de opties eenvailable in mrVISTA.

3. Schatting van pRF Topografie en Parametric Modeling

  1. Download de code-bestanden via de volgende link: https://sites.google.com/site/leesangkyun/prf/codes.zip, pak het gecomprimeerde bestand en plaats ze in een gewenste locatie van de lokale computer. Voeg het pad van de map in MATLAB.
  2. Stel de stimulus parameters die worden gebruikt in het experiment door het selecteren van de volgende menu's: mrVISTA Analyse retinotopische Model Set Parameters. Geeft u de volgende parameters zoals stimulans beelden, de stimulus grootte, de canonieke hemodynamische functie, de frame rate van de fMRI-scanner.
  3. Vóór de pRF schatting bereiden oorspronkelijke parameter sets (Figuur 1B).
    1. Stel de cross-validatie sets in "tprf_set_params.m" van de code-bestanden. Verdeel tijdreeks in ten minste twee subgroepen (één set voor het testen en de resterende sets voor opleiding) die lang genoeg zijn voor de bar te Swee zijnp de hele stimulans ruimte. Als alternatief, zonder gemiddeld scans in stap 2.4, valideren scans door het weglaten van een scan voor het testen en het gebruik van de resterende scans voor de opleiding.
    2. Stel een grove parameterset (λ in figuur 1; λ = [10 -2 10 -1 1 10 1 10 2]) in "tprf_set_params.m". Vervolgens stelt u een fijne schaal bereik ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) in "tprf_set_params.m".
      OPMERKING: Het programma maakt gebruik van de op de λ resulteert in de hoogste verklaarde variantie selecteren grof. Dan gaat het programma zoekt de ruimte rond de geselecteerde λ met de fijne schaalbereik, verder verfijnen van de selectie van λ die de hoogste verklaarde variantie oplevert.
    3. Stel een drempel (0,2) van de verklaarde variantie voor visueel responsieve voxels in "tprf_set_params.m".
      OPMERKING: Deze drempel wordt gebruikt als referentie voor de selectie van visueel responsieve voxels. Daarnaast kunt u eenROI voor een niet-visueel reagerende gebied (bijvoorbeeld het tekenen van een bol met een straal van 1 cm in een niet-visueel reageert hersengebied), waarbij de drempel automatisch kunnen worden berekend.
    4. Set een set drempelwaardes ([0.3, 0.5, 0.7]) voor het definiëren van pRF middengebied in de genormaliseerde topografie in "tprf_set_params.m" (dwz [0-1] of [-1 1] met periodes zonder bar stimulatie in stap 1.3.1).
      OPMERKING: Van de set van de drempels van de programma aangeboden selecteert de "beste" drempel, namelijk de drempel die een pRF centrale regio waarvoor het pRF centrum model verklaart de grootste signaal variantie definieert. U kunt ook kiezen voor een andere set van drempelwaarden afhankelijk van de kenmerken van de topografie.
  4. Uitvoeren "tprf_runpRFest.m" bereken de pRF topografie (figuur 1) en monteer een 2D anisotrope Gauss. Na het opgeven van alle parameters beschreven in dit protocol, enuitvoeren van de code, verkrijgen de uiteindelijke schattingsresultaten.

Figuur 1
Figuur 1: PRF schattingsproces. (A) Schematische weergave van het proces gevolgd pRF topografie schatting h (t):. Hemodynamische respons functie, A (t): stimulus, m: pRF, Reg:. L2-norm regularisatie (B) Specifieke stappen voor pRF topografie schatting en pRF centrum modellering. De set van parameters die nodig zijn voor de schatting wordt vermeld in elke stap. Een één-dimensionale deel van topografie en zijn model worden geïllustreerd. Onder "Model Fitting", zwarte en rode curves vertegenwoordigen de topografie en de pRF centrum model met een centrum drempel van 0,5, respectievelijk. De blauwe gestippelde lijn geeft een drempel voor de pRFMidden.

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

Nauwkeurige pRF modellering vereist het vastleggen pRF vormen correct. Zonder de pRF topografie, de selectie van cirkelvormige symmetrische modellen die in eerdere studies 1,9-11 een redelijke keuze. Dit is omdat, als de lokale retinotopische organisatie homogeen in alle richtingen van gezichtsveld, kan een bevolking respons worden gerepresenteerd als een cirkelvormig symmetrisch cumulatieve totaal van neuronale reacties. Echter, onze waarnemingen blijkt dat dit niet het geval (figuur 2). Daarom kan waarneming van de pRF topografie kritische voor het selecteren van een geschikte parametrische functie een PRF-model. Dit is een voordeel van de pRF topografie, en dus de topografie gebaseerde modellen overtreffen de directe geschikte isotrope Gaussische modellen pRF centrum modelleren, resulteert typisch in hogere verklaarde variantie (fig. 2, zie Lee et al 2 extra vergelijkingen met andere modellen). Deze voorbeelden tonen het voordeel van schatten pRF topografie voor de montage van het model.

Figuur 2
Figuur 2: Voorbeelden van pRF topografie schatting en pasvorm van pRF centrum modellen (A) Een typische pRF topografie.. In de topografie, rode kleur geeft de meest responsieve gebied, dat toont het centrum pRF liggend op het midden rechts horizontale meridiaan. In de pRF topografie, zijn bar patronen in het pRF centrum structuur met lage gewichten soms ook waargenomen. Dit betreft het feit dat het gebied langs de balk opening door het midden pRF ook gelijktijdig gestimuleerd met het centrum pRF. . Ze zijn gemakkelijk geëlimineerd in de drempelwaarden stap (B) Vergelijking tussen een eerdere werkwijze (DIG, direct-fit isotrope Gaussian) 1 en topografie gebaseerde pRF center model (T-model). De overeenkomstige procent van de verklaarde variantie is boven elk model getoond. T-modellen tonen hoger verklaarde variantie in alle voorbeelden van nauwkeuriger pRF vorm vastleggen. Zie Lee et al. 2 voor meer details en extra voorbeelden.

Een belangrijke eis is dat de fMRI paradigma gebruikt biedt goede Retinotopie gegevens. Dan pRF topografie methode kan worden gebruikt voor het schatten retinotopische excentriciteit en azimut kaarten (figuur 3). Deze kaarten laten gelijkende retinotopische architectuur bovenvermelde methoden 1,4-7, maar ze nauwkeuriger omdat waarneming van de pRF topografie kunnen we beter scheiden het midden pRF van de surround en tegen mogelijke ruis of artefacten afstand tot het centrum pRF. Dit onder andere resulteert in een betere schatting van de retinotopische kaarten bij hoge excentriciteit (een gedetailleerde beschrijving van de waargenomen verschillen worden gevonden in Lee et al. 2).

Figuur 3
Figuur 3: retinotopische kaarten en pRF grootte (A) excentriciteit en Poolhoek kaarten in de linker hersenhelft van een onderwerp.. CS geeft de calcarinus sulcus. In de rechterkant van figuur A, de zwarte cirkel geeft een gebied of interest (ROI) waaruit het voxel waarvan pRF wordt geïllustreerd in figuur 4 is genomen. (B) Verbindingen tussen pRF grootte en excentriciteit. De pRF omvang toeneemt met excentriciteit in de visuele gebieden V1-3. Dit perceel is getrokken uit (A).

De topografie gebaseerde model (T-model) methode kan worden gebruikt voor het schatten verschillende pRF eigenschappen zoals pRF grootte, rek, oriëntatie en surround onderdrukking efficiënt zonder verschillende parametrische modellen te testen. Om visualisatie van dergelijke eigenschappen te helpen, een MATLAB functie (tprf_plotpRF.m) is aangebracht dat de pRF topografie, het overeenkomstige pRF centrum model, en hun aansluiting op de ruwe BOLD signaal (figuur 4) uitzet. Merk op dat in sommige gevallen pRF eigenschappen kunnen ook direct geschat uit de topografie, waardoor de noodzaak voor pRF modellering.

Figuur 4
Figuur 4: Demonstratie van de MATLAB toolbox ontwikkeld door de auteurs. Deze plot geeft grafisch de pRF topografie en bijbehorende pRF model pasvorm van een voxel door een gebruiker geselecteerd. De geïllustreerde voxel werd geselecteerd uit de in Figuur 3A ROI rauw:. Werkelijke BOLD respons, pred t: voorspelling met de pRF topografie, pred m: voorspelling met het pRF centrum parametrisch model.1fig4highres.jpg "target =" _ blank "> Klik hier om een ​​grotere versie van deze afbeelding te bekijken.

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

Dit artikel legt uit hoe een schatting van de topografie van visuele bevolking receptieve velden in de menselijke visuele cortex en hoe deze te gebruiken om een ​​geschikte parametrisch model voor de receptieve veld te selecteren. Voor een succesvolle Retinotopie, moet een passende stimuleringsprotocol en efficiënte analysemethode worden geselecteerd en experimentele parameters van het onderwerp (motion en fixatie) worden geoptimaliseerd. Bar stimuli van de opeenvolgende fasen in het hele gezichtsveld zijn een efficiënte stimulans paradigma voor pRF schatting zoals het genereert onderscheiden BOLD reacties van verschillende stimulus locaties. De verstrekte methode construeert de pRF topografie. Aangezien het probleem van pRF schatting algemeen te bepalen, wordt een wiskundige tool genaamd golfregressie 3 gebruikt om de redelijke beperking van schaarsheid aan de pRF gewicht oplossing handhaven. Deze regularisatie techniek is zeer effectief bij het schatten van de pRF model als het aantal waarnemingen (tijdstips van het BOLD signaal) aanzienlijk kleiner is dan het aantal pixels voor de ruimtelijke dimensie van de stimulus.

Deze methode levert meer robuuste schatting van het centrum pRF dan eerdere methoden. Er zijn verschillende redenen voor: 1) het eerste segmenten van de pRF centrale regio van de pRF topografie en dan past een geschikt model, het vermijden van potentiële biases die pRF model kunnen beïnvloeden past in directe modellen (dwz surround onderdrukking of ruisartefacten ver van de pRF centrum). 2) Met de mogelijkheid om inspecteren topografie geeft een visueel de mogelijkheid om de prestaties van het uiteindelijke model fit blootleggen systematische fouten, en 3) de mogelijkheid om eigenschappen van de pRF structuur die anders misschien onopgemerkt blijven detecteren valideren. 4) Door het beperken inbouwbereik dit model minder waarschijnlijk het PRF-kaart in de rand van stimulus onrechte tegenover directe fit modellen (zie figuur 2B). Geentemin een gebruiker hoeft zich ervan bewust dat de voorgestelde methode heeft ook beperkingen voor het nauwkeurig vastleggen van pRF vorm nabij de stimulus grens. Dit komt door het feit dat de rand van de lat stimuli activeren gedeeltelijk open percelen van voxels waarvan pRF centrum dat normaal buiten de stimulus presentatie regio. Elke receptieve veld mapping methode zou zijn onderworpen aan dit probleem en tonen een relatieve piek grens tenzij perfect extrapoleren uit het deel van het receptieve veld center dat is toegewezen aan het geheel. Dat gezegd hebbende, onze methode is nauwkeuriger dan met directe montage methoden 1,9, die de neiging hebben om duidelijk te overschatten de afstand tot het centrum van HOI's die in de buurt van de stimulus presentatie grens liggen (zie figuren 5 en 6 van Lee et al. 2 voor meer detail).

Zoals besproken, de bouw van een robuuste pRF topografie afhankelijk van de beschikbare regularisatie parameter λ (figuur 1), die be geoptimaliseerde afzonderlijk afzonderlijke voxels, of als gemeenschappelijke parameter voor alle voxels. De regularisatieparameter beïnvloedt pRF topografie door instellen van de mate van fitting (over-fitting of onder-fitting) om de gegevens. Terwijl een kleine λ leidt tot luidruchtige pRF topografieën (dat wil zeggen, over-fitting) in vergelijking met de werkelijke pRF, een grote λ onderdrukt visuele reacties en dus leiden tot meer spreiding topografieën dan gerechtvaardigd door de feitelijke pRF grootte (dat wil zeggen, onder-fitting). Keuze van de optimale lambda geldt dat het succes pRF schatting. We schatten λ's in verschillende subgroepen van data en geëvalueerd deze schattingen met behulp van een cross-validatie strategie. Dit minimaliseert biases in pRF topografie schatting. Potentiële resterende vooroordelen worden verder verlaagd in het pRF centrum modelleerstap, waar verschillende topografie drempels worden verkend om een die resulteert in de hoogste verklaarde variantie te selecteren (zie Lee et al. 2).

Fislotte, de voorgestelde topografie aanpak is computationeel efficiënt. De schatting van pRF topografieën over alle voxels, met inbegrip van het vinden van de optimale regularisatie parameter λ, duurt slechts een paar minuten in een PC-omgeving. Het identificeren van visueel reageert voxels bij deze stap sluit ze uit de meer computationeel veeleisende stap van pRF-centrum modellering, verdere verbetering van de efficiency. Misschien nog belangrijker, onderzoekers niet langer nodig om te testen meerdere verschillende pRF modellen om een ​​die goed past, omdat ze bij het kiezen van het juiste model door de pRF topografie kan worden geleid vinden.

De methode gedemonstreerd in dit protocol meet bevolking receptieve veld topografie en gebruikt het om de bevolking receptieve veld modelleren begeleiden. Deze benadering vermindert de bias aanwezig in direct populatie receptieve veld karteringsmethoden resulteert in robuustere en nauwkeurige pRF schattingen. Het minimaliseert ook systematische fouten en stelt ons in staat om de functionele orgel studerenordening van de visuele cortex met een hogere gevoeligheid. Het is bijzonder van toepassing bij patiënten met laesies van de optische banen, bij wie pRF structuur kan niet gemakkelijk te anticiperen a-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/

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).
Topografische Schatting van Visual Bevolking receptieve velden van 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