Abstract
Hücrelerin komşu popülasyonları görme alanı komşu bölgelerine harita, böylece Görsel korteks retinotopically düzenlenmiştir. Fonksiyonel manyetik rezonans görüntüleme bize yani voksel dayalı nüfus açık alanları (PRF), tahmin sağlar, her voksel içindeki hücreleri aktive görme alanının bir parçası. 1) PRF modeli-priori seçilir ve tamamen gerçek PRF şekli yakalamak olmayabilir, ve 2) PRF merkezleri uyaran alanı sınırına yakın mislocalization eğilimli: önce, doğrudan, PRF tahmin yöntemleri 1 belirli sınırlamalar muzdarip. İşte yeni topografik PRF tahmin yöntemi 2 büyük ölçüde bu sınırlamaları ortadan önerilmiştir. Bir doğrusal model kanonik hemodinamik tepki fonksiyonu ile görsel uyarana PRF lineer tepkisini evrişim toplamının Blood Oksijen Düzeyi-Bağımlı (BOLD) sinyal tahmin etmek için kullanılır. PRF topografya olan bileşenler str temsil ağırlık vektörü olarak temsil edilirvoksel nöronların toplam yanıtın ength farklı görme alanı yerlerde sunulan uyarıcıya. Elde edilen lineer denklemler PRF topografya veren sırt regresyon 3 kullanılarak PRF ağırlık vektörü için çözülebilir. Tahmini topografya ile uyumlu olan bir PRF modeli daha sonra böylece vb PRF-merkezi konumu, PRF yönelim, boyut olarak PRF parametrelerin tahminleri iyileştirilmesi, post-hoc seçilebilir. PRF topografya mevcut olması da PRF yapısı hakkında bir-priori varsayımlar yapmak zorunda kalmadan çeşitli PRF özellikleri çıkarılmasını sağlayan PRF parametre tahminlerinin görsel doğrulama sağlar. Bu yaklaşım, görsel sistemin bozukluğu olan hastaların PRF organizasyonunu araştırmak için özellikle yararlı olacağa benziyor.
Introduction
Fonksiyonel manyetik rezonans görüntüleme (fMRI) (genellikle milimetre mertebesinde) non-invaziv bir makroskopik ölçekte görsel korteksin fonksiyonel organizasyonunu ölçer. Erken fMRI retinotopy çalışmaları uyaran konumu arasında bir tutarlılık ölçüsü kullanılmış ve BOLD yanıtları 4-7 ortaya çıkardı. Bu çalışmalar genellikle nüfus açık alan büyüklüğünü tahmin etmedi. Daha sonra, Dumoulin ve Wandell 1 açıkça, PRF konumu ve boyutunu modelleme BOLD yanıtı tahmin etmek, bu modelin doğrusal bir fonksiyonu kullanarak böyle bir sınırlama aşmak için bir yöntem önerdi. Ancak, bu yöntemin öncü bir sınırlama parametrik PRF model-priori seçilmelidir ve uygun olmadığı ortaya çıkarsa hatalı PRF tahmin yol açabilir olmasıdır.
Parametrik PRF-modeli yönteminin sınırlamaları aşmak için, yeni yöntemler son zamanlarda geliştirilmiştir. Bu yöntemler, doğrudan s BOLD yanıtı tahminPRF topografya yeniden tarafından timulus. Greene ve arkadaşları tarafından önerilen bir yöntem 8 ayrı 1D uyaran alanlarda BOLD yanıtları geri projelendirme ve tipik bir bilgisayarlı tomografi tekniği gibi 2D uyaran uzayda PRF topografya kurarak PRF topografya yeniden yapılandırır. Öte yandan, bizim tarafımızdan önerilen yöntem 2 doğrudan lineer regresyon kullanılarak ve bir düzenlemenin tekniği uygulanarak 2D PRF topografya tahmin. Bu yöntemde, PRF topografisi, belirli bir vokselin nöronal nüfus yanıtı tahmin etmek için uyarıcı ile çarpılır bulunan bir dizi ağırlıktan olarak temsil edilir. Ardından, uyaran tarafından uyarılmış son Kan Oksijen Düzeyi-Bağımlı (BOLD) tepki nöronal nüfus yanıtı ve kurallı hemodinamik tepki fonksiyonu evrişim toplamının tahmin edilmektedir. Altında kısıtlı doğrusal sistemini çözmek için, ayrıca, ridge regresyon düzenlilestirme seyrekliği zorlamak için kullanılır (Şekil 1aşağıda). düzenlilestirme tekniği gürültü ve eserler bastırır ve böylece bizim yöntem daha sağlam PRF topografya tahmin sağlar.
topografik yöntemler gerçek PRF yapısını ortaya çıkarabilir, bu nedenle belli bir parametrik şekli var PRF şekli zorlamak, ve yoktur. Uygun bir parametrik model, daha sonra PRF topografya dayalı seçilebilir. Örneğin, PRF topografya PRF merkezi ve çevre ayırmak için, ve sonra daha sonraki PRF merkezi modelleme çevre bastırma etkisinin yanı sıra uzak bölgelerde ortaya çıkan diğer potansiyel eserler etkisini en aza indirerek daha doğru olabilir kullanılabilir Prf merkezi. Biz son zamanlarda PRF 9 nicel bizim yöntem ve doğrudan diğer bazı yöntemler arasında karşılaştırma (yani topografya tahmin önce) Gauss 1, izotropik uygun anizotropik Gauss ve Gauss izotropik farkı gerçekleştirdik. Bu topogr bulunmuşturaphy-tabanlı yöntem BOLD sinyal zaman serilerinin açıklanan varyans yüksek elde ederek PRF merkez modelleme ile ilgili bu yöntemleri geride.
Çeşitli alanlarda PRF özelliklerinin doğru tahmin onlar görme alanını kapsayacak nasıl ortaya ve görsel algı ile ilgilidir, özellikle görsel korteksin fonksiyonel organizasyonunu araştırmak için önemlidir. Böyle Eksantriklik 1,10 ve PRF merkez surround örgütü 9 ile PRF boyutu değişir, insan literatürde okudu nasıl gibi özellikler. PRF topografya daha doğru PRF parametre modelleme sonuçları ve bilinmeyen düzenlilikleri ortaya olasılığı daha yüksektir tahmini için önerilen yöntem, kolayca doğrudan parametrik modeller bir-priori modellenmiş değil. Bu yaklaşım, PRF yapısı mutlaka öngörülebilir bir-priori değil kimin için görsel yolu lezyonları olan hastalarda PRF organizasyonu incelemek için özellikle uygun olacaktır. Aşağıda th tahmin nasıl tarif edilire PRF topografya ve nasıl PRF merkezi modellemek için topografya kullanmak için.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Veri Toplama
- Daha önce Dumoulin ve Wandell 1 ve Lee ve diğerleri içinde tarif edilen, güvenilir bir retinotopic görsel bir tepki ortaya çıkarmada etkili olan bir uyarıcı protokolü hazırlayın. 2. Bununla birlikte, diğer iyi bilinen paradigmalar ele alınması için özel bir deney soruya bağlı olarak da tatbik edilebilir.
- Mevcut çubuk uyaranlara 45 derece adımlarla, uzay 8 yönleri boyunca ekran sırayla sürüklenen. Hareket çubuğu bir kez adım fMRI çerçeve başlar taşır ve çerçeve sona erene kadar yeni konumda kalacak şekilde tarayıcı çerçeve iktisabı (TR ~ 2 sn) ile senkronize olduğundan emin olun.
- Doğru başlangıç sinyalini ölçmek için, çubuk stimülasyon 1 olmadan dönemini ekleyin.
- Uyarıcı sunulduğu üzerinde görsel açı görünümü (10 yarıçapı ° 15) bir alanı tanımlayın. Mevcut hareketli veya titreyen dama desenleri (denetleyicisi boyutu = 0.94 x 0.94 ° 2, patteçubuğu içinde rn güncelleme oranı = 250 msn / desen) güçlü görsel tepkiler için.
- Girdi aşağıdaki özel parametreler: Hareket 8 eşit aralıklı tarifi, çubuk 1.875 C'ye eşit genişliği ve barlar çerçeve (2 sn) başına yarım çubuk genişliği hareket. Ek ayrıntılar Lee ve ark bulunabilir. 2.
- Öznenin gözleri deney sırasında sabitleşmek hangi ekran merkezinde bir nokta (~ 0.25 °) oluşturun. Zaman içinde rastgele nokta rengini değiştirin.
- 192 kare süresini (hareket, her yöne 24 kare) olan tipik bir eko-planar görüntüleme (EPI) tarama kullanan bir MRI tarayıcısı bir konunun beyni tarayın. Sinyal-gürültü oranını artırmak için tarar 4-8 kez tekrarlayın.
- EPI sekansı ayarlama parametreleri aşağıdaki gibi: TR = 2 sn, TE = 40 msn, matris boyutu = 64 x 64, 28 dilim, voksel boyutu = 3 x 3 x 3 mm 3 flip açısı = 90 °, Alternatif, dizileri uygulamak daha ince bir çözünürlük (e.g., 2 x 2 x 2 mm 3) veya sadece görsel korteksi 2 kapsayan kısa TR (örn, 1-1.5 sn).
- Fiksasyon sağlamak için fonksiyonel taramalar sırasında eyetracker sistemi ile Parça göz hareketleri tespit noktasının 1-1.5 ° içinde korunur.
Not: Burada, gözlük sisteminde bir kafa koordinat göre eyetracker kullanılır, ancak uygun olan başka eyetracker sistemleri yerine kullanılabilir. - Adım 1.3.2 oluşturulan ekran merkezinde yer sabitleşmek için konuları söyleyin. Konular sabitleme sağlamak için, tespit spot renk değişiklikleri bildirmek söyleyin.
- (;, TR = 1,900 milisaniye TE = 2.26 msn, TI = 900 msn, Flip açısı = 9 °, 176 bölüm, örneğin, T1-MPRAGE) 1 x 1 x 1 mm 3 çözünürlükte, anatomik taramalar edinin.
NOT: Bu anatomik taramalar segmentasyon yanı sıra içinde ve taramalar arasında hem anatomi fonksiyonel görüntüleri hizalamak için kullanılır. Fonksiyonu arasında daha iyi uyum içinarkadaşları (EPI) görüntüler ve anatomi, T1 ağırlıklı hızlı şımarık gradient eko (SPGR) dizisi 1. kullanarak, EPI aynı çözünürlükte, aynı zamanda bir düzlem içi anatomi tarama edinin.
2. Veri Ön-işleme
NOT: Ön PRF özelliklerini tahmin etmek, birkaç tipik fMRI veri ön-işleme adımları gibi kafa hareketleri düzeltme ve anatomik tarama fonksiyonel birimlerin uyum gibi, ihtiyaç vardır. Bu makalede, elde edilen sonuçların tüm ön-işleme, tahmin, analiz ve sunum VISTA yazılımı sitesinde bulunan açık kaynak MATLAB tabanlı yazılım araç VISTA LAB kullanılarak yapılmaktadır. http://white.stanford.edu/newlm/index.php/Main_Page.
- MATLAB içine anatomik tarama yükleyin ve createVolAnat adında bir işlevi kullanarak bir ses anatomisini hazırlamak.
- Fonksiyonu "ItkGray" kullanarak Segment Gri madde, beyaz cevher ve BOS.
- DICOM dönüştürerek işlevsel verileri hazırlayın (yani (yani, standart fonksiyonel MRI dosya biçimi) dosyaları, ve yük veri içine dosyaları.
- Doğru baş hareketi bir afin matris dönüşümü dayalı rxAlign kullanarak adım 2.1 yüklü anatomi fonksiyonel görüntüleri hizalamak ve.
- MrVISTA Analiz TimeSeries Ortalama tSeries tıklayarak bir sinyal-gürültü oranının iyileştirilmesi için ortalama fonksiyonel hareket düzeltilmiş tarar. Göz hareketleri 1-1.5 ° daha tespit sapma sırasında ortalama taramaları hariç. Farklı çalışır gelen sinyaller DC-sürükleniyor çıkardıktan sonra farklı DC-sürükleniyor, ortalama fonksiyonel taramalar varsa.
- Haritalama fonksiyonel taramalar ve Gri madde arasında koordinatları hesaplayın ve aşağıdaki menüleri seçerek fonksiyonel taramalar karşılık gelen Gri madde vokselleri tespit: mrVISTA Pencere Aç Gri 3-View Window. Seçeneklerden birini seçerek, interpolasyonla Gri madde voksellerden BOLD sinyalleri atama birmrVISTA içinde ullanılabilir.
PRF Topografi ve parametrik modelleme 3. Tahmini
- Aşağıdaki bağlantı üzerinden kod dosyaları indir: https://sites.google.com/site/leesangkyun/prf/codes.zip, sıkıştırılmış dosyayı ayıklamak ve yerel bilgisayarın bir tercih konuma yerleştirin. MATLAB klasörün yolunu ekleyin.
- MrVISTA Analizi retinotopic Model Set Parametreler: Aşağıdaki menüleri seçerek deneyde kullanılan uyaran parametrelerini ayarlayın. Uyaran görüntüler, uyaran boyutu, kanonik hemodinamik fonksiyonu, fMRI tarayıcı kare hızı gibi parametreleri aşağıdaki belirtin.
- PRF tahminine önce, ilk parametre setleri (Şekil 1B) hazırlamak.
- Kod dosyalarından "tprf_set_params.m" çapraz-doğrulama setleri ayarlayın. Böl, en az iki alt içine timeseries (test için bir takım ve eğitim setleri kalan) bar Swee için yeterince uzunp tüm uyaran alanı. Alternatif olarak, adım 2.4 taramaları ortalama olmadan, test için bir tarama bırakarak ve eğitim için kalan taramaları kullanarak taramaları doğrulamak.
- Kaba bir parametre seti (Şekil 1 'de λ, λ = [10 -2 10 -1 1 10 1 10 2])' tprf_set_params.m "yayınlarında açıklanmıştır. Ardından, "tprf_set_params.m" ince bir ölçek aralığı ([0,1 0,3 0,5 0,7 0,9 1 3 5 7 9]) ayarlayın.
NOT: Program yüksek varyans sonuçlanan λ seçmek için ayarlanmış kaba kullanır. Ardından, program, daha yüksek açıklanan varyans verir λ seçimi rafine, ince çaplı aralığını kullanarak seçilen λ etrafında yer arar. - "Tprf_set_params.m" görsel duyarlı voksellerdeki için açıklanan varyansın bir eşiği (0.2) ayarlayın.
NOT: Bu eşik görsel duyarlı voksellerin seçimi için referans olarak kullanılır. Seçenek olarak ise, bir haleOlmayan bir görünümü veren bir bölge için İB (örneğin, non-görsel cevap beyin bölgesindeki 1 cm çapında bir küre çizerek) eşik değeri otomatik olarak hesaplanabilir. - "Tprf_set_params.m" normalize topografya PRF merkez bölgesini tanımlamak için eşik ([0.3, 0.5, 0.7]) bir dizi ayarlayın (örneğin, [0-1] veya [-1 1] çubuk uyarı olmaksızın dönemini ile Aşama 1.3.1).
NOT: eşiklerin kümesinden verilen programı PRF merkezi modeli büyük sinyal varyansını açıklayan bir PRF merkezi bölgeyi tanımlayan eşik, yani "en iyi" eşiği seçer. Alternatif olarak, topografya özelliklerine bağlı olarak eşik değerlerinin farklı bir dizi seçin.
- "Tprf_runpRFest.m" PRF topografya hesaplamak (Şekil 1) Yürütme ve 2D anizotropik Gauss uygun. Bu protokol açıklanan tüm parametreleri belirttikten sonra, vekod çalıştıran, son tahmin sonuçlar elde.
Şekil 1: PRF tahmin süreci. (A) işleminin şematik gösterimi PRF topografi tahmini için takip h (t):. PRF topografi tahmini için L2-norm regülarizasyonu (B) Belirli adımlar: hemodinamik yanıt fonksiyonu, A (t): uyaran, m: PRF, Reg. ve Prf merkezi modelleme. tahmini için gerekli parametrelerin kümesi her adımda listelenen. Topografi ve modeline göre olan bir tek-boyutlu kesit gösterilmektedir. Altında "Model uygunluğu", siyah ve kırmızı eğrileri topografya ve sırasıyla 0.5 merkezi eşiği, onun PRF merkezi modelini temsil eder. Mavi kesikli çizgi PRF için bir eşik gösterirMerkez bölge.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Doğru PRF modelleme doğru PRF şekiller yakalama gerektirir. PRF topografyasını bilmeden, önceki çalışmalarda 1,9-11 kullanılan dairesel simetrik modellerin seçimi makul bir seçimdir. Yerel retinotopic kurum görme alanı her yönde homojen ise, bir yerel halk yanıt nöronal yanıtları dairesel simetrik toplam agrega olarak temsil edilebilir, çünkü. Ancak, bizim gözlem bu mutlaka böyle (Şekil 2) olmadığını göstermektedir. Bu nedenle, PRF topografyasının gözlem PRF modeli için uygun bir parametrik fonksiyon seçimi için kritik olabilir. Bu PRF topografya bir avantaj olduğunu ve bu nedenle topografya-tabanlı modeller yüksek tipik sonuçlanan, PRF merkez modelleme doğrudan uyum izotropik Gauss modelleri daha iyi performans varyansı (Şekil 2 açıkladı;. Lee ve ark görmek 2 diğer ek karşılaştırmalar için modeller). Bu örnekler öncesinde modeli uydurma için PRF topografya tahmin avantajını göstermektedir.
Şekil 2: PRF merkezi modellerinin PRF topografya tahmini ve uyum örnekleri (A) Tipik bir Prf topoğrafya.. Topografya olarak, kırmızı renk PRF merkez orta sağ yatay meridyen üzerinde yatan gösterir en duyarlı alanı gösterir. PRF topografya, düşük ağırlıklarla PRF merkezi yapısı karşısında çubuk desenler de bazen görülür. Prf merkezinden geçen çubuk açıklığı boyunca alanı PRF merkezi ile eş zamanlı olarak uyarılır gerçeği ile ilgilidir. . Onlar kolayca eşikleme aşamasında elimine edilir (B) önceki yöntemle karşılaştırılması (DIG, doğrudan-fit izotropik Gauss) 1 ve topografya-tabanlı PRF merkezi modEl (T-modeli). varyans karşılık gelen yüzde her model üzerinde gösterilir. T-modelleri yüksek daha doğru PRF şekil yakalama, tüm örneklerde açıklanan varyans gösteriyor. Daha fazla bilgi ve ek örnekler Lee et al. 2'ye bakınız.
Önemli bir gereklilik kullanılan fonksiyonel manyetik rezonans paradigma iyi retinotopy verileri sağlar sağlamaktır. Sonra PRF topografi yöntemi retinotopic merkezcillik ve azimut haritalar (Şekil 3) tahmin etmek için kullanılabilir. Bu haritalar daha önceki yöntemler 1,4-7 gibi benzer temel retinotopic mimarisini gösteriyor, ama PRF topografya gözlem bize daha iyi çevre gelen ve potansiyel gürültü veya PRF merkezine uzak eserler arasından PRF merkezi ayırmak için izin verir, çünkü onlar daha doğru. Bu, diğer şeylerin yanı sıra, yüksek dışmerkezliliğinden de retinotopic haritaları iyi tahmini sonuçlar (gözlenen farklılıklar ayrıntılı bir hesap Lee ve ark bulunabilir. 2).
Şekil 3: retinotopic haritalar ve PRF boyutu konunun sol hemisfer (A) Eksantriklik ve Polar açı haritalar.. CS Kalkarin sulkus gösterir. Şekil A sağ panelinde, siyah daire PRF voksel Şekil 4 alınır gösterilen edildiği bir bölge-faiz (YG) gösterir. PRF boyutu ve eksantrikliğe arasında (B) ilişki. PRF boyutu görsel alanlarda V1-3 eksantirisite artar. Bu grafik, (A) 'dan çekilir.
topografya-tabanlı model (T-modeli) yöntemi, birçok farklı parametrik modellerin test etmek zorunda kalmadan, örneğin PRF boyutu, uzama, yönlendirme ve verimli bir surround bastırma gibi çeşitli PRF özelliklerini tahmin etmek için kullanılabilir. Bu tür özelliklerin görselleştirme yardımcı olmak için, MATLAB fonksiyonu (tprf_plotpRF.m) PRF topografya, ilgili PRF merkezi modeli ve ham BOLD sinyal kendi uygun (Şekil 4) araziler sağlanır. Bazı durumlarda, PRF özellikleri de PRF modelleme ihtiyacını ortadan kaldırarak, topografya doğrudan tahmin edilebilir unutmayın.
Şekil 4: yazarlar tarafından geliştirilen MATLAB araç kutusu gösterilmesi. Bu komplo, bir kullanıcı tarafından seçilen bir vokselın PRF topografya ve ilgili PRF modeli uyum gösterir. resimli voksel Şekil 3A gösterilen ROI seçildi çiğ:. Gerçek BOLD yanıt, beklenen t: PRF topografya ile tahmini, Sonr m: tahmini PRF merkezi parametrik modeli ile.1fig4highres.jpg "target =" _ blank "> bu rakamın daha büyük bir versiyonunu görmek için burayı tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu makalede, insan görsel korteks ve nasıl alıcı alanı için uygun bir parametrik bir model seçmek için kullanabilirsiniz görsel nüfus açık alanların topografya tahmin gösterilmiştir. Başarılı bir retinotopy için, uygun bir uyarım protokolü ve verimli bir analiz yöntemi seçilmelidir ve kişinin deneysel parametreler (hareket ve tespit) optimize edilmelidir. O ayrı uyaran yerlerden farklı BOLD yanıtları üretir gibi görme alanı boyunca sırayla hareket Bar uyaranlara PRF tahmini için verimli bir uyarıcı paradigması vardır. verilen yöntem PRF topografya oluşturur. PRF tahmin problemi altında belirlenen genel olduğundan, ridge regresyon 3 olarak adlandırılan bir matematiksel araç PRF ağırlık çözüm üzerinde sparseness makul kısıtlama uygulamak için kullanılır. Bu düzenlilestirme tekniği PRF modeli tahmin de çok etkili olduğu gözlem sayısı (zaman noktasıKALIN sinyal s) uyaran mekansal boyutuna kapsayan piksel sayısı önemli ölçüde daha küçüktür.
Bu yöntem, önceki yöntemlere göre daha PRF merkezinin daha sağlam tahmin sağlar. Bunun birkaç nedeni vardır: 1) daha sonra ilk bölümler PRF topografya gelen PRF merkez bölgesi ve PRF uzak potansiyel PRF modeli etkileyebilecek önyargıları doğrudan modellerinde uygun (yani çevre bastırma veya gürültü eserler kaçınarak, uygun bir modeli uyar merkezi). 2) topografya görsel bir sistematik hataları ortaya çıkarılması Son model uyum performansını yanı sıra 3) Aksi tespit edilemeyebilir PRF yapısının özelliklerini tespit etmek imkanı doğrulamak için fırsat verir incelemek için yeteneğine sahip. 4) montaj alanı kısıtlayıcı olarak, bu model yanlış, doğrudan uyum modelleri (Şekil 2B bakınız) kıyasla uyaran sunum sınırında içinde PRF harita daha az olasıdır. Hiçbirikilde, bir kullanıcı önerilen yöntem de doğru uyaran sınırına yakın PRF şekli yakalamak için sınırlamaları vardır unutmayın gerek. Bu sınırına yakın çubuk uyaranlara olan PRF merkezi normalde uyaran sunum bölge dışında olacağını voksellerden ait kısmi açık alanları aktive olması nedeniyle. Herhangi bir açık alan haritalama yöntemi bu soruna tabi ve mükemmel bütün eşleştirilmiş açık alan merkezi kısmından tahmin sürece sınırında göreceli bir tepe gösterir. Bizim yöntem belirgin uyaran sunum sınırına yakın yalan pRFs merkezine mesafe abartma eğilimindedir doğrudan oturan yöntemlerden 1,9, daha doğru, söyledikten sonra (Lee ve ark Şekiller 5 ve 6 bakınız. 2 için Daha fazla ayrıntı).
Ele alındığı gibi, güçlü bir PRF topografya b serbest düzenlilestirme parametresi, λ (Şekil 1) bağlıdır oluşturmak içinE ayrı ayrı voksellerin optimize, ya da tüm voksellerden ortak bir parametre olarak. düzenlilestirme parametresi montaj ölçüde (aşırı uydurma ya da altı-uydurma) veri ayarlayarak PRF topografya etkiler. Küçük bir λ gerçek PRF kıyasla gürültülü PRF topografyalarının (yani, aşırı uydurma) yol açarken, büyük bir λ görsel yanıtları bastırır ve böylece (yani, altı-uydurma) gerçek PRF boyutuna göre haklı fazla yayılma topografyalarına neden. Optimal lambda seçimi başarılı PRF tahmini için çok önemlidir. Biz farklı veri alt gruplarında λ 's tahmin ve çapraz-doğrulama stratejisi kullanarak bu tahminleri değerlendirildi. Bu PRF topografya tahmininde önyargıları en aza indirir. Potansiyel artık önyargıları daha farklı topoğrafyası eşikleri yüksek varyans sonuçları birini seçmek için incelenmiştir PRF merkezi modelleme aşamasında, azalır (Lee ve ark bkz. 2).
Fison olarak, önerilen topografya yaklaşımı hesaplama etkilidir. PRF tahmini, optimum düzenlilestirme parametresi λ bulma dahil olmak üzere tüm vokselleri üzerinde Topografyaları'nın PC ortamında sadece birkaç dakika sürer. Bu aşamada görsel tepkisiz vokselleri belirlenmesi daha verimliliğini artırmak, PRF-merkez modelleme daha hesaplama zorlu aşama onları dışlar. Belki daha da önemlisi, araştırmacılar, artık onlar PRF topoğrafya tarafından uygun modeli seçiminde rehberlik edilebilir beri, iyi uygun olanı bulmak için birden fazla farklı PRF modelleri test etmek gerekir.
Bu protokolde gösterilen yöntem nüfus açık alan topografya ölçer ve nüfus açık alan modelleme rehberlik için kullanır. Bu yaklaşım, daha sağlam ve doğru PRF tahminlerinde sonuçlanan, doğrudan nüfus açık alan haritalama yöntemleri mevcut önyargı azaltır. Aynı zamanda sistematik hataları en aza indirir ve fonksiyonel organı okumak için bize izin veriryüksek hassasiyet ile görsel korteksin yönetsel,. Bu görsel yolların lezyonu olan kişilerde durumunda özellikle geçerlidir, kime PRF yapısı-priori tahmin etmek kolay olmayabilir.
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/ |
References
- Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
- 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).
- Hastie, T., Tibshirani, R., Friedman, J. H. The elements of statistical learning : data mining, inference, and prediction. , 2nd edn, Springer. (2009).
- Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
- 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).
- Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525 (1994).
- 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).
- 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).
- Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. , (2012).
- 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).
- Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686 (2012).
