Waiting
Login processing...

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

Neuroscience

Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen

Published: March 21, 2019 doi: 10.3791/59083
Automatic Translation
1,2, 3, 3, 1,2
1Institute of Bioengineering, École Polytechnique Fédérale de Lausanne (EPFL), 2Department of Radiology and Medical Informatics, University of Geneva, 3Department of Neuroscience, University of Geneva

Summary

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.

Abstract

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.

Introduction

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.

Protocol

Das folgende Protokoll wurde von der lokalen Ethikkommission (biomedizinische Inserm 365 Protokoll C08-39) genehmigt.

1. Pre-imaging

  1. Registrieren einer Studienpopulation Themen, Erlangung geschrieben, informierte Zustimmung für alle von ihnen. Zustimmung der lokalen Ethikkommission zu suchen.
  2. Wählen Sie ein Paradigma zu untersuchen, die für alle Fächer auf Zeit gesperrt Weise angewendet werden kann.
    Hinweis: Hier haben wir eine Audio-visuelle wissenschaftliche Dokumentation für Kinder und Jugendliche (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study) verwendet.

(2) Bildgebung

  1. Führen Sie für jedes Fach in den Analysen berücksichtigen mindestens eine funktionelle Bildgebung Sitzung in der Zeit gesperrt Paradigma des Interesses die gescannten freiwillige ausgesetzt ist.
    1. Verwenden Sie einen 3-Tesla-MRT-Scanner, um quer Scheiben durch eine Echoplanar Sequenz imaging zu erwerben.
    2. Beschäftigen die folgenden bildgebenden Parameter: Voxel-Größe = 3 mm x 3 mm x 3 mm, Wiederholzeit (TR) = 2 s, Echo der Zeit = 50 ms, Sichtfeld = 192, 40 Scheiben.
      Hinweis: Schnellere TR Werte sind im Rahmen des Machbaren gefördert. Das Protokoll kann auch mit einer engeren Sichtfeld (z. B. Analysen beschränkt auf einen bestimmten Gehirn-Unterkonstruktion), angewendet werden, die eine bessere zeitliche Auflösung (untere TR) oder eine räumlich genauere Analyse ermöglichen würde.
    3. Lassen Sie ein paar Sekunden der Aufnahme (≥ 2 TR) vor und nach der Präsentation des Reizes.
  2. Führen Sie mindestens eine separate funktionelle Bildgebung Sitzung in dem die gescannte Freiwillige in Ruhe in den Scanner, Augen geschlossen und angewiesen, nicht zu fallen schlafend liegt.
    Hinweis: Separate Stimulus-bezogene und ruhenden Zustand übernahmen verhindern sonst möglich Zusammenhänge zwischen den Bedingungen (z. B. den Film vorher gesehen zu haben kann eine dauerhafte Spur hinterlassen eine nachträglich erworbenen ruhenden Zustand Aufnahme)27. Wenn es nicht gewünscht ist, durch die oben beschriebene zusätzliche ruhenden Zustand Akquisition, eine Alternative zu gehen (wenn auch anfälliger für die Erkennung von "false Positives"; siehe Diskussion) rechnerische Option in der Pipeline ersetzt diese Daten durch Surrogat Zeit Kurse berechnet aus der Paradigma-Signale (siehe Schritt 5.1.2).
  3. Durchführen Sie strukturelle Bildgebung.
    1. Verwenden Sie ein 3-Tesla-MRT-Scanner und ein T1-gewichteten Magnetisierung vorbereitet schnelle Beschaffung gradient Echo Sequenz.
    2. Beschäftigen die folgenden bildgebenden Parameter: Voxel-Größe = 1 mm x 1 mm x 1 mm, Gesichtsfeld = 256, 176 Scheiben.

3. Daten und Software-Erstellung

  1. Jede Sitzung analysieren stellen Sie sicher das Vorhandensein der folgenden Dateien:
    1. Eine Reihe von funktionellen MRT Bände, als separate 3D NIFTI oder HDR/IMG-Dateien, mit einer konsequenten Nummernschema (z. B. "fMRI_0001", "fMRI_0002").
    2. Ein T1 strukturelle MRI-Bild, NIFTI oder HDR/IMG-Format.
    3. Ein Atlas des Interesses an Montreal neurologischen Institut (MNI) Raum im NIFTI-Format.
      Hinweis: Ein Beispiel der benötigten Eingabedateien sorgt für ein repräsentatives Thema ("S17"), zusammen mit dem vollständigen Pipeline-Code bei https://c4science.ch/source/Intersubj_pipeline.git
  2. Laden Sie die neueste Version von der öffentlich zugänglichen Freesurfer Software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Laden Sie die neueste Version der öffentlich verfügbaren statistischen Parametric Mapping (SPM) MATLAB Toolbox aus https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. Öffnen Sie MATLAB (Version 2017a oder neuer) und suchen Sie die neu heruntergeladene "Freesurfer" und "spm12"-Ordner. Für jeden, rechten Maustaste darauf und wählen Sie den Pfad hinzufügen > ausgewählte Ordner und Unterordner Option.

4. die Vorverarbeitung der Daten

  1. In der MATLAB-Terminal gewidmet Typ Spm SPM12 Hauptmenü starten, und klicken auf die fMRT-Taste, um die Vorverarbeitung Optionen zuzugreifen fMRT-Daten. Führen Sie die folgenden Schritte separat für jede fMRT-Sitzung Vorverarbeitung.
    1. Klicken Sie auf neu ausrichten (Est & Res)und im neu geöffneten Fenster Batch-Editor, klicken Sie doppelt auf Daten > Session. Wählen Sie im neu geöffneten Sessionfenster alle funktionalen Bilder verarbeiten. Klicken Sie auf die Schaltfläche " fertig " und anschließend auf das Symbol Ausführen Batch Batch-Editor-Fenster (grünes Dreieck). Warten Sie, bis der Neuausrichtung Schritt abgeschlossen ist, wie in der MATLAB-terminal-Fenster angezeigt.
    2. Klicken Sie auf Coregister (Est & Res)und im neu geöffneten Fenster Batch-Editor, klicken Sie doppelt auf Referenz-Bild. Wählen Sie im neu geöffneten Fenster Referenzbild das durchschnittliche funktionale Volume erstellt im folgenden Schritt, vorangestellt "Mittelwert", und klicken Sie auf die Schaltfläche " fertig ". Dann Doppelklick auf Quellbildund im neu geöffneten Fenster Quellbild, wählen Sie das T1-Bild. Klicken Sie auf die Schaltfläche " fertig " und anschließend auf das Symbol Ausführen Batch Batch-Editor-Fenster (grünes Dreieck). Warten Sie, bis der Coregistration-Schritt abgeschlossen ist, wie in der MATLAB-terminal-Fenster angezeigt.
      Hinweis: Das T1-Bild wird bei diesem Schritt überschrieben, damit die aktualisierte im gleichen Raum wie die funktionale Bände liegt.
    3. Klicken Sie auf Segmentund im neu geöffneten Fenster Batch-Editor, klicken Sie doppelt auf Volumes. Wählen Sie im neu geöffneten Fenster Bände das T1-Bild, und klicken Sie auf die Schaltfläche " fertig ". Dann, im Batch-Editor-Fenster, klicken Sie doppelt auf Verformung Felder und wählen Sie die Inverse . Klicken Sie auf die Batch ausführen -Symbol (grünes Dreieck), und warten Sie, bis der Segmentierung Schritt abgeschlossen ist, wie in der MATLAB-terminal-Fenster angezeigt.
  2. Geben Sie JOVE_GUI1 in der MATLAB-Terminal, die ersten Vorverarbeitung grafische Benutzeroberflächenfenster zu öffnen. Führen Sie die folgenden Schritte für jede fMRT-Sitzung zu analysieren.
    1. Klicken Sie auf Enter fMRT-Daten, und wählen Sie alle neu ausgerichteten funktionellen Volumes erstellt in Schritt 4.1.1 (Präfix "R"). IMG/HDR-Dateien wählen Sie in der IMG und HDR Volumes.
    2. Geben Sie die TR Datenmenge (in Sekunden) im Textfenster engagierten bearbeitbaren.
    3. Klicken Sie auf geben Sie T1 Daten und wählen Sie die drei probabilistische Gewebe Typ Bände im Schritt 4.1.3 (Präfix "c1", "c2" und "c3") erstellt.
    4. Klicken Sie auf Enter Bewegungsdatei, und wählen Sie die Textdatei mit Bewegungsparameter aus der Sitzung des Interesses, in Schritt 4.1.1 erstellt und mit "Rp" vorangestellt.
    5. Wählen Sie die gewünschte Art der Vorverarbeitung, d. h., ob die Daten sollte oder nicht trendbereinigte werden (bzw. Einstellung der engagierten Optionsfeld aktivieren oder deaktivieren), und welche Kovariaten zurückgebildet werden sollte (durch Auswahl der entsprechenden Option aus der eigenen Liste).
      Hinweis: Die Regression Schritt ist von einer Funktion aus der DPARSF Toolbox29inspiriert. Die weiße Substanz und Liquor cerebrospinalis Signale von Einzelthemen werden über die Voxel gemittelt für die jeweilige Vorlage DPARSF probabilistische Gewebe Karte ein Signal größer als 0,99 zeigte. In unseren Analysen wir trendbereinigte Daten und Rückschritte, weißen Substanz/zerebrospinale Flüssigkeit Zeit Kurse sowie Konstante, lineare und quadratische Trends.
    6. Vorverarbeitung der Daten, klicken auf Preprocessund warten bis die Anzeige im Fenster angezeigt werden. Die Daten können anders neu vorverarbeitet werden, indem Sie die Optionen ändern, und klicken Sie erneut auf die Schaltfläche " Preprocess ".
      Hinweis: Die graue Substanz Handlung ist von der Darstellung von Power Et Al.30vorgeschlagenen inspiriert.
    7. Um die Ausgabe für die folgenden Schritte zu speichern, klicken Sie auf die Schaltfläche " Speichern ". Um den Inhalt des Fensters zu löschen, klicken Sie auf die Schaltfläche " Löschen ".

Supplementary Figure 1
Ergänzende Abbildung1: Beispiel-Screenshot aus dem ersten Vorverarbeitung grafische Schnittstelle Fenster. Voxel-Weise Zeit Kurse der grauen Substanz Voxel nach dem ausgewählten Vorverarbeitung Optionen (oben rechts Plot) und Kovariablen, die die Vorverarbeitung verwendet werden können (von oben nach unten: Liquor cerebrospinalis/weiße Angelegenheit Durchschnittszeit Kurse, Translationsbewegung Parameter und Drehbewegung Parameter. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Geben Sie JOVE_GUI2 in der MATLAB-Terminal, die zweite Vorverarbeitung grafische Benutzeroberflächenfenster zu öffnen. Führen Sie die folgenden Schritte für jede fMRT-Sitzung zu analysieren.
    1. Klicken Sie auf Daten auswählen, und wählen Sie die Datendatei in Schritt 4.2.7 (benannte "ISFC_VX.mat") gespeichert.
    2. Klicken Sie auf Wählen Sie Bewegung, und wählen Sie die Textdatei mit Bewegungsparameter aus der Sitzung des Interesses, in Schritt 4.1.1 erstellt und mit "Rp" vorangestellt.
    3. Klicken Sie auf Wählen Sie Atlas, und wählen Sie die NIFTI-Datei, die den Atlas für Parcellation verwenden.
    4. Klicken Sie auf Wählen Sie inverse Verwerfung, und wählen Sie die NIFTI Datei repräsentiert Feld Deformation von MNI native Raum, erstellt Schritt 4.1.3 und mit "Iy" vorangestellt.
    5. Klicken Sie auf Wählen Sie fMRI Volume, und wählen Sie eine der die fMRT-Daten-Volumes.
      Hinweis: Dieser Schritt ermöglicht Zugriff die Header-Informationen von der Funktionsdaten, warum die tatsächliche gewählte Lautstärke nicht wichtig ist.
    6. Geben Sie die TR Datenmenge (in Sekunden) im Textfenster engagierten bearbeitbaren.
    7. Geben Sie schrubben-Informationen: die Art der Wäsche zum Ausführen (d. h., wie viele frames zu, vor und nach tagged diejenigen schrubben) in der "Schrubben Typ" Liste und der framewise Verschiebung Schwellenwert (Power Kriterium31) oberhalb derer eine fMRI-Volumen im Fenster "Scrubben Schwelle" bearbeitbaren Text (in mm) geschrubbt werden.
      Hinweis: Kubische Spline Interpolation wird geschrubbt Datenpunkte zu ersetzen mit geschätzten Werten aus benachbarten Proben durchgeführt. In unseren Analysen wir ein Frame nach dem tagged Bänden geschrubbt und einen Schwellenwert von 0,5 mm für Wäsche verwendet.
    8. Geben Sie die Größe der Schiebefenster W für ISFC Berechnungen (siehe Schritt 5), in TRs zu verwenden.
      Hinweis: Dieses Stück von Informationen wird der Zeit Kurse durch eine Funktion aus der DPARSF Toolbox29Filterung aktivieren, bei f = 1/W Hz32. In unseren Analysen verwendeten wir W = 10 TR als Trade-off-Wert, dynamische Schwankungen zu erfassen, bei gleichzeitiger Einsparung von genügend Proben für robuste Schätzungen.
    9. Klick auf den Button Plot anzuzeigenden indikative atlased Zeit Kurse vor (Top Grundstück) und nach (unten Plot) das Schrubben und Filtern Schritte. Vergewissern Sie sich, durch Sichtkontrolle, die nach den ausgewählten Vorverarbeitung Schritte, die Ausgangssignale nicht hervorstechende Serums Komponenten integrieren zu tun.
    10. Um die Ausgänge für die folgenden Schritte zu speichern, geben Sie einen Namen in dedizierten bearbeitbaren Text-Fenster, und klicken Sie auf die Schaltfläche " Speichern ". Um den Inhalt des Fensters zu löschen, klicken Sie auf die Schaltfläche " Löschen ".

Supplementary Figure 2
Ergänzende Abbildung2: Beispiel-Screenshot aus dem zweiten Vorverarbeitung grafische Schnittstelle Fenster. Regionale Zeit Kurse nach Atlasing vor (Top Grundstück) und nach (unten Plot) schrubben und Filterung nach Parameter ausgewählt. Jede Kurve zeigt einen regionalen zeitlichen Verlauf nach dem Zufallsprinzip unter allen verfügbaren Sprachen. Bitte klicken Sie hier für eine größere Version dieser Figur.

(5) Schiebefenster ISFC Berechnungen

  1. Geben Sie JOVE_GUI3 in der MATLAB-Terminal, die erste ISFC-bezogene grafische Benutzeroberflächenfenster zu öffnen. Führen Sie die folgenden Schritte separat für jede Art von erworbenen fMRI Sitzung Segment (Stimulus-bezogene Segmente, ruhenden Zustand Segmente des Stimulus-bezogene Sitzungen und rein ruhenden Zustand Segmente).
    1. Klicken Sie auf Daten ladenund wählen Sie die entsprechenden Datendateien durch Schritt 4.3 erstellt.
    2. Wählen Sie, ob die ausgewählte Sitzung Segmente Phase Randomisierung unterzogen werden soll.
      Hinweis: Phase Randomisierung kann als Alternative zur Erzeugung von null-Daten von Stimulus-bezogene Signale verwendet werden, wenn keine ruhenden Zustand-Aufnahmen zur Verfügung stehen.
    3. Geben Sie die TR Datenmenge (in Sekunden) im Textfenster engagierten bearbeitbaren.
    4. Schiebefenster Parameter für die Analyse in der engagierten bearbeitbaren Text-Fenster eingeben: Fenstergröße (in TRs) über welche Verbindung Messungen berechnet werden sollten und Schrittweite (in TRs) durch die aufeinander folgenden Windows verschoben werden sollte.
      Hinweis: In unseren Analysen verwendeten wir eine Fenstergröße von 10 TR und einer Schrittweite von 1 TR.
    5. Ändern Sie die "Session-Typen" Tabelle angeben, die der Sitzung geladenen Segmente auf dem experimentellen Zustand erworben wurden. Verwenden Sie immer Integer-Zahlen von 1 bis zum Tag verschiedener Segmente (z. B. wenn der Reiz zum ersten oder zum zweiten Mal in einer bestimmten Aufnahme angezeigt wurde). Verlassen Sie den Tisch unberührt, wenn nur eine Art von Sitzung Segment erworben wurde.
      Hinweis: Eine Sitzung in der vorliegenden Arbeit steht eine kombinierte Film/Ruhe-Zustand-Aufnahme (bezeichnet Lauf1 und2 in Abbildung 1Alaufen), oder eine rein ruhenden Zustand-Aufnahme (RUN3). Eine Sitzung Segment bezieht sich auf einen Sub Teil einer Aufzeichnung, wenn den Film gesehen wurde, oder die Themen in Ruhe gelogen. Die oben genannten Informationen wird in der nachfolgend beschriebenen ISFC Berechnungen (siehe Schritt 5.1.8) verwendet, um die verwirrende Einfluss der anderen Sitzung Segmenttypen begrenzen.
    6. Eingeben bootstrapping-Parameter in der engagierten bearbeitbaren Text-Fenster: die Anzahl der bootstrapping Falten über dem ISFC Berechnungen durchführen und die Anzahl der Themen, die die Referenzgruppe für jede Falte des ISFC Berechnungen darstellen sollte.
      Hinweis: In unseren Analysen verwendeten wir 250 bootstrapping Falten und 6 Probanden in der Referenzgruppe.
    7. Geben Sie Angaben über die Sub-Portion Zeit Kurse im Abschnitt Timing-Parameter in der engagierten bearbeitbaren Text-Fenster analysiert werden sollte. Ein Anfang und ein Ende-Index (in TRs) vorzusehen. Um die ganze Aufnahmedauer zu analysieren, verwenden Sie 1 als Index und die Anzahl der Samples als Endindex beginnen.
    8. Klicken Sie auf das Grundstück ISFC Berechnungen durchführen. Anzeigen werden nach und nach im Laufe der Zeit zusammen mit der Menge der verstrichenen bootstrapping Falten aktualisiert. Für eine Region-paar (i, j) und eine gleitende Fenster Index τ errechnet sich als Durchschnitt der Cross-Korrelationen zwischen Sitzung Segment s und alle Segmente der Sitzung von der Referenzgruppe, innerhalb ein Schiebefenster Länge W ISFC; kennzeichnen diese Referenzgruppe durch Ψ, die Zahl seiner Untertanen durch NΨ, und lassen Sie xi[s](t) den zeitlichen Verlauf der Region i für Sitzung Segment s zum Zeitpunkt t; eine ISFC Schätzung ist dann gegeben durch:
      Equation 2
      ISFC Messungen werden über die angegebene Menge an bootstrapping Falten berechnet und mit der ausgewählten Anzahl der Sitzung Segmente als Referenzgruppe an jedem Falten (siehe Schritt 5.1.6). Wenn mehrere Sitzung Segment Subtypen enthalten sind, komponiert eine Mischung der Subtyp Proben immer die Referenzgruppe. Die endgültige Ausgabe für jedes Segment der Sitzung ist die durchschnittliche ISFC über alle Falten, in denen es nicht als eine Referenzmessung aufgenommen wurde.
      Hinweis: Die Referenzgruppe ist der Satz der Sitzung Segmente, die funktionelle Zeit, die Kurse der Sitzung Segment s auf jede Falte des bootstrapping Prozesses verglichen werden. Für die Ergebnisse, mehr zu sein ist robust, um Ausreißer Datenpunkte ISFC mehrmals auf eine andere Referenz-Gruppe (d. h. eine andere Teilmenge der Sitzung Segmente) berechnet. Wichtig ist, entspricht die Übernahme t nicht verschiebbaren Fenster Index τ, da Letzteres über eine Reihe von Datenpunkten W berechnet wird und stützt sich auf die Größe des Fensters Schritt für aufeinander folgende Schätzungen. Der bootstrapping Prozess wurde aus einer früheren Studie von Byrge Et Al.33inspiriert.
    9. Um die Ausgänge für die folgenden Schritte zu speichern, geben Sie einen Namen in dedizierten bearbeitbaren Text-Fenster, und klicken Sie auf die Schaltfläche " Speichern ". Um den Inhalt des Fensters zu löschen, klicken Sie auf die Schaltfläche " Löschen ".

Supplementary Figure 3
Ergänzende Abbildung 3: Beispiel-Screenshot aus dem ersten ISFC-bezogene grafische Schnittstelle Fenster. (Top Grundstück) Schematische Darstellung der Häufigkeit jeder Sitzung betrachtet hat seine ISFC Messungen berechnet (d. h. ist nicht aktiviert in der Referenzgruppe). (Untere Plot) Eine vorläufige Thema berechneten ISFC Zeit Kurse für fünfzig Beispiel Verbindungen, wie die Ausstellung die größte summierte absolute ISFC Werte über die Zeit ausgewählt. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Geben Sie JOVE_GUI4 in der MATLAB-Terminal, die zweite ISFC-bezogene grafische Benutzeroberflächenfenster zu öffnen.
    1. Klicken Sie auf Last ISFC Daten und wählen Sie die Stimulus-bezogene ISFC Ausgabe Datei(en) im Schritt 5.1 erstellt.
    2. Klicken Sie auf null-Daten zu laden und wählen Sie, je nach der verwendeten null Generation Datenschema, ruhenden Zustand ISFC oder die Phase randomisiert Stimulus-bezogene ISFC Ausgabe Datei(en) im Schritt 5.1 erstellt.
    3. Klicken Sie auf Last Codebuch und wählen Sie die Codebook-Datei in Schritt 4.3 erstellt.
    4. Geben Sie die TR Datenmenge (in Sekunden) im Textfenster engagierten bearbeitbaren.
    5. Geben Sie die Schiebefenster Parameter in die Berechnungen der Schritt 5.1 (Fenstergröße und Schrittweite in TRs) im dedizierten bearbeitbaren Text-Fenster verwendet.
    6. Geben Sie (in Prozent) des α-Wertes bei dem ISFC Zeit Kurse thresholded, wesentliche Änderungen im Textfenster engagierten bearbeitbaren hervorzuheben sein sollte.
      Hinweis: Hier und anderswo, wenn ein α-Wert von 2,5 % gemeint ist, bedeutet dies, dass Bedeutung erreicht wird, wenn ein Wert niedriger alsdie 2,5 Perzentil , oder größer alsdie 97,5 Perzentil der null-Daten ist . In unseren Analysen wir hatten 5.762 ruhenden Zustand Datenpunkte zur Verfügung gestellt, und einen α-Wert von 10-4ausgewählt. Dies bedeutet, dass wir wollten 0,01 % der Datenproben sein größer oder gleich der ausgewählten Schwellen, die Vergangenheit, die ein ISFC Ausflug als erheblich angesehen werden würde. Für Vergleichszwecke, die α-Ebene geforderten Bonferroni Korrektur wäre 0,05/44.551 = 1,12 x 10-6und das strengste α-Niveau mit unserer Datenmenge (n Proben) aktiviert wäre Equation 3 .
    7. Klicken Sie auf die Schaltfläche " Plot " auszuführenden ISFC Schnittstellenüberwachung Prozess, in dem alle verfügbaren null, den ISFC Messungen, für eine bestimmte Verbindung aggregiert werden, um eine null-Distribution, erstellen nach dem Stimulus-bezogene ISFC Messungen sind thresholded entsprechend dem ausgewählten α-Wert. Zeitpunkte, an dem ein Stimulus-bezogene ISFC statistisch signifikant die null Verteilung übersteigt, sind getaggt als-1 / + 1 für bedeutende ISFC sinkt und steigt, beziehungsweise.
      Hinweis: Schnittstellenüberwachung Prozess lässt sich inspirieren von der ruhenden Zustand dynamischer FC Arbeit Betzel Et Al.23.
    8. Um die ISFC räumliche Muster zu verschiedenen Zeitpunkten zu visualisieren, ziehen Sie den Schieberegler unterhalb der ISFC Ausflug Plot.

Supplementary Figure 4
Ergänzende Abbildung 4: Beispiel-Screenshot aus dem zweiten ISFC-bezogene grafische Schnittstelle Fenster. (Obere linke Plot) Eine vorläufige Thema ISFC Zeit Kurse für drei Beispiel-Verbindungen berechnet, wie die Ausstellung der größten Menge an bedeutenden ISFC Ausflüge ausgewählt und mit ihren zugehörigen berechneten Bedeutung Schwellen (horizontale Linien) angezeigt. (Unten links Plot) Für die gleichen Anschlüsse verbunden Ausflug Zeit Kurse gemittelt über Themen, mit zweiseitigen 95 %-Konfidenzintervall als Fehlermaß angezeigt. (Richtige Handlung) Räumliches ISFC Muster (gemittelte ISFC Ausflüge über Themen) für einen ausgewählten Zeitpunkt angegeben durch eine vertikale schwarze Linie auf den ISFC und Ausflug Grundstücke. Positiven ISFC Ausflüge sind in gelber Schrift angezeigt und negative in rosa. Die Größe und Farbe Code der Knoten sind proportional zu ihren Abschluss. Bitte klicken Sie hier für eine größere Version dieser Figur.

Representative Results

Wir hielten hier, n = 15 in der Regel entwickelnde (TD) Themen für wen wir schriftliche, informierte Zustimmung eingeholt. Alle waren Rechtshänder Männchen (23.42 ± 7,8 Jahre alt). Das gewählte Paradigma war eine audiovisuelle wissenschaftlichen Dokumentarfilm für Kinder und Jugendliche über die Gefahren der Sonne ausgesetzt. Es enthält eine große Auswahl an visuellen, auditiven und soziale Reize und https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-studybeobachten kann.

Wir erwarben zwei Sitzungen pro Fach (Lauf1 und Lauf2) in der bewertete Film wurde von 5 auf 353 angezeigt s (5,8 min Dauer). Einem ruhenden Zustand-Segment auch gefolgt von 386 bis 678 s (4,9 min. Dauer). Darüber hinaus wurde eine ausschließlich ruhenden Zustand Sitzung (Lauf3) für jedes Fach (mit Ausnahme einer, die unter Klaustrophobie leiden) erworben, dauerhafte 310 s (5,2 min). Beispiel-Filmszenen und das Timing der erfassten Daten werden in Abbildung 1Azusammengefasst. Wichtig ist, war die Übernahme-Protokoll nicht optimal im Sinne dieser ruhenden Zustand Aufnahmen erworben, nachdem Film Exposition möglicherweise teilweise beschädigt durch Spillover-Effekte-27; Wir stellen diese Daten auf die vorliegenden Ergebnisse haben eine befriedigende Menge an Proben für statistische Schnittstellenüberwachung verwenden, aber dies sollte möglichst vermieden werden.

Wir ausgeschlossen alle Sitzungen für die mehr als 10 % der Frames wurden geschrubbt, bei einem Schwellenwert von 0,5 mm und als Parcellation von Craddock Et Al.34 (zeitliche Korrelation Zweiebenen-Algorithmus), regionale Zeit Kurse, für eine Gesamtmenge von 299 zu generieren verschiedenen Gehirnregionen.

(1) die Filme subparts RUN1 und Lauf2, (2) die ruhenden Zustand Unterteile von Lauf1 und Lauf2und (3) die ruhenden Zustand RUN3 Aufnahmen war ISFC getrennt berechnet. Wir verwendeten eine Fensterlänge W = 10 TR für die wichtigsten Ergebnisse vorgestellt und vergleichen Sie diese mit einem niedrigeren Wert von W = 5 TR Schrittgröße immer blieb gleich 1 tr. Replikationsverwaltungs wurde über 250 Falten durchgeführt, einschließlich 6 Sitzung in jeder Referenzgruppe Segmente.

Abbildung 1 b zeigt ISFC Zeit Kurse generiert bei W = 10 TR und W = 5 TR für drei verschiedene repräsentative Verbindungen: Anschluss 1 beteiligt links unterlegen parietalen Region im Zusammenhang mit der Erwartung von sich bewegenden Objekten (MNI Koordinaten: 41,9,32)35 , und ein Recht Kiemendeckel Stirnfläche mit Reaktion Hemmung (-34,-52,45)36. Diese letztgenannte Region war auch in Anschlüsse 2 und 3, jeweils mit einer Fläche in sensorische Koordination (54,6,34)37verwickelt, und man an der Verarbeitung der Bedeutung der Worte (6,62,9)38gebunden verwickelt.

Ein Vergleich über Fenster Längen zeigt, dass in der W = 5 TR-Einstellung, zeitliche Varianz in den Fächern ist insgesamt größer in beiden Filme und ausruhen-State Segment Fällen im Vergleich zu W = 10 TR, ein bekanntes Phänomen in Schiebefenster Analysen39. Für Verbindung 1, unabhängig von der Fensterlänge, eine lokalisierte Subpart der Film Aufnahme (bei rund 55 s) zeigt eine starke, synchronisierte ISFC erhöhen über Themen, die überschreitet weitgehend des Wertebereichs bei ruhenden Zustand übernommen. Also erwarten wir diese zeitliche Subpart als eine bedeutende ISFC Transienten mit unserer Schnittstellenüberwachung Methode erfassen.

Für den Anschluss 2, beobachten wir ähnliche zeitliche Dynamik, aber für W = 5 TR, die Erhöhung wird weniger leicht, im Vergleich zu ruhen-State Zeit Kurse, aufgrund der größeren Schiebefenster Methodik im Zusammenhang mit Lärm zu entwirren. Anschluss 3 es spiegelt einen Fall, in dem gibt es keine klare Antwort auf den Film, und so die Schwankungen von Filme und ruhenden Zustand Mal Kurse sind ähnlich. Das erwartete Ergebnis in diesem analytischen Stadium ist eine Mischung zwischen Verbindungen, die klare Stimulus-induzierte Rekonfigurationen zeigen und Verbindungen, die nicht reagieren.

Figure 1
Abbildung 1: Erwerb Timing und Beispiel ISFC Zeit Kurse. (A) den Film sah durch die Themen involviert eine breite Palette von sozialen Situationen (Beispiel Bild 1 und 4), wissenschaftliche Erklärungen mit bunten Platten (Beispielbilder 2 und 5) und Landschaft Landschaften (Beispielbild 3). Drei Sitzungen pro Fach erworben wurden: zwei (Lauf1 und2laufen) enthalten die Film-Stimulation (von 5 bis 353 s, grün markiert) gefolgt von einer ruhenden Zustand-Periode (von 386, 678 s, in gelber Schrift angezeigt), während eine (Lauf3) ausschließlich bestand in einer ruhenden Zustand Aufnahme (310 s Dauer, in Orange angezeigt). (B) für drei indikative Verbindungen (C1, C2 und C3, bzw. dunkel grün/rot, hell grün/Orange und Türkis/gelb-Spuren), Entwicklung von ISFC im Laufe der Zeit während der Filme (kalte Farben) oder Ruhe-Zustand (warme Farben). Für W = 10 TR (linken), Filme ISFC ändert mehr weitgehend Stand, im Vergleich zu W = 5 TR (rechte Abbildung). Jede Spur spiegelt den ISFC zeitlichen Verlauf einer Sitzung. Diese Zahl wurde teilweise von Bolton Et Al.25geändert. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 2A zeigt die Ergebnisse nach statistischen Schnittstellenüberwachung ISFC Zeit Kurse, für die gleichen drei Anschlüsse wie oben beschrieben. Ein Zeitpunkt Kurs Wert von 1 bedeutet, dass alle Fächer die gleiche ISFC unterzog sich zu erhöhen, gleichzeitig; ein Wert von 0 bedeutet, dass kein Thema eine bedeutende ISFC erfuhr; der Wert-1 entspricht einem synchronen ISFC Rückgang in allen Fächern. Wie zuvor, wir dagegen W = 5 TR und W = 10 TR, und wir betonen auch zwei Fälle der α-Wert: α = 0,01 % und α = 5 %.

Passend zu den obigen Beobachtungen, reduziert eine niedrigere Fensterlänge der extrahierten ISFC Veränderungen. Für Verbindung 1, beide W = 5 TR und W = 10 TR, extrahieren jedoch die gleichen Augenblick (t = 55 s) als zeigt einen starken Anstieg der ISFC. Unter einer hämodynamischen Verzögerung von ca. 5 s zu berücksichtigen, dies entspricht einem Abschnitt des Films als farbige Linien in Richtung einer Puppe erweitern wurden und abrupt nur davor (46-49 s), mit der Rolle der beteiligten Regionen gestoppt in bewegten Objekt passend Erwartung und Reaktion zu Hemmung35,36.

Wenn α von 0,01 % auf 5 % zu erhöhen, kann man eine viel geringere Spezifität der erkannten ISFC Transienten, wahrscheinlich auch viele Fehlalarme und erwartungsgemäß zeigt viel weniger zeitliche Synchronität beobachten.

Als eine weitere Perspektive, die auf den Daten festgelegt werden kann, Abbildung 2 b zeigt die gesamte-räumliche Gehirnkarten ISFC Veränderungen bei t = 55 s. Es ist ersichtlich, dass die Antwort auf die Filmszene erstreckt sich weit über die hier beschriebenen Beispiel-Verbindungen.

Figure 2
Abbildung 2: zeitliche und räumliche Schnappschüße ISFC Muster. (A) ISFC vorübergehende Zeit Kurse, gemittelt über Themen, für drei indikative Verbindungen (C1, C2 und C3, bzw. dunkel grün, grün und Türkis Spuren). Die Filmszene, die die ISFC Änderungen fuhr ist hellgrau hervorgehoben und von Beispielbildern dargestellt. Für W = 10 TR (linke Spalte der Grundstücke), ISFC Veränderungen erkannt werden stärker als für W = 5 TR (rechte Spalte von Grundstücken). Für α = 0,01 % (obere Reihe von Grundstücken), Spezifität, lokalisierte Film Cues ist größer als für α = 5 % (untere Reihe von Grundstücken). Jede Spur spiegelt den ISFC transiente zeitlichen Verlauf einer Sitzung und der zweiseitigen 95 %-Konfidenzintervalle sind als Fehlermaß angezeigt. (B) für W = 10 TR und α = 0,01 %, gibt es ein ordentliches, eingeschränktes räumliches Muster ISFC Transienten bei t = 55 s (der ISFC transiente Spitzenwert für C1); für W = 5 TR und α = 5 %, Verbindungen, die eine bedeutende ISFC Wandel zu diesem Zeitpunkt sind viel zahlreicher. Beachten Sie, dass wir eine hämodynamische Verzögerung von ca. 5 s in der beschriebenen Zeitlichkeit (d. h., einen Wert von 55 s hier bezieht sich auf den Film Reiz bei 50 s). Diese Zahl wurde teilweise von Bolton Et Al.25geändert. Bitte klicken Sie hier für eine größere Version dieser Figur.

Discussion

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).

Supplementary Figure 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.

Disclosures

Die Autoren haben nichts preisgeben.

Acknowledgments

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.

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)

DOWNLOAD MATERIALS LIST

References

  1. Friston, K. J. Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping. 2 (1-2), 56-78 (1994).
  2. 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).
  3. Peltz, E., et al. Functional connectivity of the human insular cortex during noxious and innocuous thermal stimulation. Neuroimage. 54 (2), 1324-1335 (2011).
  4. 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).
  5. Hasson, U., Nir, Y., Levy, I., Fuhrmann, G., Malach, R. Intersubject Synchronization of Cortical Activity During Natural Vision. Science. 303 (5664), 1634-1640 (2004).
  6. 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).
  7. 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).
  8. Jääskeläinen, I. P., et al. Inter-Subject Synchronization of Prefrontal Cortex Hemodynamic Activity During Natural Viewing. The Open Neuroimaging Journal. 2, 14 (2008).
  9. 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).
  10. 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).
  11. Salmi, J., et al. The brains of high functioning autistic individuals do not synchronize with those of others. NeuroImage: Clinical. 3, 489-497 (2013).
  12. Mantini, D., et al. Interspecies activity correlations reveal functional correspondence between monkey and human brain areas. Nature Methods. 9 (3), 277 (2012).
  13. Simony, E., et al. Dynamic reconfiguration of the default mode network during narrative comprehension. Nature Communications. 7, 12141 (2016).
  14. Hutchison, R. M., et al. Dynamic functional connectivity: promise, issues, and interpretations. Neuroimage. 80, 360-378 (2013).
  15. 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).
  16. Gonzalez-Castillo, J., Bandettini, P. A. Task-based dynamic functional connectivity: Recent findings and open questions. Neuroimage. 180, 526-533 (2018).
  17. Allen, E. A., et al. Tracking whole-brain connectivity dynamics in the resting state. Cerebral Cortex. 24 (3), 663-676 (2014).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. Hindriks, R., et al. Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? Neuroimage. , 242-256 (2016).
  25. 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).
  26. Jochaut, D., et al. Atypical coordination of cortical oscillations in response to speech in autism. Frontiers in Human Neuroscience. 9, 171 (2015).
  27. 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).
  28. Fischl, B. Freesurfer. Neuroimage. 62 (2), 774-781 (2012).
  29. Yan, C., Zang, Y. DPARSF: a MATLAB toolbox for "pipeline" data analysis of resting-state fMRI. Frontiers in Systems Neuroscience. 4, 13 (2010).
  30. Power, J. D., et al. Methods to detect, characterize, and remove motion artifact in resting state fMRI. Neuroimage. 84, 320-341 (2014).
  31. 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).
  32. Leonardi, N., Van De Ville, D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage. 104, 430-436 (2015).
  33. 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).
  34. 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).
  35. Shulman, G. L., et al. Areas involved in encoding and applying directional expectations to moving objects. Journal of Neuroscience. 19 (21), 9480-9496 (1999).
  36. Sebastian, A., et al. Disentangling common and specific neural subprocesses of response inhibition. Neuroimage. 64, 601-615 (2013).
  37. 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).
  38. Chan, A. H., et al. Neural systems for word meaning modulated by semantic ambiguity. Neuroimage. 22 (3), 1128-1133 (2004).
  39. 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).
  40. 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).
  41. 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).
  42. 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).
  43. 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).
  44. Pruim, R. H., et al. ICA-AROMA: A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage. , 267-277 (2015).
  45. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  46. Damaraju, E., et al. Dynamic functional connectivity analysis reveals transient states of dysconnectivity in schizophrenia. NeuroImage: Clinical. 5, 298-308 (2014).
  47. Smith, S., et al. Network modelling methods for FMRI. Neuroimage. 54 (2), 875-891 (2011).
  48. Meskaldji, D. E., et al. Prediction of long-term memory scores in MCI based on resting-state fMRI. NeuroImage: Clinical. 12, 785-795 (2016).
  49. Abrams, D. A., et al. Inter-subject synchronization of brain responses during natural music listening. European Journal of Neuroscience. 37 (9), 1458-1469 (2013).
  50. 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).
  51. Montague, P. R., et al. Hyperscanning: simultaneous fMRI during linked social interactions. Neuroimage. 16, 1159-1164 (2002).
  52. 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).
  53. Kinreich, S., Djalovski, A., Kraus, L., Louzoun, Y., Feldman, R. Brain-to-brain synchrony during naturalistic social interactions. Scientific Reports. 7 (1), 17060 (2017).

Tags

Neurowissenschaften Ausgabe 145 funktionelle Kernspintomographie Task-basierte Analyse dynamische funktionelle Verknüpfung Inter unterliegt funktionalen Zusammenhang Schiebefenster Analyse Schnittstellenüberwachung Film Paradigma
Dynamische Inter Thema funktionelle Verknüpfung zeigt Moment zum Gehirn Netzwerkkonfigurationen angetrieben durch kontinuierliche oder Kommunikation Paradigmen
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bolton, T. A. W., Jochaut, D.,… More

Bolton, T. A. W., Jochaut, D., Giraud, A. L., Van De Ville, D. Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms. J. Vis. Exp. (145), e59083, doi:10.3791/59083 (2019).

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