Die beschriebene Vorgehensweise zielt darauf ab festzustellen, in welchen Momenten des Paradigmas (zeitliche Perspektive) und zwischen welchen Regionen (räumliche Perspektive), bedeutende Umgestaltungen in funktionelle Verknüpfung auf funktionelle Kernspintomographie auftreten Aufnahmen bei denen ein Mal gesperrt Reiz gespielt wird.
Funktionelle Kernspintomographie aufgabenbasierte trägt großes Potenzial zu verstehen, wie unser Gehirn auf verschiedene Arten der Stimulation reagiert; jedoch dies wird oft ohne Rücksicht auf den dynamischen Aspekt der funktionale Verarbeitung und analytische Ausgänge entfallen in der Regel zusammengeführten Einflüsse von Task-gesteuerte Effekte und zugrunde liegenden spontanen Fluktuationen der Hirnaktivität. Hier stellen wir eine neuartige methodische Pipeline, die über diese Grenzen gehen kann: die Verwendung von ein Schiebefenster analytische Schema ermöglicht Tracking von funktionalen Veränderungen im Laufe der Zeit und durch fächerübergreifende correlational Messungen, kann des Ansatzes isolieren Sie rein Stimulus-bezogene Effekte. Dank eines strengen Schnittstellenüberwachung können Veränderungen im Inter unterliegt funktionalen Zusammenhang extrahiert und analysiert werden.
Auf eine Reihe von gesunden Probanden, die eine naturalistische audiovisuelle Stimulation, zeigen wir die Nützlichkeit des Ansatzes durch die Kopplung entwirrt funktionale Neukonfigurationen, besondere Hinweise des Films. Wir zeigen, wie, durch unsere Methode, man kann entweder einen zeitlichen Verlauf der Aktivität des Gehirns (die Evolution einer bestimmten Verbindung) zu erfassen, oder konzentrieren sich auf eine räumliche Momentaufnahme zu einem wichtigen Zeitpunkt. Wir bieten eine öffentlich verfügbare Version die gesamte Pipeline und seine Verwendung und den Einfluss der wichtigsten Parameter Schritt für Schritt beschreiben.
Funktionelle Kernspintomographie (fMRI) ist das Werkzeug der Wahl, um nicht-invasiv die Änderungen in der Aktivität des Gehirns infolge externer Stimulation überwachen geworden. Genauer gesagt, hat lebhaftes Interesse über das Verständnis des statistische Wechselbeziehung zwischen regionalen Aktivierung Zeit Kurse, bekannt als funktionelle Verknüpfung (FC)1 und in der Regel als Pearson Korrelation berechnet entstanden. Koeffizienten. Funktionale Zusammenhänge über das Gehirn wurden ausgiebig gezeigt, in Abhängigkeit von der zugrunde liegenden Aufgabe2,3,4neu konfigurieren.
Zwei analytischen Richtungen separat jenseits dieser einleitenden Charakterisierung eingehalten wurden: auf der einen Seite die Antwort in einer bestimmten Hirnregion induziert durch einen Reiz mal gesperrt wurde beobachtet, um über verschiedene Themen5 stark korrelieren . Quantifizierung dieses Inter Thema Korrelation (ISC) zeigte Potenzial, unser Verständnis von Kognition6,7,8,9 und Gehirn Störungen10,11 verfeinern . Darüber hinaus erstreckte sich dieser fächerübergreifenden correlational Ansatz auch für die Beurteilung der überregionalen Synchronizität12, was als Inter Thema funktionale Zusammenhang (ISFC) Ansatz13bekannt wurde.
Auf der anderen Seite das dynamische Aroma des FC Rekonfigurationen begann, erhöhte Aufmerksamkeit zu empfangen (siehe Hutchison Et Al.14, Preti, Bolton und Van De Ville15, Gonzales-Castillo und Bandettini16 für aktuelle Bewertungen auf der Ruhe-Zustand und Task-basierte Seiten dieser Frage). Insbesondere können ganze Gehirn FC Änderungen im Laufe der Zeit durch aufeinander folgende Korrelation Messungen über eine schrittweise verschoben zeitliche Unterfenster17,18, offenbart zusätzliche Erkenntnisse im Zusammenhang mit Verhaltensstörungen Aufgaben verfolgt 19,20.
Hier präsentieren wir Ihnen einen methodischen Rahmen, der diese zwei Möglichkeiten kombiniert. In der Tat, berechnen wir ISFC in Schiebefenster Mode, die Entwicklung des überregionalen Synchronität zwischen den Themen ausgesetzt, ein Mal gesperrt, naturalistische Paradigma zu verfolgen. Durch die fächerübergreifende Aspekt der Methode sind Analysen auf Reiz-gesteuerte Effekte konzentrieren, während spontane fMRI-Änderungen (die unkorrelierte über Themen) stark gedämpft werden. Dies ist wichtig, weil Ruhe-Zustand und Aufgabe-evozierten Aktivitätsmuster zunehmend verstanden werden, durch unterschiedliche Eigenschaften21,22charakterisiert werden.
Für die dynamische Komponente der Methode ermöglicht es eine vollständige und genaue Charakterisierung der Aufgabe Reize, insbesondere dann, wenn eine naturalistische Paradigma, in denen eine vielfältige Reihe von Cues (auditiv, visuell, soziale usw.) kombiniert werden, im Laufe der Zeit, zu sondieren. Weiter, wie die solide statistische Auswertung der erheblichen dynamischen Schwankungen heiß diskutiertes23,24, nimmt unser Ansatz besondere Pflege dieser Aspekt der Analysen durch die Isolierung ISFC Veränderungen durch im Vergleich zu entsprechenden null-Daten.
Wir veranschaulichen die Methode auf eine Reihe von gesunden Probanden ausgesetzt auf einen Audio-visuellen Film Reiz, bei dem wir zeigen, dass die zeitliche und räumliche ISFC ändern Profile aus lokalisierten Film, den Sub-Intervalle genau extrahiert werden können. Dabei beschreiben wir auch den Einfluss der wichtigsten analytischen Parameter, die vom Benutzer ausgewählt werden. Die dargestellten Ergebnisse basieren auf Teil der früher veröffentlichten Daten25,26.
Auf ein Dataset mit gesunden Probanden wir gezeigt wie synchrone fächerübergreifenden erhöht und sinkt im FC, die Transienten ISFC würde zeitlich lokalisierte Film Hinweise, Bereitstellung von Informationen, die über eine statische Beschreibung hinausgeht übereinstimmen. Obwohl die Verwendung von fächerübergreifenden Korrelation ermöglicht die Analyse auf funktionale Rekonfigurationen Reiz getrieben konzentrieren misst, muss auch man sich bewusst, dass es die Erkenntnisse zu den Auswirkungen begrenzt, die in der untersuchten Bevölkerung geteilt werden: daher Low-Level- sensorischen Verarbeitung wird voraussichtlich überrepräsentiert im Vergleich zum frontalen Verarbeitung40. Um diese Einschränkung zu umgehen, werden neue Methoden, die haben auch die Möglichkeit, die Regionen zu extrahieren, die am stärksten über Themen variieren entwickelten41.
Eine weitere Einschränkung von der eingeführten Methode ergibt sich aus der Schiebefenster Aspekt, wie zeitlicher Auflösung ISFC vorübergehende Zeit Kurse im Vergleich zu frame-wise Ansätze15gesenkt wird. Wie wir gezeigt haben, braucht man ein Trade-off zwischen einer ausreichend niedrigen Fensterlänge, dynamische ISFC Rekonfigurationen richtig zu lösen, und groß genug, robuste erhalten schätzt. Zwei wichtige Schritte in unserem Rahmen sicherstellen, dass die extrahierten ISFC Transienten in Verbindung wirklich auftretenden Änderungen: Erstens die Hochpass-Filterung der regionalen Zeit Kurse mit der inversen der Fenster Länge32; Zweitens die Verwendung von ruhenden Zustand ISFC Daten zur Erzeugung einer entsprechenden null Distribution mit identischen Aufnahmeparameter im Vergleich zu den Reiz-bezogenen Daten. Natürlich erfordert Letzteres auch eine längere globale Erfassungszeit damit ruhen Zustandsdaten über Stimulus-bezogene Sitzungen gesammelt werden können. Als ein alternativer Ansatz, die zusätzliche ruhenden Zustand Aufnahmen zu vermeiden bieten wir auch die Möglichkeit, randomisierte Phase-Daten direkt aus der Stimulus-bezogene Zeit Kurse, generieren eine Vorgehensweise in dynamischen funktionelle Verknüpfung Analysen 23 , 24. weitere Auswertung auf eine Teilmenge der Sitzungen ergab, dass zwar die ruhenden Zustand null Methode eher konservativ ist, und somit weniger anfällig für Fehlalarme, die globale Muster der ISFC Ausflug Erkennung ähnlich in beiden Systemen (siehe waren Zusätzliche Abbildung 5).
Ergänzende Abbildung 5: Erkennung von ISFC Exkursionen durch null-Daten Generation Methoden. Für Ruhe-Zustand (linke Spalte, blaue Flächen) oder Phase Randomisierung (rechte Spalte, rote Grundstücke) null-Daten Generation Methoden, Prozentsatz der ISFC Ausflüge über Verbindungen extrahiert. Die unteren Parzellen sind ein Einschub für die Verbindungen, die aus den ersten drei betrachteten Gehirnregionen. Fehler darstellt Standardabweichung über Themen. Bitte klicken Sie hier für eine größere Version dieser Figur.
Die Dauer der ruhenden Zustand übernahmen bezieht sich eigentlich auf ein kritischer Parameter der Analysen: der α-Wert. Wie oben veranschaulicht, wird zu einer großen Menge von false Positives in der erkannten ISFC Transienten zu nachsichtige Wahl führen. Je größer die Datenmenge zur Verfügung ruhenden Zustand, desto strenger die erreichbare falsche positiv bewerten, weil Schnittstellenüberwachung mehr Extremwerte aus der null-Distribution basieren kann. Als Anhaltspunkt für n = 299 Atlas Regionen wie hier und da unsere Tally 5.762 ruhenden Zustand Datenpunkte, wir könnten bestenfalls einen α-Wert in der Nähe von 0,01 % erreichen (siehe Schritt 5.2.6 für die mathematischen Details).
Ein weiterer wichtiger Punkt im Zusammenhang mit einer fMRT-Analyse liegt in der strengen Entfernung möglich Bewegung im Zusammenhang mit Artefakten aus der analysierten Daten30,42. Insbesondere, wenn eine eingeführte Rohrleitung zum erkrankten Bevölkerungen ausstellen markiert Bewegung im Scanner anwenden möchte, empfehlen wir auf Bewegung Variablen als Kovariaten in den durchgeführten statistischen Analysen, einschließlich weitere Vorverarbeitung Schritte ausgeführt werden, z. B. Wavelet denoising43 oder ICA-AROMA-44. Vergleich, zum Beispiel zu gruppieren um ISFC Transienten zwischen einer gesunden und erkrankten Gruppe zu vergleichen, kann leicht durch die beschriebene Vorgehensweise auf beide Gruppen von Interesse (siehe Bolton Et Al.25 ein Beispiel für eine Bevölkerung diagnostiziert parallel laufende durchgeführt werden mit Autismus-Spektrum-Störungen). Ein Unterschied zwischen den Gruppen kann in zwei unterschiedliche Einstellungen dann auftreten: (1) ein abwesend ISFC ändern in einer Gruppe, oder (2) ein heterogener Evolution in dieser Gruppe. Um diese beiden Faktoren zu entwirren, sollte die Pipeline noch einmal für die erkrankten Gruppe, mit der gesunden Probanden gesetzt als die Referenzgruppe beim bootstrapping Schritt ausgeführt werden. Erstere würde noch an einer abwesenden Reaktion führen, während letzteres nicht würde.
Über was wir hier beschrieben haben, eröffnet die vorgestellte Methodik auch vielversprechende zukünftige Wege: von einer analytischen Seite ISFC transiente Karten als Gehirn Graphen aus welche Metriken Quantifizierung Gehirn Konnektivität abgeleiteten45 könnte, angesehen werden könnte oder dynamische ISFC Staaten könnte durch clustering Ansätze extrahiert und hinsichtlich ihrer räumlichen und zeitlichen Eigenschaften17,46bewertet werden. Darüber hinaus könnte man auch die Verwendung von anspruchsvolleren Konnektivität Mess-Tools als Pearsons Korrelationskoeffizient Reveal subtilere Seiten des FC47,48vorstellen.
Von der experimentellen Seite die Anwendung unserer Pipeline auf einen erweiterten Satz von Paradigmen ist eine vielversprechende Perspektive: z. B. statt eines Films wie hier studiert man könnten sich vorstellen, um ein Stück Musik49 oder eine Erzählung Geschichte13, verwenden 50 als Anregung mal gesperrt. Alternativ könnte es sogar, durch Hyperscanning51, vorgesehen werden, um naturalistische Sozialkommunikation52,53zu erforschen.
The authors have nothing to disclose.
Diese Arbeit wurde teilweise durch jede der folgenden unterstützt: der Swiss National Science Foundation (Grant Nummer 205321_163376 zu soll), die Bertarelli Foundation (TB und soll), das Zentrum für biomedizinische Bildgebung (CIBM) und der nationalen Agentur für Forschung ( Tempofront Grant-Nummer 04701, ALG). Die Autoren Roberto Martuzzi und Giulia Preti danken für ihren Beitrag zu den Videoinhalt dieser Arbeit als bzw. MRI Betreiber und freiwilligen gescannt.
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) |