Waiting
Login processing...

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

Behavior

Stima topografica Visual Popolazione ricettivo campi da fMRI

doi: 10.3791/51811 Published: February 3, 2015

Abstract

Visiva della corteccia è retinotopically organizzato in modo che le popolazioni vicine di cellule mappa a parti adiacenti del campo visivo. La risonanza magnetica consente di stimare voxel-based popolazione campi recettivi (PRF), cioè, la parte del campo visivo che attiva le cellule in ciascun voxel. Prima,, PRF metodi di stima diretta 1 soffrono di alcune limitazioni: 1) il modello prf è scelto a priori e non può catturare appieno la reale forma prf, e 2) i centri PRF sono inclini a mislocalization vicino al confine dello spazio stimolo. Qui viene proposto un nuovo metodo di stima topografica PRF 2 che aggira in gran parte queste limitazioni. Un modello lineare viene usato per predire il segnale di ossigeno Sangue Level-Dependent (BOLD) convolvendo risposta lineare PRF allo stimolo visivo con la funzione di risposta emodinamica canonica. PRF topografia è rappresentato come un vettore di peso cui componenti rappresentano il strlength della risposta complessiva dei neuroni voxel a stimoli presentati in diverse località del campo visivo. Le equazioni lineari risultanti possono essere risolti per il vettore peso prf utilizzando cresta regressione 3, cedendo la topografia prf. Un modello prf che è compensata alla topografia stimato può essere scelta post-hoc, migliorando così le stime dei parametri PRF quali l'ubicazione PRF-centrale, orientamento prf, dimensioni, ecc. Avendo la topografia PRF disposizione permette anche la verifica visiva delle stime dei parametri PRF consentono l'estrazione di varie proprietà PRF senza dover fare ipotesi a priori sulla struttura PRF. Questo approccio promette di essere particolarmente utile per studiare l'organizzazione PRF di pazienti con disturbi del sistema visivo.

Introduction

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

La risonanza magnetica funzionale (fMRI) misura non invasivo l'organizzazione funzionale della corteccia visiva in scala macroscopica (tipicamente dell'ordine di millimetri). I primi studi retinotopy fMRI utilizzato una misura della coerenza tra la posizione stimolo e hanno suscitato risposte BOLD 4-7. Questi studi in genere non hanno stima della popolazione dimensioni del campo recettivo. Successivamente, Dumoulin e Wandell 1 proposto un metodo per superare tale limitazione modellando esplicitamente la posizione e le dimensioni PRF, tramite una funzione lineare di questo modello per predire la risposta BOLD. Tuttavia, una limitazione di questo metodo pionieristico è che il modello parametrico prf deve essere scelta a priori, e può portare a errate PRF stime se si scopre di non essere appropriato.

Per superare i limiti del metodo parametrico PRF-modello, nuovi metodi sono stati sviluppati di recente. Questi metodi prevedono direttamente la risposta BOLD ai stimulus ricostruendo topografia prf. Metodo 8 proposta da Greene e colleghi ricostruisce la topografia prf da back-proiettando le risposte BOLD ai singoli spazi stimolo 1D e costruire la topografia prf nello spazio di stimolo 2D come una tipica tecnica di tomografia computerizzata. D'altra parte, il metodo 2 da noi proposto stima diretta topografia 2D PRF mediante regressione lineare e applicando una tecnica di regolarizzazione. In questo metodo, la topografia PRF è rappresentato come un insieme di pesi che viene moltiplicato per lo stimolo per stimare la risposta neuronale popolazione di un dato voxel. Poi, l'ossigeno Sangue Level-Dependent (BOLD) risposta finale evocata dallo stimolo è stimato convolvendo la risposta della popolazione neuronale e la funzione di risposta emodinamica canonica. Per risolvere il sistema lineare sotto-vincolato, inoltre, regolarizzazione cresta regressione viene utilizzato per applicare sparseness (vedi Figura 1sotto). La tecnica di regolarizzazione elimina il rumore e gli artefatti e permette quindi il nostro metodo per stimare la topografia prf più robusta.

I metodi topografici non forzare la forma prf di avere una certa forma parametrica, e quindi può scoprire la struttura attuale prf. Un modello parametrico appropriato può quindi essere scelto sulla base della topografia PRF. Ad esempio, la topografia PRF può essere utilizzata per separare il centro PRF e surround, e poi la successiva centro modellazione PRF può essere più accurata minimizzando l'influenza di soppressione bordi nonché l'influenza di altri potenziali artefatti derivanti in zone distanti al Centro prf. Recentemente abbiamo effettuato un confronto quantitativo tra il nostro metodo e molti altri metodi che direttamente (cioè prima stima la topografia) fit isotropa gaussiana 1, anisotropico gaussiana, e la differenza di isotropo gaussiane al prf 9. Si è constatato che la topogrmetodo basato aphy-superato questi metodi rispetto al centro PRF modellazione da raggiungere una maggiore varianza spiegata della serie storica del segnale BOLD.

Stima accurata delle proprietà PRF in diversi settori rivela come coprono il campo visivo ed è importante per indagare l'organizzazione funzionale della corteccia visiva in particolare per quanto riguarda la percezione visiva. Proprietà quali come i cambiamenti di dimensione PRF con eccentricità 1,10 e PRF organizzazione centrale surround 9 sono ben studiati in letteratura umana. Il metodo proposto per valutare i risultati topografia PRF in più accurata parametro PRF modellazione ed è più probabile per rivelare regolarità sconosciuti, non facilmente modellato a priori nei modelli parametrici diretti. Questo approccio sarà particolarmente adatto per lo studio dell'organizzazione PRF in pazienti con lesioni percorso visivo, per i quali la struttura PRF non è necessariamente prevedibile a priori. Qui di seguito è descritto come stimare the prf topografia e come utilizzare la topografia per modellare il centro 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. Acquisizione Dati

  1. Preparare un protocollo stimolo che è efficace nel suscitare una risposta visiva retinotopica affidabile come precedentemente descritto in Dumoulin e Wandell 1 e Lee et al. 2. Tuttavia, altri paradigmi consolidati sono anche applicabili a seconda della domanda sperimentale specifico da affrontare.
  2. Stimoli bar Presenti alla deriva attraverso lo schermo in sequenza lungo 8 direzioni dello spazio, a passi di 45 gradi. Assicurarsi che il movimento è in sincronia con l'acquisizione telaio scanner (TR ~ 2 sec) in modo che la barra si muove di un passo di una volta un telaio fMRI inizia e rimane nella nuova posizione fino a che il telaio finisce.
  3. Per misurare un segnale di base corretta, aggiungere epoche senza barra stimolazione 1.
    1. Definire un campo di vista (10 a 15 ° raggio) in angolo visuale su cui lo stimolo viene presentato. Presente in movimento o tremolanti scacchiera (size checker = 0.94 x 0.94 deg 2, pattefrequenza di aggiornamento rn = 250 msec / pattern) all'interno della barra di suscitare forti risposte visive.
    2. Ingresso i seguenti parametri specifici: 8 direzioni equidistanti di movimento, bar larghezza pari a 1.875 gradi, e le barre si spostano dalla metà della larghezza della barra per frame (2 sec). Ulteriori dettagli possono essere trovati in Lee et al. 2.
    3. Generare un punto (~ 0,25 °) al centro dello schermo sul quale gli occhi del soggetto fissarsi durante l'esperimento. Cambiare colore della macchia casualmente nel tempo.
  4. Eseguire la scansione del cervello di un soggetto in uno scanner MRI utilizzando un tipico eco-planare imaging (EPI) di scansione è di 192 fotogrammi durata (24 fotogrammi in ogni direzione di movimento). Ripetere le scansioni 4-8 volte per aumentare il rapporto segnale-rumore.
  5. Impostare i parametri per la sequenza EPI come segue: TR = 2 sec, TE = 40 msec, dimensione della matrice = 64 x 64, 28 fette, dimensione voxel = 3 x 3 x 3 mm 3, flip angle = 90 °, alternativa, applicare le sequenze con una risoluzione più fine (e.g., 2 x 2 x 2 mm 3) o una breve TR (ad esempio, 1-1,5 sec) che copre solo la corteccia visiva 2.
  6. Movimenti oculari pista con un sistema eyetracker durante le scansioni funzionali per garantire la fissazione è mantenuto entro 1-1,5 ° del punto di fissazione.
    NOTA: Qui, viene utilizzato un eyetracker testa coordinata basata in un sistema di occhiali, ma altri sistemi adatti eyetracker può essere usato al posto.
  7. Istruire i soggetti a fissarsi il punto sul centro dello schermo generato al punto 1.3.2. Per garantire i soggetti sono fissandosi, istruirli a segnalare i cambiamenti di colore del punto di fissaggio.
  8. Ottenere scansioni anatomiche, a 1 x 1 x 1 mm Risoluzione 3 (ad esempio, T1-MPRAGE; TR = 1.900 msec, TE = 2.26 msec, TI = 900 msec, flip angle = 9 °, 176 partizioni).
    NOTA: Queste scansioni anatomiche saranno utilizzati per la segmentazione e per l'allineamento delle immagini funzionali all'anatomia sia all'interno e tra scansioni. Per un migliore allineamento tra funzioneal (EPI) le immagini e l'anatomia, ottengono anche una scansione anatomia inplane, con una risoluzione identica alla EPI, utilizzando T1 pesate veloce viziato gradient echo (SPGR) Sequenza 1.

2. I dati di pre-processing

NOTA: Prima di valutare le proprietà prf, sono necessari diversi passaggi di pre-elaborazione dei dati fMRI tipico, come la correzione movimento della testa e l'allineamento dei volumi funzionali alla scansione anatomica. In questo articolo, tutti i pre-processing, la stima, l'analisi e la presentazione dei risultati ottenuti sono eseguite utilizzando l'open source software toolbox basati su MATLAB VISTA LAB disponibile sul sito software VISTA. http://white.stanford.edu/newlm/index.php/Main_Page.

  1. Caricare la scansione anatomica in MATLAB e preparare un'anatomia volume utilizzando una funzione chiamata createVolAnat.
  2. Segmento materia grigia, la materia bianca, e CSF utilizzando la funzione "ItkGray".
  3. Preparare i dati funzionali convertendo DICOM (ie (cioè, formato standard di file risonanza magnetica funzionale), e caricare dati in Vista utilizzando una funzione chiamata mrInit.
  4. Correct testa-motion e allineare le immagini funzionali all'anatomia caricata al punto 2.1 utilizzando rxAlign sulla base di una trasformazione di matrice affine.
  5. Scansioni medie funzionali al movimento corretto per migliorare il rapporto segnale-rumore cliccando mrVISTA Analisi TimeSeries media Tseries. Escludere dalle scansioni in media, durante il quale i movimenti oculari devia dalla fissazione più di 1-1,5 °. Se i segnali provenienti da sedute diverse hanno diverse dc-derive, scansioni medie funzionali dopo la rimozione del DC-derive.
  6. Calcolare coordina il mapping tra le scansioni funzionali e la materia grigia e di individuare corrispondenti voxel di materia grigia nelle scansioni funzionali selezionando il seguente menu: Finestra mrVISTA aperto Grigio 3-View Window. Assegnare segnali BOLD nei voxel materia grigia di interpolazione, scegliendo una delle opzioni di unvailable in mrVISTA.

3. Stima della PRF Topografia e Parametric Modeling

  1. Scaricare i file di codice attraverso il seguente link: https://sites.google.com/site/leesangkyun/prf/codes.zip, estrarre il file compresso e metterli in una posizione strategica del computer locale. Aggiungere il percorso della cartella in MATLAB.
  2. Impostare i parametri di stimolo utilizzati nell'esperimento selezionando il seguente menu: Analisi mrVISTA retinotopica Modello Imposta parametri. Specificare i seguenti parametri come le immagini di stimolo, la dimensione dello stimolo, la funzione emodinamica canonica, il frame rate dello scanner fMRI.
  3. Prima stima PRF preparare i set di parametri iniziali (Figura 1B).
    1. Impostare i set di validazione incrociata in "tprf_set_params.m" dai file di codice. Timeseries dividiamo in almeno due sottoinsiemi (un set per le prove e le restanti set per la formazione), che sono abbastanza a lungo per la barra di Sweep l'intero spazio stimolo. In alternativa, senza che in media le scansioni in fase 2.4, convalidare scansioni lasciando fuori una scansione per il test e l'utilizzo dei restanti scansioni per la formazione.
    2. Impostare un set di parametri grossolano (λ in figura 1; λ = [10 -2 10 -1 1 10 1 10 2]) in "tprf_set_params.m". Quindi, impostare un intervallo di scala fine ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) in "tprf_set_params.m".
      NOTA: Il programma utilizza il grossolano impostato per selezionare il λ conseguente più alta varianza spiegata. Poi, il programma ricerca lo spazio intorno alla λ selezionato utilizzando il campo scala fine, affinare ulteriormente la selezione di λ che produce la varianza spiegata più alto.
    3. Impostare una soglia (0,2) della varianza spiegata per voxel visivamente reattivo in "tprf_set_params.m".
      NOTA: Questa soglia viene utilizzato come riferimento per la selezione dei voxel visivamente responsive. In alternativa, fare unROI per un terzo visivamente regione reattivo (ad esempio, disegnando una sfera con un raggio di 1 cm in una zona del cervello non visivamente reattivo), in cui la soglia può essere calcolato automaticamente.
    4. Impostare un insieme di soglie ([0,3, 0,5, 0,7]) per definire la regione centrale PRF nella topografia normalizzato "tprf_set_params.m" (cioè, [0 a 1] o [-1 1] con epoche senza stimolazione bar al punto 1.3.1).
      NOTA: Dalla serie di soglie programma fornito seleziona la soglia "best", cioè la soglia che definisce una regione centrale PRF per cui il modello centro PRF spiega la varianza maggiore segnale. In alternativa, scegliere un diverso insieme di valori di soglia in funzione delle caratteristiche della topografia.
  4. Esegui "tprf_runpRFest.m" calcola la topografia PRF (Figura 1) e sostituirla anisotropico gaussiana 2D. Dopo aver specificato tutti i parametri descritti in questo protocollo, el'esecuzione del codice, ottenere i risultati finali di stima.

Figura 1
Figura 1: processo di stima PRF. (A) Rappresentazione schematica del processo seguito per la stima PRF topografia h (t):. Funzione di risposta emodinamica, A (t): stimolo, m: prf, Reg. L2-norm regolarizzazione (B) Fasi specifiche per topografia stima prf e la modellazione centro di PRF. L'insieme dei parametri necessari per la stima è elencato in ogni passaggio. Una sezione unidimensionale della topografia e il suo modello sono illustrati. In "Modello di montaggio" curve, nero e rosso rappresentano la topografia e il suo modello centro PRF con una soglia centro di 0,5, rispettivamente. La linea tratteggiata blu indica una soglia per PRFregione centrale.

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

Accurate prf modellazione richiede catturare correttamente forme PRF. Senza conoscere la topografia PRF la selezione dei modelli simmetrici circolarmente utilizzato in studi precedenti 1,9-11 è una scelta ragionevole. Questo perché, se l'organizzazione retinotopica locale è omogenea in tutte le direzioni del campo visivo, una risposta popolazione locale potrebbe essere rappresentata come una circolarmente simmetrica aggregato cumulativo delle risposte neuronali. Tuttavia, le nostre osservazioni dimostrano che questo non è necessariamente il caso (figura 2). Pertanto, l'osservazione della topografia PRF è critica per selezionare una funzione parametrica appropriata per un modello PRF. Questo è un vantaggio della topografia prf, e quindi i modelli basati topografia-sovraperformare i modelli gaussiano isotropo dirette-fit nel centro prf modellazione, con conseguente solitamente in alto spiegato varianza (Figura 2;. Vedere Lee et al 2 per i confronti supplementari con altri modelli). Questi esempi dimostrano il vantaggio di stimare la topografia PRF prima adattamento del modello.

Figura 2
Figura 2: Esempi di PRF topografia stima e vestibilità dei modelli centrali prf (A) Una tipica topografia PRF.. In topografia, di colore rosso indica la zona più reattivo, che mostra il centro PRF sdraiato sul mezzo meridiano orizzontale destra. In topografia prf, modelli bar di fronte alla struttura centrale prf con pesi bassi sono anche a volte osservate. Questo si riferisce al fatto che l'area lungo l'apertura bar passante per il centro PRF viene stimolata anche contemporaneamente con il centro PRF. . Sono facilmente eliminati nella fase soglia (B) Confronto tra un metodo precedente (DIG;-fit diretta isotropo gaussiana) 1 e basati topografia centro prf model (T-modello). La corrispondente percentuale di varianza spiegata è mostrato sopra ciascun modello. T-modelli mostrano elevata varianza spiegata in tutti gli esempi, con più accurata cattura forma PRF. Per maggiori dettagli e altri esempi, vedere Lee et al. 2.

Un requisito importante è garantire che il paradigma fMRI utilizzato fornisce buoni dati retinotopy. Quindi il metodo topografia prf può essere utilizzato per stimare eccentricità retinotopica e mappe azimut (Figura 3). Queste mappe mostrano simile architettura retinotopica base come metodi precedenti 1,4-7, ma sono più accurata perché l'osservazione della topografia PRF permette di separare meglio il centro PRF di surround e dal potenziale rumore o artefatti lontane dal centro PRF. Questo, tra l'altro, i risultati di una migliore stima delle mappe retinotopica a eccentricità elevati (un resoconto dettagliato delle differenze osservate si trova nel Lee et al. 2).

Figura 3
Figura 3: mappe retinotopica e PRF dimensioni (A) Eccentricità e angolo polare mappe nell'emisfero di sinistra di un soggetto.. CS indica il solco calcarina. Nel pannello di destra della figura A, il cerchio nero indica una regione di interesse (ROI) da cui il voxel cui PRF è illustrato nella figura 4 è presa. (B) Rapporto tra dimensioni PRF ed eccentricità. Il formato prf aumenta con l'eccentricità in aree visive V1-3. Questa trama è tratta da (A).

Il metodo modello basato topografia (T-modello) può essere utilizzato per stimare varie proprietà quali dimensione PRF PRF allungamento, l'orientamento, e la soppressione circondano efficiente, senza dover testare molti diversi modelli parametrici. Per facilitare la visualizzazione di tali proprietà, un MATLAB Funzione (tprf_plotpRF.m) è previsto che traccia la topografia PRF il corrispondente modello di centro PRF, e la loro forma al segnale BOLD grezzo (figura 4). Si noti che in alcuni casi, le proprietà PRF possono essere stimate direttamente dalla topografia, eliminando la necessità di PRF modellazione.

Figura 4
Figura 4: Dimostrazione della toolbox MATLAB sviluppato dagli autori. Questo grafico mostra la topografia e PRF PRF corrispondente modello di misura di un voxel selezionato da un utente. Il voxel illustrato è stato selezionato dal ROI mostrato in Figura 3A crudo:. Effettiva risposta BOLD, pred t: previsione con la topografia prf, pred m: previsione con il modello parametrico centro di PRF.1fig4highres.jpg "target =" _ blank "> Clicca qui per vedere una versione più grande di questa figura.

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

Questo articolo viene illustrato come stimare la topografia della popolazione campi recettivi visivi nella corteccia visiva umana e su come usarlo per selezionare un modello parametrico appropriato per il campo recettivo. Per un retinotopy successo, devono essere selezionati un protocollo di stimolazione adeguata e di un metodo di analisi efficiente, e parametri sperimentali del soggetto (di movimento e di fissaggio) devono essere ottimizzati. Stimoli Bar in movimento in modo sequenziale attraverso il campo visivo sono un paradigma stimolo efficace per la stima PRF quanto genera risposte BOLD distinte dalle posizioni di stimolo distinte. Il metodo previsto costruisce la topografia prf. Poiché il problema della stima PRF è generalmente sotto-determinata, uno strumento matematico denominato cresta regressione 3 viene usato per far rispettare il vincolo della scarsità ragionevole sulla soluzione peso prf. Questa tecnica di regolarizzazione è molto efficace a stima del modello PRF quando il numero di osservazioni (punto temporales del segnale BOLD) è considerevolmente inferiore al numero di pixel che coprono la dimensione spaziale dello stimolo.

Questo metodo fornisce la stima più affidabile del centro PRF rispetto ai metodi precedenti. Ci sono diverse ragioni per questo: 1) esso primi segmenti della regione centrale PRF di topografia PRF e quindi si inserisce un modello adeguato, evitando potenziali errori che possono influenzare il modello PRF si inserisce in modelli diretti (cioè soppressione surround o rumore artefatti lontano dal prf Centro). 2) Avere la possibilità di controllare la topografia si dà visivamente l'opportunità di convalidare le prestazioni del modello fit finale scoprendo errori sistematici, nonché 3) la possibilità di rilevare le caratteristiche della struttura PRF che potrebbero altrimenti passare inosservato. 4) Per vincolare l'area di montaggio, questo modello è meno probabile per mappare la prf all'interno del bordo di presentazione dello stimolo non corretto rispetto ai modelli in forma diretta (vedi Figura 2B). Nessunotheless, un utente ha bisogno di essere consapevoli del fatto che il metodo proposto ha anche limitazioni per catturare con precisione la forma prf vicino al confine stimolo. Ciò è dovuto al fatto che in prossimità del confine stimoli bar attivano campi recettivi parziali appartenenti al voxel cui centro PRF sarebbe ordinariamente fuori della regione presentazione dello stimolo. Qualsiasi metodo di mappatura campo recettivo sarebbe soggetto a questo problema e mostrano un picco relativo al confine meno che non possa estrapolare perfettamente dalla parte del centro campo recettivo mappato al tutto. Detto questo, il nostro metodo è più preciso di metodi diretti-montaggio 1,9, che tendono a sovrastimare notevolmente la distanza dal centro di PRF che si trovano vicino al confine presentazione dello stimolo (vedi figure 5 e 6 di Lee et al. 2 per maggiori dettagli).

Come discusso, per costruire un robusto topografia PRF dipende dal parametro di regolarizzazione libera, λ (Figura 1), che può be ottimizzato esclusivamente di singoli voxel, o come parametro comune per tutti i voxel. Il parametro di regolarizzazione influenza PRF topografia regolando la portata del raccordo (oltre raccordo o sotto-montaggio) ai dati. Mentre un piccolo λ porta a topografie PRF rumorosi (ad esempio, over-montaggio) rispetto al reale prf, una grande λ sopprime risposte visive e, quindi, il risultato in più topografie spread che giustificato dalla dimensione effettiva prf (cioè, sotto-montaggio). Selezione della lambda ottimale è fondamentale per la stima PRF successo. Abbiamo stimato λ di in diversi sottoinsiemi di dati e valutato tali stime utilizzando una strategia di convalida incrociata. Questo riduce al minimo pregiudizi nella topografia di stima PRF. I potenziali pregiudizi residui sono ulteriormente ridotti nel passaggio modellazione centro prf, dove diverse soglie topografia vengono esplorate per selezionare uno che provoca il maggior varianza spiegata (vedi Lee et al. 2).

Fiinfine, l'approccio proposto topografia è computazionalmente efficiente. La stima di PRF topografie su tutti i voxel, tra cui trovare il parametro di regolarizzazione ottimale λ, richiede solo pochi minuti in un ambiente PC. Identificare voxel visivamente che non rispondono a questo punto li esclude dalla fase più computazionalmente impegnative della modellazione PRF-center, migliorando ulteriormente l'efficienza. Forse ancora più importante, gli investigatori non hanno più bisogno di testare più modelli PRF diversi per trovare quello che si adatta bene, dal momento che possono essere guidati nella scelta del modello appropriato dalla topografia prf.

Il metodo illustrato in questo protocollo misura popolazione campo recettivo topografia e la usa per guidare popolazione modellazione campo recettivo. Questo approccio riduce la distorsione presente nella popolazione diretta ricettive metodi di mappatura campo, con conseguente stime PRF più robusti e precisi. Si riduce anche gli errori sistematici e ci permette di studiare l'organo funzionalezione della corteccia visiva con maggiore sensibilità. È particolarmente applicabile nel caso di soggetti con lesioni delle vie ottiche, in cui la struttura PRF può non essere facile prevedere 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).
Stima topografica Visual Popolazione ricettivo campi da 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