Summary
所述方法的目标是确定范式的什么时刻 (时间透视), 以及在哪些区域 (空间透视) 之间, 功能连接中的显著重新配置发生在功能磁共振成像上在其中播放有时间锁定的刺激的录音。
Abstract
基于任务的功能磁共振成像具有很大的潜力, 可以理解我们的大脑是如何对各种类型的刺激做出反应的;然而, 这通常是在不考虑功能处理的动态方面的情况下实现的, 分析输出通常会考虑任务驱动效应和大脑活动的潜在自发波动的合并影响。在这里, 我们引入了一个新的方法管道, 可以超越这些限制: 使用滑动窗口分析方案可以跟踪功能随时间变化, 并通过交叉主题相关性测量, 该方法可以隔离纯粹与刺激有关的影响。通过严格的阈值过程, 可以提取和分析主体间功能相关性的显著变化。
在一组接受了自然主义视听刺激的健康对象身上, 我们通过将未发现的功能重新配置与电影的特定线索捆绑在一起, 证明了这种方法的有用性。我们展示了如何通过我们的方法, 捕捉大脑活动的时间轮廓 (给定连接的演变), 或者在关键时间点关注空间快照。我们提供了一个公开的版本的整个管道, 并描述了它的使用和其关键参数的影响逐步。
Introduction
功能磁共振成像 (fMRI) 已成为非侵入性监测外部刺激引起的大脑活动变化的首选工具。更具体地说, 人们对区域激活时间课程 (称为功能连接(fc)1 ) 之间的统计相互依存关系的理解产生了浓厚的兴趣, 通常被计算为皮尔逊的相关性系数。大脑中的功能交互已被广泛地证明是作为基础任务2,3,4的功能重新配置。
除了这一介绍性描述之外, 还分别遵循了两个分析方向: 一方面, 观察到时间锁定刺激在特定大脑区域引起的反应在不同的研究对象之间有着强烈的相关性 5.量化这种学科间相关性(isc) 显示出提高我们对认知6、7、8、9 和大脑疾病10、11 的理解的潜力.此外, 这种跨主体关联方法还扩展到跨区域同步性 12的评估, 即所谓的主体间职能相关性(isfc) 方法13。
另一方面, FC 重组的动态味道开始受到越来越多的关注 (见 H和chison 等人 14、Preti、Bolton 和 Van de ville 15、冈萨雷斯-卡斯蒂略和班代蒂尼16关于最近的评论重述状态和任务为基础的双方的这个问题)。特别是, 随着时间的推移, 可以通过连续的相关测量来跟踪整个大脑 fc 的变化, 在逐渐转移的时间子窗口17,18, 揭示了在行为任务的背景下的额外见解19,20。
在此, 我们提出了一个将这两个途径结合起来的方法框架。事实上, 我们以滑动窗口的方式计算 ISFC, 以跟踪暴露在一个时间锁定的自然主义范式下的主体之间跨区域同步的演变。通过该方法的交叉主体方面, 分析的重点是刺激驱动的效果, 而自发的 fMRI 变化 (这在被试之间是不相关的) 是强烈的阻尼。这一点很重要, 因为休息状态和任务唤起的活动模式越来越被理解为具有不同的特性21,22。
至于该方法的动态组件, 它可以更完整和准确地描述任务刺激, 特别是当探索自然主义范式, 其中不同的线索 (听觉, 视觉, 社会等) 结合随着时间的推移。此外, 由于对重大动态波动的合理统计评价已引起激烈辩论 23,24, 我们的方法特别注意这方面的分析, 隔离重大的 isfc 变化通过与相应的空数据进行比较。
我们在接触到视听电影刺激的一组健康对象上说明了这种方法, 并向他们展示了局部电影子区间产生的时间和空间 ISFC 变化轮廓可以准确提取。在此过程中, 我们还描述了用户选择的主要分析参数的影响。所提出的调查结果是根据以前公布的数据25、26 的一部分得出的。
Protocol
以下协议已得到当地道德委员会的批准 (生物医学 Inserm 协议 C08-39)。
1. 预成像
- 注册一个研究对象的群体, 获得所有科目的书面、知情同意。寻求当地道德委员会的批准。
- 选择一个范式来调查, 该范例可以以锁定的方式应用于所有主题。
请注意:在这里, 我们使用了青少年视听科学纪录片 (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study)。
2. 成像
-
对于分析中需要考虑的每个主题, 至少执行一次功能成像, 其中扫描的志愿者受到感兴趣的时间锁定范式的影响。
- 使用3特斯拉 MRI 扫描仪通过回声平面成像序列获取横向切片。
- 采用以下成像参数: 体素尺寸 = 3 mm x 3 毫米 x 3 毫米, 重复时间 (TR) = 2 s, 回波时间 = 50 毫秒, 视野 = 192, 40 片。
请注意:在可行性范围内鼓励更快的 TR 值。该协议还可以应用于更有限的视野 (例如, 用于仅限于特定大脑子结构的分析), 这将使其能够获得更好的时间分辨率 (较低的 TR), 或在空间上进行更精确的分析。 - 在表示刺激之前和之后留下几秒钟的记录 (≥2 TR)。
- 执行至少一个单独的功能成像会话, 在这个过程中, 扫描的志愿者躺在扫描仪中休息, 闭着眼睛, 并指示他们不要睡着。
请注意:单独的刺激相关和休息状态的获取防止其他可能的相互作用之间的条件 (例如, 事先观看了电影可能会留下一个持久的痕迹, 随后获得的休息状态录音)27。如果不希望进行上述额外的恢复状态采集, 则会采用另一种方法 (尽管更容易检测到误报; 见讨论) 计算选项将替换为代理时间课程的数据从与范例相关的信号计算 (请参见步骤 5.1.2)。 -
执行结构成像。
- 使用3特斯拉 MRI 扫描仪和 T1 加权磁化制备的快速采集梯度回波序列。
- 采用以下成像参数: 体素尺寸 = 1 mm x 1 mm x 1 毫米, 视场 = 256, 176 片。
3. 数据和软件准备
-
对于要分析的每个会话, 请确保存在以下数据文件:
- 一组功能性 MRI 卷, 显示为单独的 3D NIFTI 或 hdrimg 文件, 具有一致的编号方案 (例如, "fMRI_0001"、"fMRI_0002" 等)。
- T1 结构 MRI 图像, 采用 NIFTI 或 HDR/IMG 格式。
- 蒙特利尔神经学研究所 (MNI) 空间的兴趣地图集, 以 NIFTI 格式提供。
注: 为具有代表性的主题 ("S17") 提供了所需输入文件的示例, 以及完整的管道代码, https://c4science.ch/source/Intersubj_pipeline.git
- 下载公开提供的 Freesurfer 软件28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall) 的最新版本。
- 从https://www.fil.ion.ucl.ac.uk/spm/software/spm12/下载最新版本的统计参数映射 (spm) matlab 工具箱。
- 打开 MATLAB (版本2017a 或更新版本), 并找到新下载的 "免费冲浪" 和 "spm12" 文件夹。对于每个文件夹, 右键单击它, 然后选择"添加到选定文件夹和子文件夹 > 选项.
4. 数据预处理
-
在 MATLAB 终端中, 键入 spm 以启动 SPM12 主菜单, 然后单击 fMRI 按钮以访问专门用于 fMRI 数据的预处理选项。为每个 fMRI 会话分别执行以下步骤进行预处理。
- 单击"重新排列" (est &Amp; 汁), 然后在新打开的 "批处理编辑器" 窗口中, 双击"数据>会话".在新打开的 "会话" 窗口中, 选择要处理的所有功能图像。然后, 单击"完成"按钮, 然后单击 "批处理编辑器" 窗口中的"运行批处理"图标 (绿色三角形)。如 MATLAB 终端窗口中所示, 等待重新调整步骤完成。
- 单击Coregister (est &Amp; 汁), 然后在新打开的 "批处理编辑器" 窗口中, 双击"参考图像".在新打开的 "参考图像" 窗口中, 选择在下面的步骤中创建的平均功能音量, 前缀为 "平均值", 然后单击"完成"按钮。然后, 双击"源图像",然后在新打开的 "源图像" 窗口中, 选择 t1 图像。单击"完成"按钮, 然后单击 "批处理编辑器" 窗口中的"运行批处理"图标 (绿色三角形)。如 MATLAB 终端窗口中所示, 等待核心注册步骤完成。
注: T1 图像在此步骤中被覆盖, 因此更新后的图像位于与功能卷相同的空间中。 - 单击"段", 然后在新打开的 "批处理编辑器" 窗口中, 双击"卷"。在新打开的 "卷" 窗口中, 选择 T1 图像, 然后单击"完成"按钮。然后, 在 "批处理编辑器" 窗口中, 双击 "变形字段" 并选择"反向" 选项。单击 "运行批处理"图标 (绿色三角形), 然后等待分段完成, 如 matlab 终端窗口中所示。
-
在 MATLAB 终端中键入 JOVE_GUI1 以打开第一个预处理图形用户界面窗口。对每个 fMRI 会话执行以下步骤进行分析。
- 单击"输入 fMRI" 数据, 然后选择在步骤4.1.1 中创建的所有重新调整的功能卷 (前缀为 "r")。对于 IMG/HDR 文件, 选择 IMG 和 HDR 卷。
- 在专用的可编辑文本窗口中输入数据的 TR (以秒为单位)。
- 点击输入 T1 数据,选择在步骤4.1.3 中创建的三个概率组织类型卷 (前缀为 "c1"、"c1" 和 "c1")。
- 单击"输入运动文件", 然后从感兴趣的会话中选择包含运动参数的文本文件, 该文本文件在步骤4.1.1 中创建, 前缀为 "rp"。
- 选择所需的预处理类型, 即数据是否应被指示 (分别设置专用单选按钮打开或关闭), 以及应重新设置哪些协变量 (通过从专用列表中选择适当的选项)。
请注意:回归步骤来自来自 DPARSF 工具箱29的函数.单个受试者的白质和脑脊液信号在体素上平均, 其中相应模板 DPARSF 概率组织图显示的信号大于0.99。在我们的分析中, 我们对数据进行了分析, 并对白脑脊液时间过程以及常数、线性和二次趋势进行了回归。 - 若要预处理数据, 请单击 "预处理", 然后等待显示显示在窗口中。通过修改选项并再次单击 "预处理" 按钮, 可以以不同的方式重新预处理数据。
请注意:灰质图的灵感来自 Power 等人30 的建议。 - 要保存以下步骤的输出, 请单击 "保存" 按钮。要清除窗口的内容, 请单击 "清除" 按钮。
补充图 1: 第一个预处理图形用户界面窗口中的示例屏幕截图.在选定的预处理选项 (右上角的图形) 和可用于预处理的协变量 (从上到下: 脑脊液/白质平均时间过程、平移运动) 之后的灰质体体素的 voxels 时间过程参数和旋转运动参数。请点击这里查看此图的较大版本.
-
在 MATLAB 终端中键入 JOVE_GUI2 以打开第二个预处理图形用户界面窗口。对每个 fMRI 会话执行以下步骤进行分析。
- 单击"选择数据", 然后选择4.2.7 步骤中保存的数据文件 (名为 "isfc _ vx. mat")。
- 单击"选择运动", 然后从感兴趣的会话中选择包含运动参数的文本文件, 该文本文件是在步骤4.1.1 中创建的, 前缀为 "rp"。
- 单击"选择地图集",然后选择表示要用于划分的地图集的 NIFTI 文件。
- 单击 "选择逆翘曲", 然后选择表示从 mni 到本机空间的变形字段的 NIFTI 文件, 该文件在步骤4.1.3 中创建, 并以 "iy" 为前缀。
- 单击"选择 fMRI 卷",然后选择任何 fmri 数据卷。
请注意:此步骤允许访问功能数据的标头信息, 因此实际选择的卷并不重要。 - 在专用的可编辑文本窗口中输入数据的 TR (以秒为单位)。
- 在 "擦除类型" 列表中输入与擦洗相关的信息: 要执行的擦除类型 (即标记帧之前和之后要擦除的帧数), 以及帧位移阈值 (power 的标准31)在上面, fMRI 体积应在 "擦洗阈值" 可编辑文本窗口 (毫米) 中擦洗。
请注意:在擦除的数据点上执行立方样条插值, 以将其替换为来自相邻样本的估计值。在我们的分析中, 我们在标记的卷之后擦除了一个帧, 并使用了 0.5 mm 的阈值进行擦除。 - 在 TRs 中输入要用于 ISFC 计算的滑窗 w 的大小 (请参阅步骤 5)。
请注意:这条信息将允许通过源自 DPARSF工具箱 29的函数过滤时间过程, 其价格为 f = 半 hz32。在我们的分析中, 我们使用 W = 10 TR 作为权衡值, 以捕获动态波动, 同时保存足够的样本以进行可靠的估计。 - 单击 "绘图" 按钮, 显示指示性地图集时间课程之前 (顶部绘图) 和之后 (底部绘图) 的清理和过滤步骤。通过目视检查, 验证按照选定的预处理步骤, 这些输出信号不包含突出的事实成分。
- 若要保存以下步骤的输出, 请在专用的可编辑文本窗口中输入保存名称, 然后单击 "保存" 按钮。要清除窗口的内容, 请单击 "清除" 按钮。
补充图 2: 第二个预处理图形用户界面窗口的屏幕截图示例.区域时间路线跟随地图集, 在 (顶图) 之前和之后 (底部图) 擦洗和过滤根据选择的参量。每条曲线描绘了在所有可用的过程中随机选择的一个区域时间课程。请点击这里查看此图的较大版本.
5. 滑窗 ISFC 计算
-
在 MATLAB 终端中键入 JOVE_GUI3 以打开第一个与 isfc 相关的图形用户界面窗口。对于每种类型的获取 fMRI 会话段 (与刺激相关的段、与刺激相关的会话的恢复状态段和纯恢复状态段) 分别执行以下步骤。
- 单击"加载数据", 然后选择通过步骤4.3 创建的所有相应数据文件。
- 选择所选的会话段是否应进行阶段随机化。
请注意:如果没有可进行的恢复状态记录, 则可以使用相位随机化作为从刺激相关信号生成空数据的替代选项。 - 在专用的可编辑文本窗口中输入数据的 TR (以秒为单位)。
- 在专用的可编辑文本窗口中输入用于分析的滑动窗口参数: 应计算连接测量值的窗口大小 (以 Tr 为单位), 以及应将连续窗口移动的步长 (以 Tr 为单位)。
请注意:在我们的分析中, 我们使用了 10 TR 的窗口大小和 1 TR 的步长。 - 修改 "会话类型" 表, 以指定在相同的实验条件下获取了哪些加载的会话段。使用从1开始增加整数来标记不同类型的段 (例如, 如果在给定的录制中第一次或第二次显示了刺激)。如果只获取了一种类型的会话段, 则保持表不变。
请注意:本工作中的会话可以是电影休息状态的合并记录 (图 1A中称为 run 1 和 run2 ), 也可以是纯粹的休息状态记录 (run3 ).会话段是指会话录制的子部分, 可以是在观看电影的时间, 也可以是在主题处于静止状态时。上述信息用于随后描述的 ISFC 计算 (请参阅步骤 5.1.8), 以限制不同会话段类型的混淆影响。 - 在专用的可编辑文本窗口中输入与引导应用相关的参数: 要对其执行 ISFC 计算的引导折叠数, 以及应构成 ISFC 计算每个折叠的引用组的主题数。
请注意:在我们的分析中, 我们在参考组中使用了250个引导折叠, 并在参考组中使用了6个主题。 - 在"计时参数"部分的专用可编辑文本窗口中输入有关时间课程的哪些子部分应进行分析的规范。应提供启动索引和结束索引 (以转登记册)。若要分析整个记录持续时间, 请使用1作为开始索引, 将样本数作为结束索引。
- 单击 "绘图" 按钮以执行 isfc 计算。随着时间的推移, 显示器以及经过的引导折叠量逐渐更新。对于区域对 (i, j) 和滑动窗口索引, ISFC 计算为会话段与引用组中的所有会话段之间的平均交叉相关性, 在长度为 w 的滑动窗口内;用表示这个参考组 , 用n表示它的主题数量 , 并让 xi [s ]( t ) 在时间 t 中的区域 i 的时间过程 ;ISFC 的估计, 然后给出的是:
ISFC 测量是在指定数量的引导折叠上计算的, 并且在每个折叠时使用选定数量的会话段作为参考组 (请参阅步骤 5.1.6)。如果包含多个会话段子类型, 则子类型样本的混合始终构成引用组。每个会话段的最终输出是所有折叠中的平均 ISFC, 其中它未作为参考度量值包括在内。
请注意:引用组是会话段的集合, 在引导过程的每个折叠中, 会话段的功能时间进程将与之进行比较。为了使结果更可靠地异常数据点, ISFC 在不同的引用组 (即会话段的不同子集) 上进行多次计算。重要的是, 采集时间 t 与滑动窗口索引不匹配, 因为后者是在一组 W 数据点上计算的, 并且依赖于连续估计的窗口步长。这个引导过程是由 Byrge 等人的一项研究中启发的. - 若要保存以下步骤的输出, 请在专用的可编辑文本窗口中输入保存名称, 然后单击 "保存" 按钮。要清除窗口的内容, 请单击 "清除" 按钮。
补充图 3: 第一个与 isfc 相关的图形用户界面窗口中的屏幕截图示例.(顶部情节)计算 ISFC 测量的频率的原理图表示 (即未在引用组中选择)。(底部图形)在一个指示性的主题上, ISFC 时间课程为50个示例连接计算, 选择为显示跨时间最大的总和绝对 ISFC 值的实例。请点击这里查看此图的较大版本.
-
在 MATLAB 终端中键入 JOVE_GUI4 以打开第二个与 isfc 相关的图形用户界面窗口。
- 单击"加载 isfc 数据",然后选择在步骤5.1 中创建的与刺激相关的 ISFC 输出文件。
- 单击"加载空数据" ,然后根据使用的空数据生成方案选择 "恢复状态 isfc" 或在步骤5.1 中创建的与之相关的相位随机化刺激相关 isfc 输出文件。
- 单击"加载代码手册" , 然后选择在步骤4.3 中创建的码本文件。
- 在专用的可编辑文本窗口中输入数据的 TR (以秒为单位)。
- 在专用的可编辑文本窗口中输入步骤 5.1 (窗口大小和步骤大小, 以 Tr 为单位) 计算中使用的滑动窗口参数。
- 输入 (百分比) 应在其中对 ISFC 时间过程进行阈值的α值, 以突出显示专用可编辑文本窗口中的重大更改。
请注意:在这里和其他地方, 当提到α值为2.5% 时, 这意味着当一个值低于空数据的2.5 百分位数或大于97.5时, 就会达到显著性。在我们的分析中, 我们有 5, 762个静定状态数据点供我们处理, 并选择了 10-4的α值。这意味着, 我们希望0.01% 的数据样本大于或等于选定的阈值, 而 ISFC 出游将被认为是重要的。为便于比较, 邦费罗尼校正所要求的α水平为 0.05/4451 = 1.12 x10-6, 最严格的可能的α水平将由
我们的数据量 (n 样本) 启用。 - 单击 "绘图" 按钮以执行 isfc 阈值过程, 在该过程中, 所有可用的空 isfc 测量值都聚合在给定的连接中, 以构造空分布, 然后进行与刺激相关的 ISFC 测量根据所选的α值进行阈值运算。与刺激相关的 ISFC 值在统计上显著超过空分布的时间点分别标记为-1/+ 1, 用于显著的 ISFC 减少和增加。
请注意:阈值过程从 Betzel 等人的恢复状态动态 FC 工作中汲取灵感. - 要在不同时间点可视化 ISFC 空间模式, 请拖动 ISFC 偏移图下方的滑块。
我们的数据量 (n 样本) 启用。
补充图 4: 第二个与 isfc 相关的图形用户界面窗口中的屏幕截图示例.(左上角的情节)在一个指示性主题上, ISFC 时间课程为三个示例连接计算, 选择为显示最大数量的 ISFC 游览的实例, 并显示与它们相关的计算显著值阈值 (水平线)。(左下角图形)对于相同的连接, 相关的游览时间课程在不同科目之间平均, 两个尾随95% 的置信区间显示为错误度量。(右图)空间 ISFC 模式 (平均 ISFC 跨主体游览) 的选定时间点由 ISFC 和游览图上的垂直黑线指示。正 ISFC 出游显示为黄色, 负游览显示为粉红色。节点的大小和颜色代码与其程度成正比。请点击这里查看此图的较大版本.
Representative Results
在这里, 我们考虑了 n = 15个典型的开发 (TD) 主题, 我们为其获得了书面的、知情的同意。所有男性均为右手男性 (234±7.8 岁)。所选择的范式是一部为青少年拍摄的关于阳光照射危险的视听科学纪录片。它包含大量的视觉、听觉和社交刺激, 可以在https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study观看。
我们获得了两个会话每个主题 (RUN1和 run2), 其中评估的电影显示从5到 353秒 (5.8分钟持续时间)。休息状态段也跟随386到678秒 (4.9分钟持续时间)。此外, 还为每个主题 (不包括患有幽闭恐惧症的人) 获得了一次单独的静息会议 (run 3), 持续 31秒 (5.2分钟)。图 1 a总结了电影场景和采集数据的时间安排。重要的是, 获取协议并不理想, 因为在电影曝光后获得的恢复状态记录可能会被溢出效应27部分损坏;我们利用这些数据在目前的研究结果中得到一个令人满意的样本量的统计阈值, 但这应该尽可能避免。
我们排除了所有超过10% 的帧被擦除的会话, 其阈值为 0.5 mm, 并考虑了 Cradock 等人34 (两级时间相关算法) 中的分离, 以生成区域时间课程, 总共299不同的大脑区域。
ISCC 在 (1) RUN1 和 RUN2的观影子部分上分别计算, (2) run 1 和 run2的静定状态子部分, (3) 休息状态的 run 3 录音.我们使用窗口长度 W = 10 TR 的主要显示结果, 并将它们与 W = 5 TR 的较低值进行比较. 步长始终等于 1 TR. 引导执行了250多个折叠, 包括每个参考组中的6个会话段。
图 1B显示了在 w = 10 Tr 和 w = 5 tr 生成的三个不同代表性连接的 isfc 时间课程: 连接1涉及与运动物体预期相关的左下顶叶区域 (mni 坐标:41, 9, 32)35, 以及与反应抑制有关的右额叶肌区 (-34,-52, 45)36。后一个区域还涉及连接2和 3, 分别涉及感官协调的区域 (54、6、34)37, 以及与处理单词 (6、62、9)38的含义有关的区域。
对窗口长度的比较显示, 在 W = 5 TR 设置中, 在观看和恢复状态段的情况下, 受试者的时间方差总体上更大, 而 w = 10 TR 是滑动窗口分析中已知的现象39。对于连接 1, 无论窗口长度如何, 观看电影记录的本地化子部分 (约 55秒) 显示不同主题的 ISFC 显著同步增加, 这在很大程度上超过了在恢复状态情况下所采用的值范围。因此, 我们希望用我们的阈值方法将这个时间子部分捕获为一个重要的 ISFC 瞬态。
对于连接 2, 我们观察到类似的时间动力学, 但对于 W = 5 TR, 由于较大的滑动窗口方法相关噪声, 与静息状态时间过程相比, 增加变得不那么容易分离。至于连接 3, 它反映了一个案例, 在这个案例中, 电影没有明确的反应, 因此, 看电影和休息状态时间课程的波动是相似的。在这一分析阶段的预期结果是显示明显的刺激引起的再配置的连接与不响应的连接之间的混合。
图 1: 采集时间和 ISFC 时间课程示例.(a) 研究对象观看的电影涉及广泛的社会情况 (例如图像1和 4)、带有彩色面板的科学解释 (例如图像2和 5) 和景观景观 (例如图像 3)。每个主题获得了三个课程: 两个主题 (RUN1和 run2) 包括电影刺激 (从5到 353秒, 以绿色突出显示), 然后是休息状态期间 (386到67秒, 以黄色显示), 而一个 (run3) 仅包括在休息状态记录 (310秒的持续时间, 显示在橙色)。(b) 对于三个指示性连接 (c1、c2 和 c3, 分别为深绿色、浅绿色/橙色和 turquoeise:l即黄痕迹), 在观看电影 (冷色) 或休息状态 (热色) 期间, ISFC 会随着时间的推移而演变。对于 W = 10 TR (左面板), 与 W = 5 TR (右面板) 相比, 观看电影的 ISFC 变化在很大程度上更为突出。每个跟踪都反映了一个会话的 ISFC 时间过程。这一数字已部分由 Bolton 等人修改。请点击这里查看此图的较大版本.
图 2a显示了 isfc 时间过程的统计阈值后的结果, 用于与上述相同的三个连接。时间课程值为1表示所有受试者在同一时间点接受了相同的 ISFC 增加;值为0表示没有一个对象经历过 ISFC 的重大变化;值为-1 表示所有主体的 ISFC 同步减少。与以前一样, 我们对比 W = 5 TR 和 W = 10 TR, 我们还强调两个α值的情况: α= 0.01%, α = 5%。
与上述观测结果相适应, 较低的窗口长度可减少提取的显著 ISFC 更改的量。对于连接 1, W = 5 TR 和 W = 10 TR, 但是, 提取相同的特定时刻 (t = 55s) 显示一个强大的 ISFC 增量。考虑到大约5秒的血流动力学延迟, 这相当于电影中的一个子部分, 当彩色线条向娃娃延伸时, 就在它前面 (46-49秒) 突然停了下来, 这与相关区域在移动物体中的作用相吻合期望和反应抑制35,36。
当将α从0.01% 增加到5% 时, 可以观察到检测到的 ISFC 瞬态的特异性要低得多, 可能包括许多误报和预期显示的时间同步程度要低得多。
作为另一个可以在数据上设置的视角,图 2B显示了在 t = 55秒处显著变化的整个大脑空间图。可以看出, 对电影场景的响应远远超出了这里描述的示例连接。
图 2: isfc 模式的时间和空间快照.(a) isfc 瞬态时间课程, 各科目平均为三个指示性连接 (c1、c2 和 c3, 分别为深绿色、浅绿色和绿松石痕迹)。推动 ISFC 变化的电影场景以浅灰色突出显示, 并通过示例图像进行描绘。对于 W = 10 TR (图的左列), ISFC 更改的检测强度高于 W = 5 TR (图的右列)。对于α= 0.01% (情节的顶行), 局部电影线索的特异性大于α= 5% (情节的底部行)。每个跟踪都反映了一个会话的 ISFC 瞬态时间过程, 两个跟踪95% 的置信区间显示为错误度量。(b) 对于 w = 10 tr 和α= 0.01%, 在 t = 55S (c1 的峰值 isfc 瞬态值) 上有一个整洁、受限的 ISFC 瞬态空间模式;对于 W = 5 TR 和α= 5%, 此时正在经历重大 ISFC 变化的连接要多得多。请注意, 在所描述的时间性中, 我们假设血流动力学延迟约为 5秒 (即这里的值为55秒与50秒时的电影刺激有关)。这一数字已部分由 Bolton 等人修改。请点击这里查看此图的较大版本.
Discussion
在健康主体的数据集上, 我们演示了同步交叉主体 (ISFC 瞬态) 中的增加和减少如何与临时本地化的电影提示相匹配, 从而提供了超出静态描述的信息。虽然使用跨主体相关措施能够将分析重点放在刺激驱动的功能重组上, 但人们也必须意识到, 它将调查结果限制在所研究人群中共享的影响上: 因此, 是低水平的与正面处理40相比, 感觉处理的比例预计会过高。为了绕过这一限制, 正在开发新的方法, 这些方法也有能力提取各学科差异最大的区域 41。
引入的方法的另一个局限性来自滑动窗口方面, 因为与框架方面的方法相比, ISFC 瞬态时间程的时间分辨率降低了 15.正如我们所表明的, 需要在足够低的窗口长度以正确解决动态 ISFC 重新配置和足够大的大小以获得可靠的估计之间进行权衡。我们框架中的两个关键步骤确保提取的 ISFC 瞬态反映了连接中真正发生的变化: 第一, 按窗口长度32的反转对区域时间过程进行高通过滤;其次, 利用静定状态 ISFC 数据生成相关的空分布, 与刺激相关数据具有相同的采集参数。当然, 后者还需要更长的全球采集时间, 以便在与刺激有关的会议之外收集休息状态数据。作为避免额外的恢复状态记录的替代方法, 我们还提供了直接从刺激相关的时间课程生成相位随机数据的可能性, 这种方法通常用于动态功能连接分析23,24. 对一组会议的进一步评价显示, 虽然重述状态 null 方法比较保守, 因此更不容易出现误报, 但两个方案的 ISFC 出游检测全球模式相似 (见补充图 5)。
补充图 5: 通过空数据生成方法检测 ISFC 游览.对于恢复状态 (左列、蓝色图) 或相位随机化 (右列、红色图形) 空数据生成方法, 通过连接提取的 ISFC 游览的百分比。底部的图形是关于从前三个被考虑的大脑区域发出的连接的内集。误差表示主体之间的标准偏差。请点击这里查看此图的较大版本.
恢复状态获取的持续时间实际上与分析的一个关键参数有关: α值。如上所述, 过于宽松的选择将导致检测到的 ISFC 瞬态中出现大量误报。可用的恢复状态数据量越大, 可实现的假阳性率就越严格, 因为阈值可以基于空分布中更极端的值。作为一个指示, 对于 n = 299 地图集区域, 在这里, 并考虑到我们的统计 5, 762个静状态数据点, 我们最多可以实现一个α值接近 0.01% (请参阅步骤5.2.6 的数学细节)。
与任何 fmri 分析相关的另一个关键点在于严格删除可能与运动相关的伪影从分析数据30,42。特别是, 如果我们希望将引入的管道应用于在扫描仪中显示有标记运动的患病人群, 我们建议在进行的统计分析中, 除了将运动变量作为协变包括在内之外, 还应进行额外的预处理。步骤, 如小波去噪43或 ica-aroma44。例如, 通过在这两类兴趣上同时运行所述方法, 可以很容易地进行群体比较 ISFC 瞬变, 这可以很容易地实现 (见 Bolton 等人, 例如被诊断的人群)自闭症谱系障碍)。但是, 组之间的差异可能会出现在两个不同的设置中: (1) 一个组中缺少 ISFC 的变化, 或 (2) 该组中更具异构性的进化。为了消除这两个因素, 应使用健康主题集作为引导步骤中的参考组, 为患病组再次运行管道。前一种情况仍将导致没有答复, 而后一种情况则不会。
除了我们在这里描述的之外, 引入的方法还开辟了有希望的未来途径: 从分析方面, ISFC 瞬态地图可以被看作是大脑图, 从这个图表可以得出量化大脑连接的指标 45, 或者动态 isfc 状态可以通过聚类方法提取, 并根据其空间和时间特征进行评估 17,46。此外, 还可以设想使用比 pearson 的相关系数更复杂的连接测量工具来揭示 47,48fc 的微妙侧面。
从实验方面来看, 我们的管道应用于一套更广泛的范式是一个很有希望的视角: 例如, 人们可以设想使用一段音乐49或叙事故事13, 而不是像这里所研究的电影, 50作为一个有时间锁定的刺激。或者, 它甚至可以设想, 通过超扫描51, 探索自然主义的社会沟通52,53。
Disclosures
作者没有什么可透露的。
Acknowledgments
这项工作得到了以下各方面的部分支持: 瑞士国家科学基金会 (赠款编号 205321 _ 163376 至 DVDV)、Bertarelli 基金会 (对 TB 和 DVDV)、生物医学成像中心 (CIBM) 和国家研究机构 (向 ALG 提供04701号临时赠款)。作者要感谢罗伯托·马尔图齐和朱利亚·普雷蒂分别作为核磁共振操作员和扫描志愿者对这项工作的视频内容做出的贡献。
Materials
| Name | Company | Catalog Number | Comments |
| Freesurfer version 6.0 | Laboratory for Computational Neuroimaging, Martinos Center for Biomedical Imaging, Boston (MA), USA | https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall | A MATLAB-compatible toolbox enabling to carry out various processing, visualisation and analytical steps on functional magnetic resonance imaging data |
| MATLAB_R2017a | MathWorks | https://ch.mathworks.com/downloads/ | Working version of the MATLAB computational software (version 2014a or more recent should be used) |
| Statistical Parametric Mapping version 12.0 (SPM12) | Wellcome Trust Center for Neuroimaging, University College London, London, UK | https://www.fil.ion.ucl.ac.uk/spm/software/spm12/ | A MATLAB-compatible toolbox enabling to perform statistical analyses on functional magnetic resonance imaging data |
| Tim-Trio 3 T MRI scanner | Siemens | https://www.healthcare.siemens.ch/magnetic-resonance-imaging/for-installed-base-business-only-do-not-publish/magnetom-trio-tim | Magnetic resonance imaging scanner in which subjects have their functional brain activity recorded (at 3 T) |
References
- Friston, K. J. Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping. 2 (1-2), 56-78 (1994).
- Gonzales-Castillo, J., et al. Tracking ongoing cognition in individuals using brief, whole-brain functional connectivity patterns. Proceedings of the National Academy of Sciences U.S.A. 112 (28), 8762-8767 (2015).
- Peltz, E., et al. Functional connectivity of the human insular cortex during noxious and innocuous thermal stimulation. Neuroimage. 54 (2), 1324-1335 (2011).
- Shirer, W. R., Ryali, S., Rykhlevskaia, E., Menon, V., Greicius, M. D. Decoding subject-driven cognitive states with whole-brain connectivity patterns. Cerebral Cortex. 22 (1), 158-165 (2012).
- Hasson, U., Nir, Y., Levy, I., Fuhrmann, G., Malach, R. Intersubject Synchronization of Cortical Activity During Natural Vision. Science. 303 (5664), 1634-1640 (2004).
- Hasson, U., Furman, O., Clark, D., Dudai, Y., Davachi, L. Enhanced Intersubject Correlations during Movie Viewing Correlate with Successful Episodic Encoding. Neuron. 57 (3), 452-462 (2008).
- Hasson, U., Yang, E., Vallines, I., Heeger, D. J., Rubin, N. A Hierarchy of Temporal Receptive Windows in Human Cortex. Journal of Neuroscience. 28 (10), 2539-2550 (2008).
- Jääskeläinen, I. P., et al. Inter-Subject Synchronization of Prefrontal Cortex Hemodynamic Activity During Natural Viewing. The Open Neuroimaging Journal. 2, 14 (2008).
- Wilson, S. M., Molnar-Szakacs, I., Iacoboni, M. Beyond Superior Temporal Cortex: Intersubject Correlations in Narrative Speech Comprehension. Cerebral Cortex. 18 (1), 230-242 (2008).
- Hasson, U., et al. Shared and idiosyncratic cortical activation patterns in autism revealed under continuous real-life viewing conditions. Autism Research. 2 (4), 220-231 (2009).
- Salmi, J., et al. The brains of high functioning autistic individuals do not synchronize with those of others. NeuroImage: Clinical. 3, 489-497 (2013).
- Mantini, D., et al. Interspecies activity correlations reveal functional correspondence between monkey and human brain areas. Nature Methods. 9 (3), 277 (2012).
- Simony, E., et al. Dynamic reconfiguration of the default mode network during narrative comprehension. Nature Communications. 7, 12141 (2016).
- Hutchison, R. M., et al. Dynamic functional connectivity: promise, issues, and interpretations. Neuroimage. 80, 360-378 (2013).
- Preti, M. G., Bolton, T. A. W., Van De Ville, D. The dynamic functional connectome: state-of-the-art and perspectives. Neuroimage. 160, 41-54 (2017).
- Gonzalez-Castillo, J., Bandettini, P. A. Task-based dynamic functional connectivity: Recent findings and open questions. Neuroimage. 180, 526-533 (2018).
- Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. 24 (3), 663-676 (2014).
- Sakoğlu, Ü, et al. A method for evaluating dynamic functional network connectivity and task-modulation: application to schizophrenia. Magnetic Resonance Materials in Physics, Biology and Medicine. 23 (5-6), 351-366 (2010).
- Douw, L., Wakeman, D., Tanaka, N., Liu, H. State-dependent variability of dynamic functional connectivity between frontoparietal and default networks relates to cognitive flexibility. Neuroscience. 339, 12-21 (2016).
- Mooneyham, B. W., et al. States of mind: characterizing the neural bases of focus and mind-wandering through dynamic functional connectivity. Journal of Cognitive Neuroscience. 29 (3), 495-506 (2017).
- Kim, D., Kay, K., Shulman, G. L., Corbetta, M. A New Modular Brain Organization of the BOLD Signal during Natural Vision. Cerebral Cortex. 28 (9), 3065-3081 (2018).
- Lynch, L. K., et al. Task-Evoked Functional Connectivity Does Not Explain Functional Connectivity Differences Between Rest and Task Conditions. Human Brain Mapping. 39, 4939-4948 (2018).
- Betzel, R. F., Fukushima, M., He, Y., Zuo, X. N., Sporns, O. Dynamic fluctuations coincide with periods of high and low modularity in resting-state functional brain networks. Neuroimage. 127, 287-297 (2016).
- Hindriks, R., et al. Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? Neuroimage. , 242-256 (2016).
- Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Brain dynamics in ASD during movie-watching show idiosyncratic functional integration and segregation. Human Brain Mapping. 39 (6), 2391-2404 (2018).
- Jochaut, D., et al. Atypical coordination of cortical oscillations in response to speech in autism. Frontiers in Human Neuroscience. 9, 171 (2015).
- Dodero, L., Sona, D., Meskaldji, D. E., Murino, V., Van De Ville, D. Traces of human functional activity: Moment-to-moment fluctuations in fMRI data. Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium. , 1307-1310 (2016).
- Fischl, B. Freesurfer. Neuroimage. 62 (2), 774-781 (2012).
- Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
- Power, J. D., et al. Methods to detect, characterize, and remove motion artifact in resting state fMRI. Neuroimage. 84, 320-341 (2014).
- Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggaer, B. L., Petersen, S. E. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 59 (3), 2142-2154 (2012).
- Leonardi, N., Van De Ville, D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage. 104, 430-436 (2015).
- Byrge, L., Dubois, J., Tyszka, J. M., Adolphs, R., Kennedy, D. P. Idiosyncratic brain activation patterns are associated with poor social comprehension in autism. Journal of Neuroscience. 35 (14), 5837-5850 (2015).
- Craddock, R. C., James, G. A., Holtzheimer, P. E. III, Hu, X. P., Mayberg, H. S. A whole brain fMRI atlas generated via spatially constrained spectral clustering. Human Brain Mapping. 33 (8), 1914-1928 (2012).
- Shulman, G. L., et al. Areas involved in encoding and applying directional expectations to moving objects. Journal of Neuroscience. 19 (21), 9480-9496 (1999).
- Sebastian, A., et al. Disentangling common and specific neural subprocesses of response inhibition. Neuroimage. 64, 601-615 (2013).
- Oullier, O., Jantzen, K. J., Steinberg, F. L., Kelso, J. A. S. Neural substrates of real and imagined sensorimotor coordination. Cerebral Cortex. 15 (7), 975-985 (2004).
- Chan, A. H., et al. Neural systems for word meaning modulated by semantic ambiguity. Neuroimage. 22 (3), 1128-1133 (2004).
- Lindquist, M. A., Xu, Y., Nebel, M. B., Caffo, B. S. Evaluating dynamic bivariate correlations in resting-state fMRI: A comparison study and a new approach. Neuroimage. 101 (1), 531-546 (2014).
- Ren, Y., Nguyen, V. T., Guo, L., Guo, C. C. Inter-subject functional correlation reveal a hierarchical organization of extrinsic and intrinsic systems in the brain. Scientific Reports. 7 (1), 10876 (2017).
- Kauppi, J. P., Pajula, J., Niemi, J., Hari, R., Tohka, J. Functional brain segmentation using inter-subject correlation in fMRI. Human Brain Mapping. 38 (5), 2643-2665 (2017).
- Van Dijk, K. R., Sabuncu, M. R., Buckner, R. L. The influence of head motion on intrinsic functional connectivity MRI. Neuroimage. 59 (1), 431-438 (2012).
- Patel, A. X., et al. A wavelet method for modeling and despiking motion artifacts from resting-state fMRI time series. Neuroimage. 95, 287-304 (2014).
- Pruim, R. H., et al. ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage. , 267-277 (2015).
- Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
- Damaraju, E., et al. Dynamic functional connectivity analysis reveals transient states of dysconnectivity in schizophrenia. NeuroImage: Clinical. 5, 298-308 (2014).
- Smith, S., et al. Network modelling methods for FMRI. Neuroimage. 54 (2), 875-891 (2011).
- Meskaldji, D. E., et al. Prediction of long-term memory scores in MCI based on resting-state fMRI. NeuroImage: Clinical. 12, 785-795 (2016).
- Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
- Huth, A. G., de Heer, W. A., Friffiths, T. L., Theunissen, F. E., Gallant, J. L. Natural speech reveals the semantic maps that tile human cerebral cortex. Nature. 532 (7600), 453 (2016).
- Montague, P. R., et al. Hyperscanning: simultaneous fMRI during linked social interactions. Neuroimage. 16, 1159-1164 (2002).
- Bilek, E., et al. Information flow between interacting human brains: Identification, validation, and relationship to social expertise. Proceedings of the National Academy of Sciences U.S.A. 112 (16), 5207-5212 (2015).
- Kinreich, S., Djalovski, A., Kraus, L., Louzoun, Y., Feldman, R. Brain-to-brain synchrony during naturalistic social interactions. Scientific Reports. 7 (1), 17060 (2017).
