Estimativa topográfico da População Campos Visuais Receptivos por fMRI

Abstract

Visual córtex é retinotopically organizado de modo que as populações vizinhas de células mapeadas para partes vizinhas do campo visual. A ressonância magnética funcional permite estimar população campos receptivos baseada em voxel (PRF), ou seja, a parte do campo visual que ativa as células dentro de cada voxel. Antes, PRF, métodos diretos de estimação ^um sofrem de certas limitações: 1) o modelo PRF é escolhido a priori e pode não conseguir captar a forma real PRF, e 2) centros PRF são propensas a mislocalization perto da fronteira do espaço de estímulo. Aqui, um novo método de estimativa PRF topográfico ² propõe-se que, em grande parte contorna essas limitações. Um modelo linear é utilizado para prever o sinal de oxigênio do sangue Nível Dependente (BOLD) por convolving a resposta linear da PRF para o estímulo visual com a função de resposta hemodinâmica canônica. PRF topografia é representado como um vetor de pesos, cujos componentes representam a strength da resposta agregado de neurônios voxel aos estímulos apresentados em diferentes locais do campo visual. As equações lineares resultantes podem ser resolvidos para o vector de ponderação PRF usando regressão cume ^3, obtendo-se a topografia PRF. Um modelo PRF que é compensada com a topografia estimado pode então ser escolhido post-hoc, melhorando assim as estimativas dos parâmetros PRF, tais como localização no centro da PRF, orientação PRF, tamanho, etc. Tendo a topografia PRF disponível também permite a verificação visual de estimativas de parâmetros PRF permitindo a extração de várias propriedades PRF sem ter que fazer suposições a priori sobre a estrutura PRF. Esta abordagem promete ser particularmente útil para investigar a organização PRF de pacientes com desordens do sistema visual.

Introduction

A ressonância magnética funcional (fMRI) mede de forma não invasiva a organização funcional do córtex visual em escala macroscópica (tipicamente na ordem de milímetros). Os primeiros estudos retinotopy fMRI usado uma medida de coerência entre a localização do estímulo e obteve respostas BOLD ^4-7. Estes estudos normalmente não estimou população tamanho do campo receptivo. Mais tarde, Dumoulin e Wandell ¹ propôs um método para superar essa limitação modelando explicitamente a localização eo tamanho PRF, usando uma função linear deste modelo para prever a resposta BOLD. No entanto, uma limitação deste método pioneiro é que o modelo paramétrico PRF tem que ser escolhido a priori, e pode levar à errônea PRF estima se ele sair para não ser apropriado.

Para superar as limitações do método paramétrico PRF-modelo, novos métodos foram desenvolvidos recentemente. Estes métodos prever diretamente a resposta BOLD aos stimulus reconstruindo a topografia PRF. Um método ⁸ proposto por Greene e colegas reconstrói a topografia PRF por back-projetando as respostas corajosas para os espaços de estímulo 1D individuais e construir a topografia PRF no espaço estímulo 2D como uma técnica típica de tomografia computadorizada. Por outro lado, o método proposto por nós ² estima directamente a topografia 2D PRF por meio de regressão linear e aplicando uma técnica de regularização. Neste método, a topografia PRF é representada como um conjunto de pesos, que é multiplicado pelo estímulo para estimar a resposta da população neuronal de um dado voxel. Então, a resposta final oxigênio do sangue Nível Dependente (BOLD) evocado pelo estímulo é estimada pela convolving a resposta da população neuronal e na função de resposta hemodinâmica canônica. A fim de resolver o sistema linear constrangido-under, adicionalmente, a regularização da regressão de cumeeira é usado para impor esparsidade (ver Figura 1abaixo). A técnica de regularização suprime o ruído e artefatos e, assim, permite que o nosso método para estimar a topografia PRF mais enérgica.

Os métodos topográficos não force a forma PRF que ter uma certa forma paramétrica, e, portanto, pode descobrir a estrutura real PRF. Um modelo paramétrico adequado podem, então, ser escolhido com base na topografia PRF. Por exemplo, a topografia PRF pode ser usado para separar o centro da PRF e ambiente, e, em seguida, o subsequente modelagem centro PRF pode ser mais preciso, minimizando a influência de supressão envolvente, bem como a influência de outros artefactos resultantes potenciais em áreas distantes da centro PRF. Efetuamos recentemente uma comparação quantitativa entre o nosso método e vários outros métodos que, direta (ou seja, antes de estimar a topografia) fit isotrópico Gaussian ^1, anisotrópica Gaussian, e diferença de isotrópico Gaussians à PRF ^9. Verificou-se que o topogrmétodo baseado em aphy superou esses métodos no que diz respeito à modelagem centro PRF por alcançar maior variância explicada da série histórica do sinal BOLD.

A avaliação correta de propriedades PRF em diversas áreas revela como eles cobrem o campo visual e é importante para investigar a organização funcional do córtex visual particularmente no que se refere à percepção visual. Propriedades como como as mudanças de tamanho PRF com excentricidade ^1,10 e PRF organização envolvente centro ⁹ são bem estudados na literatura humana. O método proposto para estimar os resultados de topografia PRF em modelagem parâmetro PRF mais precisa e é mais provável que revelam regularidades desconhecidos, que não são facilmente modelados a-priori nos modelos paramétricos diretos. Esta abordagem será especialmente adequado para estudar organização PRF em pacientes com lesões via visual, para quem a estrutura PRF não é necessariamente previsível a-priori. Abaixo é descrito como estimar the PRF topografia e como usar a topografia para modelar centro da PRF.

Protocol

1. Aquisição de Dados

1. Preparar um protocolo de estímulo que é eficaz na indução de uma resposta visual retinotópica fiável como anteriormente descrito em Dumoulin e Wandell ¹ e Lee et al. ^2. No entanto, outros paradigmas bem estabelecidos também são aplicáveis, dependendo da questão experimental específico a ser abordado.
2. Estímulos bar presentes à deriva no sequencialmente tela junto 8 direções do espaço, em intervalos de 45 graus. Certifique-se de que o movimento está em sincronia com a aquisição quadro scanner (TR ~ 2 segundos) para que a barra se move um passo uma vez um fMRI começa quadro e permanece no novo local até que o quadro termina.
3. Para medir um sinal de linha de base correta, adicione épocas sem bar estimulação ^1.
   1. Definir um campo de visão (10 a 15 ° de raio) no ângulo visual sobre o qual o estímulo é apresentado. Presente em movimento ou piscando padrões de xadrez (tamanho verificador = 0,94 x 0,94 deg ^2, pattetaxa de atualização rn = 250 ms / padrão) dentro do bar para provocar fortes respostas visuais.
   2. Introduza os seguintes parâmetros específicos: 8 direções igualmente espaçados de movimento, bar largura igual a 1.875 graus, e barras de mover-se por metade da largura do bar por quadro (2 segundos). Detalhes adicionais podem ser encontrados em Lee et al. ^2.
   3. Gerar um ponto (~ 0,25 °), no centro da tela em que os olhos do assunto fixar durante o experimento. Mudar de cor do ponto aleatoriamente no tempo.
4. Digitalizar o cérebro de um sujeito em um scanner de ressonância magnética usando uma varredura típica eco-planar-imaging (EPI), que tem duração de 192 quadros (24 quadros em cada sentido do movimento). Repita as verificações 4-8 vezes para aumentar a relação sinal-para-ruído.
5. Definir parâmetros para a sequência EPI da seguinte forma: TR = 2 seg, TE = 40 ms, tamanho de matriz = 64 x 64, 28 fatias, o tamanho do voxel = 3 x 3 x ³ mm 3, flip angle = 90 °, em alternativa, aplicar sequências com uma resolução mais fina (e.g., 2 x 2 x 2 ^mm3) ou um curto TR (por exemplo, 1-1,5 seg) abrangendo apenas o córtex visual ^2.
6. Movimentos oculares pista com um sistema eyetracker durante as varreduras funcionais para garantir a fixação é mantida dentro de 1-1,5 ° do ponto de fixação.
   NOTA: Aqui, um eyetracker coordenada-cabeça baseado em um sistema de óculos de proteção é usado, mas outros sistemas eyetracker adequado pode ser usado em seu lugar.
7. Instrua os sujeitos a se fixar o ponto no centro da tela gerado na etapa 1.3.2. Para garantir que os sujeitos estão fixando, instruí-los para relatar as mudanças de cor do ponto de fixação.
8. Obter scans anatômicas, em 1 x 1 x 1 ^mm3 resolução (por exemplo, T1-MPRAGE; TR = 1.900 ms, TE = 2,26 ms, TI = 900 ms, aleta ângulo = 9 °, 176 partições).
   NOTA: Estes verificações anatómicos serão utilizadas para a segmentação, bem como para o alinhamento das imagens funcionais à anatomia tanto no interior e entre as verificações. Para um melhor alinhamento entre a funçãoal (EPI) e imagens da anatomia, obter também um exame de anatomia inplane, com resolução idêntica à EPI, usando T1 rápido mimada eco gradiente (SPGR) sequência ^1.

2. Dados Pré-processamento

NOTA: Antes de estimar as propriedades PRF, são necessárias várias etapas de pré-processamento de dados típico fMRI, como correção de movimento da cabeça e alinhamento dos volumes funcionais para a verificação anatômica. Neste artigo, todos os pré-processamento, avaliação, análise e apresentação dos resultados obtidos são realizadas utilizando a caixa de ferramentas open source software baseado em MATLAB LAB VISTA disponível no site software VISTA. http://white.stanford.edu/newlm/index.php/Main_Page.

1. Coloque a varredura anatômica em MATLAB e preparar uma anatomia volume usando uma função chamada createVolAnat.
2. Segmento Gray Matter, substância branca, e CSF utilizando a função "ItkGray".
3. Preparar os dados funcionais por conversão DICOM (ou seja (ou seja, formato de arquivo padrão de ressonância magnética funcional) arquivos e dados de carga em VISTA usando uma função chamada mrInit.
4. Cabeça-motion correta e alinhar imagens funcionais com a anatomia carregado na etapa 2.1, utilizando rxAlign com base em uma transformação de matriz afim.
5. Scans corrigido-motion funcionais médias para melhorar a relação sinal-ruído, clicando mrVISTA Análise TimeSeries Média tseries. Excluir das verificações em média, durante o qual os movimentos dos olhos desvia fixação mais de 1-1,5 °. Se os sinais de diversas campanhas têm diferentes desvios de corrente contínua, exames funcionais médios após a remoção do DC-drifts.
6. Calcule coordena o mapeamento entre scans funcionais e massa cinzenta e identificar correspondentes voxels-massa cinzenta no scans funcionais, selecionando os seguintes menus: Janela Aberta mrVISTA cinza 3-View Window. Atribuir sinais BOLD nos voxels massa cinzenta por interpolação, escolhendo uma das opções available em mrVISTA.

3. Estimativa da PRF Topografia e modelagem paramétrica

1. Faça o download dos arquivos de código através do seguinte link: https://sites.google.com/site/leesangkyun/prf/codes.zip, extraia o arquivo comprimido e colocá-los em um local preferido do computador local. Adicione o caminho da pasta em MATLAB.
2. Defina os parâmetros de estímulo utilizados no experimento, selecionando os seguintes menus: Análise mrVISTA retinotópicas modelo definir parâmetros. Especifique os seguintes parâmetros tais como imagens de estímulo, o tamanho do estímulo, a função hemodinâmica canônica, a taxa de quadros do scanner fMRI.
3. Antes da estimativa PRF, preparar os conjuntos de parâmetros iniciais (Figura 1B).
   1. Defina os conjuntos de validação cruzada em "tprf_set_params.m" a partir dos arquivos de código. Timeseries Divida em pelo menos dois subconjuntos (um conjunto para testes e os restantes conjuntos de formação) que são longas o suficiente para o bar para Sweep todo o espaço estímulo. Como alternativa, sem média scans na etapa 2.4, validar scans por deixar de fora uma varredura para testar e usando os exames restantes para o treinamento.
   2. Defina um conjunto de parâmetros grosso (λ na Figura 1; λ = [10 ^-2 10 ^{-1 1} 10 1 10 ^2]) em "tprf_set_params.m". Em seguida, defina uma faixa fina escala ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) em "tprf_set_params.m".
      NOTA: O programa usa o grosso definido para selecionar o λ resultando na maior variância explicada. Em seguida, o programa procura o espaço em torno do λ selecionado usando a faixa de escala fina, refinando ainda mais a seleção de λ que produz a maior variância explicada.
   3. Defina um limite (0,2) da variância explicada por voxels visualmente responsivos em "tprf_set_params.m".
      NOTA: Este limiar é utilizado como referência para a selecção de voxels visualmente responsivos. Como alternativa, fazer umaROI para uma região visualmente não respondedores (por exemplo, através da elaboração de uma esfera com um raio de 1 cm de uma área do cérebro não-responsivo visualmente), onde o limiar pode ser calculada automaticamente.
   4. Defina um conjunto de limiares ([0,3, 0,5, 0,7]) para a definição de região centro da PRF na topografia normalizada em "tprf_set_params.m" (ie, [0-1] ou [-1 a 1] com épocas sem estimulação bar no passo 1.3.1).
      NOTA: A partir do conjunto de limiares do programa desde seleciona o "melhor" limiar, ou seja, o limite que define uma região central PRF para o qual o modelo de centro PRF explica a maior variância do sinal. Alternativamente, escolher um conjunto diferente de valores limiares, dependendo das características da topografia.
4. Executar "tprf_runpRFest.m" calcular a topografia PRF (Figura 1) e coloque um anisotrópica Gaussian 2D. Depois de especificar todos os parâmetros descritos neste protocolo, eexecutar o código, obter os resultados finais de estimação.

Figura 1: processo de estimativa PRF. (A) Ilustração esquemática do processo seguido para a estimativa PRF topografia h (t):. Função de resposta hemodinâmica, A (t): estímulo, m: PRF, Reg.: L2-norma de regularização (B) medidas específicas para PRF estimativa topografia e modelagem centro PRF. O conjunto de parâmetros necessários para a estimativa é listada em cada etapa. A secção unidimensional de topografia e seu modelo são ilustrados. Sob curvas "Arranjo modelo", preto e vermelho representam a topografia e seu modelo de centro PRF com um limiar centro de 0,5, respectivamente. A linha pontilhada azul indica um limiar para a PRFregião central.

Representative Results

Modelagem PRF Accurate requer capturar formas PRF corretamente. Sem conhecer a topografia PRF, a selecção de modelos circularmente simétricos utilizados em estudos anteriores ^1,9-11 é uma escolha razoável. Isto porque, se a organização retinotópica local é homogénea em todas as direcções do campo visual, uma resposta da população local pode ser representada como um agregado cumulativa circularmente simétrico de respostas neuronais. No entanto, as nossas observações demonstram que este não é necessariamente o caso (Figura 2). Por conseguinte, a observação da topografia PRF pode ser crítico para a selecção de uma função paramétrica apropriado para um modelo de PRF. Esta é uma vantagem da topografia PRF, e assim os modelos baseados em topografia superar os modelos directos Gaussianas isotrópicas-fit em modelagem centro PRF, resultando tipicamente na maior variância explicada (Figura 2;. Veja-se Lee et al ² para comparações adicionais com outros modelos). Estes exemplos demonstram a vantagem de se estimar a topografia PRF antes de ajustar o modelo.

Figura 2: Exemplos de PRF estimativa topografia e ajuste dos modelos de centro PRF (A) A topografia típica PRF.. Na topografia, cor vermelha indica a área mais sensível, o que mostra o centro da PRF deitado no meridiano horizontal médio direito. Na topografia PRF, os padrões de bar em frente à estrutura do centro PRF com baixo peso também são por vezes observada. Isto relaciona-se com o facto de a área ao longo da barra de abertura passa pelo centro da PRF é também estimulada em simultâneo com o centro da PRF. . Eles são facilmente eliminados na etapa de thresholding (B) Comparação entre um método anterior (DIG; direct-fit isotrópico Gaussian) ¹ e baseada em topografia centro PRF model (T-modelo). A percentagem de variância explicada correspondente é mostrado por cima de cada modelo. T-modelos apresentam maior variância explicada em todos os exemplos, com mais preciso forma PRF captura. Veja Lee et al. ² para mais detalhes e exemplos adicionais.

Um requisito importante é o de assegurar que o paradigma utilizado IRMf fornece bons dados retinotopy. Em seguida, o método PRF topografia pode ser utilizado para estimar excentricidade retinotópica e mapas de azimute (Figura 3). Esses mapas mostram semelhante arquitetura retinotópica básico como métodos anteriores ^1,4-7, mas eles são mais precisos porque observação da topografia PRF nos permite separar melhor o centro da PRF do ambiente e do ruído ou artefatos distantes do centro da PRF potencial. Isto, entre outras coisas, resulta em melhor estimativa dos mapas retinotópicas na excentricidades elevadas (um relato detalhado das diferenças observadas podem ser encontrados em Lee et al. ²⁾.

Figura 3: Mapas retinotópicas e PRF tamanho mapas (A) excentricidade e ângulo polar do hemisfério esquerdo de um sujeito.. CS indica o sulco calcarino. No painel da direita da figura A, o círculo preto indica um (ROI) pela região de interesse a partir do qual o voxel cuja PRF é ilustrada na Figura 4 é tomada. (B) Relação entre o tamanho da PRF e excentricidade. O tamanho aumenta a PRF com excentricidade em áreas visuais V1-3. Este lote é desenhada a partir de (A).

O método modelo baseado em topografia (t-modelo) pode ser utilizado para estimar as propriedades PRF vários tais como o tamanho da PRF, alongamento, orientação, e supressão bordadura de forma eficiente, sem ter de testar diversos modelos paramétricos diferentes. Para auxiliar a visualização de tais propriedades, um MATLAB função (tprf_plotpRF.m) está previsto que representa graficamente a topografia PRF, o modelo de centro PRF correspondente, e a sua adequação para o sinal NEGRITO cru (Figura 4). Note-se que, em alguns casos, as propriedades PRF pode também ser estimada a partir da topografia, eliminando a necessidade de modelagem PRF.

Figura 4: Demonstração da caixa de ferramentas MATLAB desenvolvido pelos autores. Este gráfico mostra a topografia PRF e o ajuste do modelo correspondente PRF de um voxel seleccionado por um utilizador. O voxel ilustrado foi selecionado a partir do ROI mostrado na Figura 3A cru:. Real resposta BOLD, pred _t: previsão com a topografia PRF, pred _m: previsão com o modelo paramétrico centro PRF."Target =" _ 1fig4highres.jpg blank "> Clique aqui para ver uma versão maior desta figura.

Discussion

Este artigo demonstra como para estimar a topografia da população campos receptivos visuais no córtex visual humano e como usá-lo para selecionar um modelo paramétrico apropriado para o campo receptivo. Para um retinotopy bem sucedido, um protocolo de estimulação adequada e de um método de análise eficiente deve ser selecionado, e os parâmetros experimentais do sujeito (movimento e fixação) deve ser otimizado. Estímulos Bar sequencialmente em movimento em todo o campo visual são um paradigma estímulo eficiente para a estimativa PRF, uma vez que gera respostas BOLD distintas a partir de locais de estímulo distintos. O método fornecido constrói a topografia PRF. Uma vez que o problema de estimação PRF é geralmente sub-determinado, uma ferramenta matemática chamada cume regressão ³ é usado para impor a restrição razoável de sparseness na solução peso PRF. Esta técnica de regularização é muito eficaz em estimar o modelo PRF, quando o número de observações (ponto de tempos do sinal NEGRITO) é consideravelmente menor do que o número de pixels, cobrindo a dimensão espacial do estímulo.

Este método fornece a estimativa mais robusta do centro da PRF do que os métodos anteriores. Há várias razões para isso: 1) primeiros segmentos a região central PRF da topografia PRF e, em seguida, se encaixa um modelo adequado, evitando possíveis vieses que podem influenciar o modelo PRF se encaixa nos modelos diretos (ou seja, de supressão de ruído surround ou artefatos longe da PRF centro). 2) Tendo a capacidade de inspeccionar a topografia apresenta uma visualmente a oportunidade para validar o desempenho do ajuste do modelo final descobrindo erros sistemáticos, assim como 3) a possibilidade de detectar características da estrutura PRF que pode de outra forma não ser detectada. 4) Ao restringir a zona de encaixe, este modelo é menos provável para mapear a PRF no interior da fronteira de apresentação do estímulo incorrecta em relação aos modelos de ajuste directo (ver Figura 2B). Nenhumobstante, o usuário precisa estar ciente de que o método proposto também tem limitações para capturar com precisão forma PRF perto da fronteira estímulo. Isto é devido ao facto de perto da fronteira os estímulos de barras activar campos receptivos parciais pertencentes a voxels cujo centro PRF seria, normalmente, fora da região a apresentação do estímulo. Qualquer método de mapeamento de campo receptivo estaria sujeito a este problema e mostrar um pico em relação à fronteira, a menos que ele pode perfeitamente extrapolar a partir da parte do centro campo receptivo que é mapeado para o todo. Dito isto, o nosso método é mais preciso do que os métodos diretos de ajuste de ^1,9, que tendem a superestimar significativamente a distância até o centro de PRFs que se encontram perto da fronteira com a apresentação do estímulo (ver Figuras 5 e 6 de Lee et al. ² para mais detalhes).

Tal como discutido, para construir uma robusta topografia PRF depende do parâmetro de regularização livre, λ (Figura 1), que pode be otimizado separadamente dos voxels individuais, ou como um parâmetro comum em todos os voxels. O parâmetro de regularização influencia PRF topografia, ajustando a extensão do encaixe (sobre-ou sub-montagem de adaptação) aos dados. Enquanto uma pequena λ leva a topografias PRF ruidosos (ou seja, ao longo de ajuste) em relação ao real PRF, um grande λ suprime as respostas visuais e, portanto, resultar em mais de spread topografias do que justificada pelo tamanho real PRF (ou seja, sub-montagem). Selecção do lambda óptima é crucial para a estimativa PRF bem sucedida. Nós estimamos λ de em diferentes subconjuntos de dados e avaliadas estas estimativas usando uma estratégia de validação cruzada. Isso minimiza vieses na PRF estimativa topografia. Vieses residuais potenciais são ainda mais reduzidos na etapa de modelagem centro PRF, onde os limiares de topografia diferentes são exploradas para selecionar aquela que resulta na maior variância explicada (ver Lee et al. ^2).

Fipor fim, a abordagem topografia proposto é computacionalmente eficiente. A estimativa da PRF topografias sobre todos os voxels, incluindo encontrar o parâmetro de regularização λ ótimo, leva apenas alguns minutos em um ambiente de PC. Identificando voxels visualmente que não respondem a esta etapa exclui-los da etapa mais exigente em termos computacionais de modelagem centro-PRF, melhorando ainda mais a eficiência. Talvez mais importante, os investigadores já não precisa testar vários modelos PRF diferentes para encontrar um que se encaixa bem, uma vez que pode ser guiado na escolha do modelo adequado pela topografia PRF.

O método demonstrado neste protocolo mede população receptiva topografia campo e usa-o para orientar modelagem campo receptivo população. Essa abordagem reduz o viés presente em receptivas métodos de mapeamento de campo população direta, resultando em estimativas PRF mais robustas e precisas. Ele também minimiza erros sistemáticos e nos permite estudar o órgão funcionalzação do córtex visual com maior sensibilidade. Ele é particularmente aplicável no caso de indivíduos com lesões das vias visuais, em quem estrutura PRF pode não ser fácil para antecipar a-priori.

Materials

Name	Company	Catalog Number	Comments
MRI scanner	Siemens/Philips/GE
MATLAB	The Mathworks, Inc.		http://www.mathworks.com
VISTA software	VISTA software group		http://white.stanford.edu/newlm/index.php/Software
PsychoToolbox	PsychoToolbox		http://psychtoolbox.org
Eye Tracker (VisuaStimDigital)	Resonance Technology Inc		http://mrivideo.com/