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 onderworpen functionele connectiviteit onthult Moment-te-Moment hersenen netwerkconfiguraties gedreven door continue of mededeling paradigma's

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

Het doel van de beschreven aanpak is om te bepalen op welke momenten van de paradigma (temporele perspectief), en tussen die regio's (ruimtelijk perspectief), belangrijke reconfigurations in functionele connectiviteit optreden op functionele magnetische resonantie beeldvorming opnames gedurende welke een stimulans tijd vergrendeld wordt gespeeld.

Abstract

Taakgerichte functionele magnetische resonantie imaging beren groot potentieel om te begrijpen hoe onze hersenen reageert op verschillende soorten stimulatie; echter, dit wordt vaak bereikt zonder te overwegen het dynamische facet van functionele verwerking en analytische uitgangen meestal goed voor samengevoegde invloeden van taak-gedreven effecten en onderliggende spontane schommelingen van hersenactiviteit. Hier introduceren wij een nieuwe methodologische pijpleiding die deze beperkingen kan overstijgen: het gebruik van een sliding-venster analytische regeling toelaat tracking van functionele veranderingen na verloop van tijd, en door middel van cross-onderwerp correlationeel metingen, kan de aanpak isoleren van zuiver stimulus-gerelateerde effecten. Dankzij een strenge drempelmethode proces, kunnen ingrijpende veranderingen in de Inter onderworpen functionele correlatie worden geëxtraheerd en geanalyseerd.

Op een set van gezonde proefpersonen die onderging naturalistische audio-visuele stimulatie, tonen wij het nut van de aanpak door koppelverkoop de ontrafeld functionele reconfigurations aan bepaalde aanwijzingen van de film. We laten zien hoe, door onze methode, kan vangen beide een tijdelijke profiel van hersenactiviteit (de evolutie van een bepaalde verbinding), of zich richten op een ruimtelijke momentopname op een belangrijk tijdstip. Wij bieden een openbare versie van de hele pijpleiding, en het gebruik ervan en de invloed van de sleutelparameters stap voor stap wordt beschreven.

Introduction

Functionele magnetische resonantie imaging (fMRI) is uitgegroeid tot het hulpmiddel van keus niet-gebeurt volgen de wijzigingen in de hersenactiviteit als gevolg van externe stimulatie. Meer in het bijzonder ontstaan levendige belangstelling over het begrip van statistische onderlinge afhankelijkheid tussen regionale activering tijdsverloop, bekend als functionele connectiviteit (FC)1 en meestal berekend als Pearson's correlatie coëfficiënt. Functionele wisselwerkingen over de hersenen is uitvoerig aangetoond te configureren als een functie van de onderliggende taak2,3,4.

Twee analytische richtingen zijn afzonderlijk gevolgd om te gaan dan deze inleidende karakterisering: aan de ene kant, het antwoord in een bepaalde hersenen regio geïnduceerd door een prikkel van tijd vergrendeld werd waargenomen sterk correleren over verschillende onderwerpen5 . Kwantificeren van deze Inter onderworpen correlatie (ISC) toonde potentiële verfijnen van ons begrip van cognitie6,7,8,9 en hersenen stoornissen10,11 . Deze cross-onderwerp correlationeel aanpak was verder ook uitgebreid tot de beoordeling van regio-overschrijdende synchroniciteit12, in wat bekend werd als de Inter onderworpen functionele correlatie (ISFC) benadering13.

Aan de andere kant, de dynamische smaak van FC reconfigurations begon te meer aandacht krijgen (Zie Hutchison et al.14, Preti, Bolton en Van De Ville15, Gonzales-Castillo en Bandettini16 voor de nieuwste reviews op de rust-state en taakgerichte zijden van deze vraag). In het bijzonder kunnen geheel-hersenen FC wijzigingen na verloop van tijd worden gevolgd door opeenvolgende correlatie metingen over een geleidelijk verschoven temporele sub-venster17,18, onthullende extra inzicht in het kader van gedrags taken 19,20.

Hier presenteren we een methodologisch kader dat deze twee wegen combineert. Inderdaad, wij ISFC berekenen in glijden-venster mode om bij te houden van de evolutie van regio-overschrijdende synchroniciteit tussen de onderwerpen blootgesteld aan een tijd vergrendeld, naturalistische paradigma. Door het Kruis-onderwerp aspect van de methode, zijn analyses gericht op stimulus-gedreven effecten, terwijl spontane fMRI veranderingen (die ongecorreleerde over onderwerpen) zijn sterk gedempt. Dit is belangrijk omdat rusten statuswaarden en taak-opgeroepen activiteit patronen steeds begrepen worden te worden gekenmerkt door verschillende eigenschappen21,22.

Wat betreft de dynamische component van de methode hierdoor een meer volledige en accurate karakterisering van taak stimuli, met name wanneer sonderen een naturalistische paradigma waarin een gevarieerde set van signalen (auditief, visueel, sociaal, enz.) worden gecombineerd in de tijd. Verder, zoals de correcte statistische evaluatie van belangrijke dynamische schommelingen al veelbesproken23,24, onze benadering neemt bijzondere verzorging van dit aspect van de analyses door het isoleren van significante ISFC veranderingen via vergelijking met passende nulgegevens.

We illustreren de methode op een set van gezonde proefpersonen blootgesteld aan een stimulans van de audiovisuele film, voor wie we laten zien dat de temporele en ruimtelijke ISFC veranderen profielen die voortvloeien uit de gelokaliseerde film sub intervallen nauwkeurig kunnen worden geëxtraheerd. Daarbij beschrijven we ook de invloed van de belangrijkste analytische parameters worden geselecteerd door de gebruiker. De gepresenteerde bevindingen zijn gebaseerd op deel van voorheen gepubliceerde gegevens25,26.

Protocol

Het volgende protocol is goedgekeurd door de lokale ethische Commissie (biomedische Inserm 365 protocol C08-39).

1. pre-imaging

  1. Zich inschrijven voor een studie populatie van onderwerpen, het verkrijgen van schriftelijke, geïnformeerde toestemming voor hen allen. Toestemming van de plaatselijke ethische commissie.
  2. Selecteer een paradigma te onderzoeken die kan worden toegepast op alle onderwerpen in tijd-locked wijze.
    Opmerking: Hier hebben we een audiovisuele wetenschappelijke documentaire gebruikt voor jongeren (https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study).

2. imaging

  1. Voor elk onderwerp te overwegen in de analyses, verrichten ten minste één functionele beeldvorming sessie waarin de gescande vrijwilliger is onderworpen aan de tijd-locked paradigma van belang.
    1. Gebruik een 3 Tesla MRI scanner te verwerven dwarse segmenten door middel van een echoplanar reeks imaging.
    2. De volgende imaging parameters in dienst: voxel grootte = 3 mm x 3 mm x 3 mm, herhaling tijd (TR) = 2 s, echo tijd = 50 ms, gezichtsveld = 192, 40 segmenten.
      Opmerking: Sneller TR waarden worden aangemoedigd in het kader van de haalbaarheid. Het protocol kan ook met een meer beperkte gezichtsveld (bv. voor analyses beperkt tot een specifieke sub hersenstructuur), waardoor een beter temporele resolutie (lagere TR) of een ruimtelijk nauwkeuriger analyse worden toegepast.
    3. Laat een paar seconden van de opname (≥ 2 TR) voor en na de presentatie van de stimulus.
  2. Voer ten minste één aparte functionele beeldvorming sessie waarin de gescande vrijwilliger ligt in rust in de scanner, de ogen gesloten en geïnstrueerd niet in slaap te vallen.
    Opmerking: Aparte stimulus-gerelateerde en rusten statuswaarden acquisities voorkomen anders mogelijk wisselwerkingen tussen de voorwaarden (bijvoorbeeld hebben keek de film vooraf kan een blijvende sporen achterlaten aan een later verworven rusten statuswaarden opname)27. Als het niet gewenst is om te gaan door de bovengenoemde extra rust statuswaarden acquisitie, een alternatief (zij gevoeliger zijn voor de detectie van valse positieven; Zie discussie) computationele optie in de pijpleiding wordt vervangen door deze gegevens door tijdsverloop van surrogaat berekend op basis van de paradigma-gerelateerde signalen (zie stap 5.1.2).
  3. Uitvoeren van structurele imaging.
    1. Gebruik een 3 Tesla MRI scanner en een snelle overname magnetisatie-bereid T1-gewogen gradient echo volgorde.
    2. De volgende imaging parameters in dienst: voxel grootte = 1 mm x 1 mm x 1 mm, gezichtsveld = 256, 176 segmenten.

3. gegevens en Software voorbereiding

  1. Voor elke sessie te analyseren, te zorgen voor het bestaan van de volgende gegevensbestanden:
    1. Een set van functionele MRI volumes, aanwezig zijn als aparte 3D NIFTI of HDR/IMG bestanden, met een consistente nummeringsschema (bijvoorbeeld "fMRI_0001", "fMRI_0002", etc.).
    2. Een T1 structurele MRI beeld, in NIFTI of HDR/IMG formaat.
    3. Een atlas van belang in Montreal neurologische Instituut (MNI) ruimte, in NIFTI-indeling.
      Opmerking: Een voorbeeld van vereiste input bestanden worden verstrekt voor een representatieve onderwerp ("S17"), samen met de volledige pijpleiding code, op https://c4science.ch/source/Intersubj_pipeline.git
  2. Download de nieuwste versie van de publiekelijk beschikbaar Freesurfer software28 (https://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall).
  3. Download de nieuwste versie van de werkset statistische parametrische Mapping (SPM) MATLAB publiekelijk beschikbaar vanaf https://www.fil.ion.ucl.ac.uk/spm/software/spm12/.
  4. MATLAB open (versie 2017a of recenter) en zoek de nieuw gedownloade mappen op het gebied van "freesurfer" en "spm12". Voor elk, vlak tikken daarop en uitgezocht de toevoegen aan pad > geselecteerde mappen en submappen optie.

4. gegevens voorbewerken

  1. In de MATLAB-terminal, type spm te lanceren het hoofdmenu van SPM12, en klik op de knop van de fMRI aan de pre-processing toegangsopties gewijd aan fMRI gegevens. Voer de volgende stappen afzonderlijk voor elke fMRI-sessie aan het voorbehandelen.
    1. Klik op Uitlijnen (Est & Res), en in het nieuw geopende venster van de Batch Editor, tweevoudig tikken voort gegevens > sessie. Selecteer in het nieuw geopende venster van de sessie, alle functionele afbeeldingen te verwerken. Klik op de knop gedaan , en daarna, op het pictogram van de Batch uitvoeren vanuit het venster Batch Editor (groene driehoek). Wacht totdat de herschikking stap is voltooid, zoals aangegeven in het terminalvenster van MATLAB.
    2. Klik op Coregister (Est & Res), en in het nieuw geopende venster van de Batch Editor, tweevoudig tikken voort referentiebeeld. In het onlangs geopende referentiebeeld venster, selecteer het gemiddelde functionele volume gemaakt in de volgende stap, voorafgegaan door "gemiddelde", en klik op de knop gedaan . Vervolgens tweevoudig tikken op de bronafbeelding, en in het nieuw geopende venster van de bronafbeelding, selecteert u de afbeelding T1. Klik op de knop gedaan , en daarna, op het pictogram van de Batch uitvoeren vanuit het venster Batch Editor (groene driehoek). Wacht totdat de coregistration stap is voltooid, zoals aangegeven in het terminalvenster van MATLAB.
      Opmerking: De T1-afbeelding wordt overschreven bij deze stap, zodat de bijgewerkte één in dezelfde ruimte als de functionele volumes ligt.
    3. Klik op Segment, en in het nieuw geopende venster van de Batch Editor, tweemaal klikken op Volumes. In het nieuw geopende venster van de Volumes, selecteer de T1-afbeelding en klik op de knop gedaan . Vervolgens in het venster Batch Editor, tweevoudig tikken voort Velden van de vervorming en de Inverse optie. Klik op het pictogram Uitvoeren Batch (groene driehoek) en wacht totdat de segmentatie stap is voltooid, zoals aangegeven in het terminalvenster van MATLAB.
  2. Typ JOVE_GUI1 in de terminal van de MATLAB eerste pre-processing grafische user interface venster te openen. Voer de volgende stappen uit voor elke fMRI-sessie om te analyseren.
    1. Klik op gegevens van de fMRI invoerenen selecteer alle verlegde functionele volumes die zijn gemaakt in stap 4.1.1 (voorafgegaan door 'r'). Selecteer zowel de IMG en de HDR volumes voor IMG/HDR-bestanden.
    2. De TR van de gegevens (in seconden) invoeren in het venster speciale bewerkbare tekst.
    3. Klik op Voer T1 gegevens en selecteer de drie probabilistische weefsel type volumes die zijn gemaakt in stap 4.1.3 (voorafgegaan door "c1", "c2" en "c3").
    4. Klik op de Enter-beweging-bestanden selecteer het tekstbestand met motie parameters van de sessie van belang, gemaakt in stap 4.1.1 en voorafgegaan door "rp".
    5. Selecteer het gewenste type voorbewerken, dat wil zeggen of de gegevens moeten worden detrended of niet (respectievelijk vaststelling het toegewijde keuzerondje in- of uitschakelen), en welke covariates achteruitgegaan moeten worden (door de gewenste optie te selecteren in de specifieke lijst).
      Opmerking: De regressie-stap is geïnspireerd door een functie die afkomstig zijn uit de werkset DPARSF29. De witte stof en cerebrospinaal vocht signalen van afzonderlijke houders zijn gemiddeld over de voxels waarvoor de desbetreffende sjabloon DPARSF probabilistische weefsel kaart bleek een signaal groter dan 0,99. In onze analyses, we detrended van de gegevens, en zo goed als constante, lineaire en kwadratische trends uit witte stof/hersen vloeistof tijdsverloop achteruitgegaan.
    6. Voorbehandelen van de gegevens, klik op Preprocessen wachten voor de weergave in het venster wordt weergegeven. De gegevens kunnen worden opnieuw voorverwerkt anders door het wijzigen van de opties, en nogmaals op te klikken op de knop Preprocess .
      Opmerking: De plot van de grijze stof is geïnspireerd vanuit de vertegenwoordiging Power et al.30voorstelde.
    7. Klik op opslaan op de knop Opslaan om de uitvoer voor het volgen van de stappen. Schakel de inhoud van het venster, klik op de knop wissen .

Supplementary Figure 1
Aanvullende figuur 1: voorbeeld screenshot vanuit het venster eerste pre-processing grafische gebruiker interface. Voxel-wise tijd cursussen van grijze stof voxels na de geselecteerde pre-processing opties (hoogste juiste perceel) en covariates die kunnen worden gebruikt in het voorbewerken (van boven naar beneden: cerebrospinale vloeistof/wit kwestie gemiddeld tijdsverloop, translationeel motion parameters en roterende beweging parameters. Klik hier voor een grotere versie van dit cijfer.

  1. Typ JOVE_GUI2 in de terminal van de MATLAB tweede pre-processing grafische user interface venster te openen. Voer de volgende stappen uit voor elke fMRI-sessie om te analyseren.
    1. Klik op gegevens selecteren, en selecteer het gegevensbestand opgeslagen in stap 4.2.7 (met de naam "ISFC_VX.mat").
    2. Klik op Kies motion, en selecteer het tekstbestand met motie parameters van de sessie van belang, gemaakt in stap 4.1.1 en voorafgegaan door "rp".
    3. Klik op Selecteer atlas, en selecteer het bestand van de NIFTI vertegenwoordigen de atlas te gebruiken voor parcellation.
    4. Klik op het omgekeerde warp Selecteer, en selecteer de NIFTI bestand vertegenwoordigt het veld van de vervorming uit MNI naar native ruimte, gemaakt stap 4.1.3 en voorafgegaan door "iy".
    5. Klik op Selecteer fMRI volume, en selecteer een van de gegevensvolumes fMRI.
      Opmerking: Deze stap maakt toegang tot de informatie van de kop van de functionele gegevens, dus waarom de werkelijke gekozen volume niet belangrijk is.
    6. De TR van de gegevens (in seconden) invoeren in het venster speciale bewerkbare tekst.
    7. Schrobben-gerelateerde gegevens invoeren: het type van schrobben om uit te voeren (dat wil zeggen, hoeveel frames om te schrobben uit vóór en na de gecodeerde degenen) in de lijst "Schrobben type" en de framewise drempel verschuivingswaarde (Power criterium31) waarboven een fMRI-volume moet worden geschrobd in het "Scrubbing drempel" bewerkbare tekstvenster (in mm).
      Opmerking: Kubieke spline interpolatie wordt uitgevoerd op de geschrobde gegevenspunten om ze te vervangen met geschatte waarden uit naburige monsters. In onze analyses, wij één frame na de tagged volumes geschrobd, en gebruikt een drempelwaarde van 0,5 mm voor schrobben.
    8. Geef de grootte van de glijdende-venster-W te gebruiken voor ISFC berekeningen (zie stap 5), in de TRs.
      Opmerking: Dit stuk van informatie zal filtering van het tijdsverloop via een functie die afkomstig zijn uit de DPARSF toolbox29inschakelen, bij f = 1/W Hz32. In onze analyses, gebruikten we W = 10 TR als een inruil waarde te vangen dynamische schommelingen terwijl het behoud van voldoende monsters voor robuuste schattingen.
    9. Klik op de Plot -knop weer te geven van de indicatieve atlased tijdsverloop voordat (top perceel) en na (onder plot) het schrobben en filtreren stappen. Controleren, door visuele inspectie, die na de geselecteerde voorbewerken stappen, die uitgangssignalen doen niet opvallende artefactuele bestanddelen bevatten.
    10. Om op te slaan de uitgangen voor het volgen van de stappen, voer een opslaan een naam geven in het venster speciale bewerkbare tekst, en klik op de knop Opslaan . Schakel de inhoud van het venster, klik op de knop wissen .

Supplementary Figure 2
Aanvullende figuur 2: voorbeeld screenshot uit het tweede pre-processing grafische user interface venster. Regionale tijdsverloop na atlasing, voor (top perceel) en na (onder plot) schrobben en filtreren volgens parameters geselecteerde. Elke kromme beschrijft één regionale tijdsverloop willekeurig geselecteerd onder alle beschikbare die. Klik hier voor een grotere versie van dit cijfer.

5. Schuif-venster ISFC berekeningen

  1. Typ JOVE_GUI3 in de MATLAB-terminal om de eerste ISFC-gerelateerde grafische user interface venster te openen. De volgende stappen afzonderlijk uitvoeren voor elk type van verworven fMRI sessie segment (stimulus-gerelateerde segmenten, rusten-state segmenten van stimulus-gerelateerde sessies en puur rust-state segmenten).
    1. Klik op laden gegevensen selecteer alle juiste gegevensbestanden gemaakt met behulp van stap 4.3.
    2. Geef aan of de geselecteerde sessie segmenten fase randomisatie moeten ondergaan.
      Opmerking: Fase randomisatie kan worden gebruikt als een alternatief voor de generatie van nulgegevens van stimulus-gerelateerde signalen, als geen rust-state opnames beschikbaar zijn.
    3. De TR van de gegevens (in seconden) invoeren in het venster speciale bewerkbare tekst.
    4. Glijden-venster parameters te gebruiken voor de analyse in de windows dedicated bewerkbare tekst invoeren: de venstergrootte (in TRs) over welke connectiviteit metingen dient te worden berekend en grootte van de stap (in TRs) door die opeenvolgende windows moeten worden verschoven.
      Opmerking: In onze analyses, gebruikten we een venstergrootte van 10 TR en een stap grootte van 1 TR.
    5. De "Soorten sessies" tabel als u wilt opgeven welke van de geladen sessie segmenten werden verworven op de dezelfde experimentele voorwaarde wijzigen. Toenemende gehele getallen van 1 verder naar label verschillende soorten segmenten gebruiken (bijvoorbeeld als de stimulus werd weergegeven voor de eerste of de tweede keer in een bepaalde opname). Laat de tabel ongewijzigd als slechts één soort sessie segment werd overgenomen.
      Opmerking: Een sessie in het huidige werk kan verwijzen naar een gecombineerde opname van de film/rust-staat (genoemd RUN1 en2 lopen in figuur 1A), of een puur rust-state-opname (3uitvoeren). Een sessie segment verwijst naar een sub gedeelte van de opname van een sessie, toen de film was keek, of wanneer de onderwerpen gelogen in rust. De bovenstaande informatie wordt gebruikt in de vervolgens beschreven berekeningen van ISFC (zie stap 5.1.8) te beperken van de storende invloed van soorten van verschillende sessies segment.
    6. Uitvoeren van de bootstrap-gerelateerde parameters opgeven in de windows dedicated bewerkbare tekst: het aantal bootstrappen plooien waarover ISFC berekeningen uitvoeren, en het aantal onderwerpen dat de referentiegroep voor elke vouwen van ISFC berekeningen moet vormen.
      Opmerking: In onze analyses gebruikten we 250 bootstrapping plooien en 6 onderwerpen in de verwijzingsgroep.
    7. Specificaties waarover sub gedeelte van tijdsverloop moet worden geanalyseerd in de sectie timingparameters in de windows dedicated bewerkbare tekst invoeren. Een begin en een eind-index (in TRs) moeten worden verstrekt. Gebruiken om te analyseren de hele opnametijd, 1 als start van de index en het aantal monsters als einde index.
    8. Klik op de knop uitzetten voor het uitvoeren van berekeningen van de ISFC. Hiermee worden geleidelijk bijgewerkt na verloop van tijd, samen met de hoeveelheid verstreken bootstrapping plooien. Voor een paar van de regio (i, j) en een glijdende venster index τ, wordt ISFC berekend als het gemiddelde van cross-correlatie tussen sessie segment s en alle segmenten van de sessie van de referentiegroep, binnen een sliding-venster van lengte W; Deze referentiegroep duiden door Ψ, het aantal onderwerpen door NΨ, en laat xi[s](t) het tijdsverloop van regio ik voor sessie segment s op tijdstip t; schatting van de ISFC wordt dan gegeven door:
      Equation 2
      ISFC metingen worden berekend over de opgegeven hoeveelheid bootstrappen plooien, en met het geselecteerde aantal sessie segmenten gebruikt als een verwijzingsgroep op elke vouw (zie stap 5.1.6). Als er meerdere sessie segment subtypen zijn, componeert een mengsel van subtype monsters altijd de verwijzingsgroep. De definitieve output voor elke sessie segment is de gemiddelde ISFC over alle plooien waarin het was niet opgenomen als een referentiemeting.
      Opmerking: De referentiegroep is de verzameling van segmenten van de sessie waarnaar de functionele tijd cursussen van sessie segment s worden vergeleken op elke vouw van het bootstrap proces. Voor de resultaten meer robuuste aan uitbijter gegevenspunten, ISFC wordt berekend meerdere keren op een ander referentiepunt groep (dat wil zeggen een verschillende subset van sessie segmenten). Nog belangrijker is, de aankoop tijd t komt niet overeen met de glijdende venster index τ, zoals de laatste is berekend over een reeks W gegevenspunten, en afhankelijk van de grootte van het venster stap voor opeenvolgende ramingen. De bootstrap proces inspireerden uit een vroegere studie Byrge et al.33.
    9. Om op te slaan de uitgangen voor het volgen van de stappen, voer een opslaan een naam geven in het venster speciale bewerkbare tekst, en klik op de knop Opslaan . Schakel de inhoud van het venster, klik op de knop wissen .

Supplementary Figure 3
Aanvullende figuur 3: voorbeeld screenshot van het eerste venster van de ISFC-gerelateerde grafische gebruiker interface. (Top perceel) Schematische weergave van hoe vaak elk beschouwd als sessie heeft haar ISFC metingen berekend (dat wil zeggen, niet is geselecteerd in de referentiegroep). (Onderkant plot) Een indicatieve betreft ISFC tijdsverloop berekend voor vijftig voorbeeld verbindingen, geselecteerd als degene die de grootste opgeteld absolute ISFC waarden exposeren in de tijd. Klik hier voor een grotere versie van dit cijfer.

  1. Typ JOVE_GUI4 in de MATLAB-terminal om de tweede ISFC-gerelateerde grafische user interface venster te openen.
    1. Klik op Load ISFC gegevens en selecteer de stimulus-gerelateerde ISFC output bestanden die is gemaakt in stap 5.1.
    2. Klik op laden nulgegevens en selecteer, , afhankelijk van de gebruikte nulgegevens generatie regeling, ofwel de ISFC rust-staat, of de fase gerandomiseerde stimulus-gerelateerde ISFC output bestanden gemaakt in stap 5.1.
    3. Klik op Load codebook en selecteer de codebook-bestand dat is gemaakt in stap 4.3.
    4. De TR van de gegevens (in seconden) invoeren in het venster speciale bewerkbare tekst.
    5. Voer de parameters van de glijdende-venster gebruikt in de berekeningen van stap 5.1 (venstergrootte en stap-grootte, in TRs) in het windows-dedicated bewerkbare tekst.
    6. Voer (in procenten) de α-waarde waartegen het tijdsverloop van de ISFC thresholded worden moeten tot belangrijke wijzigingen in het venster speciale bewerkbare tekst markeren.
      Opmerking: Hier en elders, wanneer verwijzen naar een α-waarde van 2,5%, betekent dit dat betekenis wordt bereikt wanneer een waarde lager dande 2,5 percentiel , of groter is dande 97.5 percentiel, van de nulgegevens is . In onze analyses, we hadden 5,762 rusten statuswaarden gegevenspunten aan ons ter beschikking staan, en geselecteerde een α-waarde van 10-4. Dit betekent dat we 0,01% van de gegevens wilden te worden groter of gelijk is aan de geselecteerde drempels voorbij die een ISFC-excursie zou worden als betekenisvol beschouwd als monsters. Voor vergelijkingsdoeleinden, het α-niveau geëist door Bonferroni correctie zou 0,05/44,551 = 1.12 x 10-6, en de strengste mogelijk α-niveau ingeschakeld met onze hoeveelheid gegevens (n monsters) zou Equation 3 .
    7. Klik op de knop uitzetten voor het uitvoeren van het ISFC drempelmethode proces, in welke alle beschikbare null ISFC metingen worden samengevoegd, voor een bepaalde verbinding, om te bouwen van een null distributie, na die prikkel-gerelateerde ISFC metingen zijn thresholded basis van de geselecteerde α-waarde. Tijdstippen waartegen een stimulus-gerelateerde ISFC waarde statistisch significant hoger is dan de null distributie zijn gelabeld als -1 / + 1 voor aanzienlijke ISFC verlaagt en verhoogt, respectievelijk.
      Opmerking: Het proces van drempelmethode haalt inspiratie uit het rusten statuswaarden dynamische FC werk van Betzel et al.23.
    8. Om te visualiseren de ruimtelijke patronen van de ISFC op verschillende tijdstippen, Sleep de schuifregelaar onder de ISFC excursie plot.

Supplementary Figure 4
Aanvullende figuur 4: voorbeeld screenshot uit het tweede venster van de ISFC-gerelateerde grafische gebruiker interface. (Top links plot) Een indicatieve betreft ISFC tijdsverloop berekend voor drie voorbeeld verbindingen, geselecteerd als degene exposeren de grootste hoeveelheid belangrijke ISFC excursies en weergegeven met hun bijbehorende berekende betekenis drempels (horizontale lijnen). (Onderkant linker plot) Voor de dezelfde verbindingen gemiddeld tijdsverloop van de bijbehorende excursie over onderwerpen, met tweezijdige 95%-betrouwbaarheidsintervallen weergegeven als fout maatregel. (Juiste perceel) Ruimtelijke ISFC patroon (gemiddeld ISFC excursies over onderwerpen) voor een geselecteerde tijdstip aangeduid met een verticale zwarte lijn op de ISFC en excursie percelen. Positieve ISFC excursies worden weergegeven in geel, en negatieve degenen in roze. De grootte en kleur code van de knooppunten in verhouding staan tot hun graad. Klik hier voor een grotere versie van dit cijfer.

Representative Results

Hier vonden wij n = 15 meestal ontwikkelen (TD) onderwerpen waarvoor wij schriftelijke, geïnformeerde toestemming hebt verkregen. Al waren de rechtshandige mannetjes (23.42 ± 7,8 jaar oud). De gekozen paradigma was een audiovisuele wetenschappelijke documentaire voor jongeren over de gevaren van blootstelling aan de zon. Het bevat een groot scala aan sociale, visuele en auditieve prikkels en kan worden bekeken op https://miplab.epfl.ch/index.php/miplife/research/supplement-asd-study.

Wij verworven twee sessies per onderwerp (punt1 en punt2) waarin de beoordeelde film van 5 naar 353 weergegeven was s (5.8 min duur). Een rust-state segment ook volgde van 386 tot 678 s (4.9 min duur). Daarnaast één uitsluitend rusten statuswaarden sessie (RUN3) werd overgenomen voor elk onderwerp (met uitzondering van een die lijden aan claustrofobie), blijvende voor 310 s (5,2 min). Voorbeeld filmscènes en de timing van de opgehaalde gegevens worden samengevat in figuur 1A. Nog belangrijker is, het aankoop-protocol was niet optimaal in de zin dat rust-state opnames verworven net na blootstelling van de film is gedeeltelijk beschadigd door spill-over effecten27; Wij maken gebruik van deze gegevens in de huidige bevindingen een bevredigend hoeveelheid monsters voor statistische drempelmethode hebben, maar dit moet worden vermeden indien mogelijk.

Wij uitgesloten alle sessies waarvoor meer dan 10% van de frames op de markt waren geschrobd, op een drempel van 0,5 mm, en wordt beschouwd als de parcellation van Craddock et al.34 (twee-niveau temporele correlatie algoritme) voor het genereren van regionale tijdsverloop, voor een totaal van 299 verschillende hersengebieden.

ISFC is berekend afzonderlijk aan dat de subdelen rusten statuswaarden van RUN1 en punt2, en (3) de rust statuswaarden RUN3 opnames RUN1 en RUN2, (2) (1) de film-kijken naar subparts. We gebruikten een venster lengte W = 10 TR voor de voornaamste resultaten gepresenteerd, en vergelijk deze met een lagere waarde van W = 5 TR. stap-grootte altijd bleef gelijk is aan 1 TR. Bootstrapping werd uitgevoerd meer dan 250 plooien, met inbegrip van 6 sessie in elke referentiegroep segmenten.

Figuur 1B worden weergegeven ISFC tijdsverloop gegenereerd op W = 10 TR en W = 5 TR voor drie verschillende representatieve verbindingen: aansluiting 1 betrokken een inferieur pariëtale regio aan de verwachting van bewegende objecten gerelateerde links (MNI coördinaten: 41,9,32)35 , en een rechts frontaal oppervlak van de operculaire gekoppeld aan respons inhibitie (-34,-52,45)36. Deze laatste regio was ook betrokken bij de verbindingen 2 en 3, respectievelijk met een gebied betrokken bij zintuiglijke coördinatie (54,6,34)37, en een gebonden aan de verwerking van de betekenis van woorden (6,62,9)38.

Een vergelijking over venster lengtes blijkt dat in de W = 5 TR instelling, tijdelijke afwijking in de onderwerpen over het algemeen groter is in beide film-kijken en rust-state segment gevallen ten opzichte van W = 10 TR, een bekend fenomeen in glijden-venster analyses39. Voor verbinding 1, ongeacht de lengte van het venster, een gelokaliseerde subdeel van de opname van film-kijken (op ongeveer 55 s) toont een sterke, gesynchroniseerde ISFC verhogen over de onderwerpen, die het bereik van waarden genomen in het geval van rust-staat grotendeels overschrijdt. Dus, verwachten we te vangen dit temporele subdeel als een belangrijke ISFC voorbijgaande met onze drempelmethode-methode.

Voor verbinding 2, observeren we soortgelijke temporal dynamics, maar voor W = 5 TR, de verhoging wordt minder gemakkelijk te ontwarren in vergelijking tot de rust statuswaarden tijdsverloop, als gevolg van de grotere glijden-venster methodologie-gerelateerde lawaai. Het weerspiegelt een geval waarin er geen duidelijk antwoord aan de film is wat verbinding 3, en dus de schommelingen van de film-kijken en rusten statuswaarden tijdsverloop vergelijkbaar zijn. De verwachte uitkomst in deze analytische stadium is een mix tussen verbindingen die tonen duidelijke prikkel-geïnduceerde reconfigurations en verbindingen die niet reageren.

Figure 1
Afbeelding 1: voorbeeld van ISFC en overname timing tijd cursussen. (A) de film keek door de onderwerpen betrokken een breed scala van sociale situaties (voorbeeldafbeeldingen 1 en 4), wetenschappelijke verklaringen met kleurrijke panelen (voorbeeldafbeeldingen 2 en 5) en landschap landschappen (voorbeeld afbeelding 3). Drie sessies werden verworven per onderwerp: twee (1 en2uitgevoerd) opgenomen de stimulatie van de film (van 5 tot en met 353 s, gemarkeerd in het groen) gevolgd door een periode van rust-state (van 386 tot 678 s, aangegeven in geel), terwijl een (RUN3) uitsluitend bestond in een rust-state opname (310 s duur, weergegeven in oranje). (B) voor drie indicatieve verbindingen (C1, C2 en C3, respectievelijk donker groen/rood, licht groen/oranje en turkoois/geel sporen), evolutie van de ISFC na verloop van tijd tijdens film-kijken (koude kleuren) of rust-state (warme kleuren). Voor W = 10 TR (linker paneel), film-kijken-ISFC verandert meer grotendeels stand ten opzichte van W = 5 TR (rechtervenster). Elke trace weerspiegelt het tijdsverloop van de ISFC van een sessie. Dit cijfer is deels gewijzigd van Bolton et al.25. Klik hier voor een grotere versie van dit cijfer.

Figuur 2A toont de resultaten na statistische drempelmethode van tijdsverloop van ISFC, voor de dezelfde drie verbindingen zoals hierboven. Een tijd cursus-waarde van 1 betekent dat alle onderwerpen onderging de dezelfde verhoging van de ISFC op hetzelfde moment wijs; een waarde van 0 betekent dat geen onderwerp onderging een aanzienlijke verandering van de ISFC; een waarde van -1 voorstelt een synchrone ISFC daling over alle onderwerpen. Zoals voorheen, we contrast W = 5 stk en W = 10 TR, en we ook wijzen op twee gevallen van de α-waarde: α = 0,01% en α = 5%.

Montage met de bovenstaande opmerkingen, vermindert een lagere venster lengte de hoeveelheid opgehaalde significante ISFC veranderingen. Voor verbinding 1, beide W = 5 stk en W = 10 TR, extract echter hetzelfde bepaald moment (t = 55 s) als het tonen van een sterke stijging van de ISFC. Nemen van een hemodynamische vertraging van ongeveer 5 s rekening, dit komt overeen met een subdeel van de film als gekleurde lijnen uit te naar een pop breiden waren en abrupt vlak voor het (46-49-s) gestopt, montage met de rol van de betrokken regio's in het object verplaatst verwachting en respons inhibitie35,36.

Wanneer verhoogt α van 0,01% tot 5%, kan men een veel lagere specificiteit van de gedetecteerde ISFC transiënten, waarschijnlijk met inbegrip van vele valse positieven en onverwacht veel minder temporele synchrony tonen waarnemen.

Als een ander perspectief dat kan worden ingesteld op de gegevens, figuur 2B toont het geheel-hersenen ruimtelijke kaarten van significante ISFC veranderingen op t = 55 s. Het kan worden gezien dat de reactie op de film scène strekt zich uit tot ver buiten de voorbeeld-verbindingen beschreven hier.

Figure 2
Figuur 2: temporele en ruimtelijke momentopnamen van ISFC patronen. (A) ISFC voorbijgaande tijdsverloop, gemiddeld over onderwerpen, voor drie indicatieve verbindingen (C1, C2 en C3, respectievelijk donker groen, licht groen en turquoise sporen). De film scène die reed van de ISFC wijzigingen is gemarkeerd in lichtgrijs en afgebeeld door voorbeeld beelden. Voor W = 10 TR (linkerkolom van percelen), ISFC wijzigingen sterker worden gedetecteerd dan voor W = 5 TR (rechterkolom van percelen). Voor α = 0,01% (bovenste rij van percelen), specificiteit naar gelokaliseerde film signalen is groter dan voor α = 5% (onderste rij van de percelen). Elke trace weerspiegelt het voorbijgaande tijdsverloop van de ISFC van een sessie en de tweezijdige 95%-betrouwbaarheidsintervallen worden weergegeven als fout maatregel. (B) voor W = 10 TR en α = 0,01%, er is een nette, beperkte ruimtelijk patroon van ISFC transiënten op t = 55 s (de ISFC voorbijgaande piekwaarde voor C1); voor W = 5 stk en α = 5%, verbindingen ondergaan een belangrijke wijziging van de ISFC op dit moment zijn veel talrijker. Merk op dat we aannemen een hemodynamische vertraging van ongeveer 5 dat s in de beschreven tijdelijkheid (d.w.z., een waarde van 55 s hier heeft betrekking op de prikkel van de film op 50 s). Dit cijfer is deels gewijzigd van Bolton et al.25. Klik hier voor een grotere versie van dit cijfer.

Discussion

Op een dataset van gezonde proefpersonen, we laten zien hoe synchrone Kruis-onderwerp stijgingen en dalingen in FC, de ISFC transiënten, zou overeenkomen met stoffelijk gelokaliseerde film signalen, het verstrekken van informatie die verder dan een statische beschrijving gaat. Hoewel het gebruik van kruis-onderwerp correlatie maakt het mogelijk de analyse gericht op functionele reconfigurations stimulus-gedreven maatregelen, moet ook men zich ervan bewust dat het beperkt de bevindingen aan de effecten die worden gedeeld door de bestudeerde populatie: Vandaar, low-level zintuiglijke verwerking naar verwachting oververtegenwoordigd zijn in vergelijking met frontale verwerking40. Om deze beperking te omzeilen, worden de nieuwe methoden die hebben ook de mogelijkheid om op te halen van de regio's die sterk tussen onderwerpen variëren ontwikkelde41.

Een andere beperking van de geïntroduceerde methodologie vloeit voort uit het glijden-venster aspect, zoals temporele resolutie van ISFC voorbijgaande tijdsverloop wordt verlaagd in vergelijking met frame-wise benaderingen15. Zoals wij toonde, een trade-off tussen de lengte van een voldoende laag venster goed oplossen dynamische ISFC reconfigurations nodig is, en een groot genoeg grootte te verkrijgen robuuste schattingen. Twee kritische stappen in onze kader ervoor zorgen dat de uitgepakte ISFC transiënten echt voorkomende in connectiviteit wijzigingen: ten eerste, de hoogdoorlaat filtering van regionale tijdsverloop met de inverse van de venster lengte32; Ten tweede, het gebruik van rust-ISFC systeemstatusgegevens voor de generatie van een relevante null verdeling, met identieke overname parameters ten opzichte van de stimulus-gerelateerde gegevens. Natuurlijk, vereist de laatste ook een langere global Acquisitietijd, zodat rust statuswaarden gegevens kunnen worden verzameld op de top van stimulus-gerelateerde sessies. Als een alternatieve benadering te voorkomen dat de extra rust-state opnames, bieden wij ook de mogelijkheid voor het genereren van gegevens uit gerandomiseerde fase rechtstreeks vanuit de stimulus-gerelateerde tijdsverloop, een aanpak die vaak worden gebruikt in dynamische functionele connectiviteit analyses 23 , 24. verdere evaluatie van een subset van sessies is gebleken dat hoewel de rust statuswaarden null methode conservatiever is, en dus minder gevoelig voor valse positieven, de mondiale patronen van ISFC excursie detectie over beide regelingen (Zie leken Aanvullende figuur 5).

Supplementary Figure 5
Aanvullende figuur 5: detectie van ISFC excursies over nulgegevens generatie methoden. Voor rust-staat (linker kolom, blauwe percelen) of fase randomisatie (rechter kolom, rode percelen) nulgegevens generatie methoden, percentage van ISFC excursies via verbindingen hebt uitgepakt. De percelen van de onder zijn een inzet op de verbindingen die afkomstig zijn van de eerste drie weloverwogen hersengebieden. Fout vertegenwoordigt standaarddeviatie over onderwerpen. Klik hier voor een grotere versie van dit cijfer.

De duur van de acquisities van rust-staat eigenlijk betrekking heeft op een kritieke parameter van de analyses: de α-waarde. Zoals wordt geïllustreerd hierboven, zal een te toegeeflijk keuze leiden tot een grote hoeveelheid valse positieven in de gedetecteerde ISFC transiënten. Hoe groter de hoeveelheid beschikbare rusten statuswaarden gegevens, de strengere de haalbare valse positieve stem, omdat drempelmethode kan worden gebaseerd op meer extreme waarden uit de null distributie. Als een indicatie, voor n = 299 atlas regio's als hier en gezien onze tally 5,762 rusten statuswaarden gegevenspunten, we kunnen hoogstens bereiken een α-waarde dicht bij 0,01% (zie stap 5.2.6 voor wiskundige details).

Een ander belangrijk punt met betrekking tot een fMRI-analyse ligt in de strenge verwijdering van mogelijke beweging-gerelateerde artefacten uit de geanalyseerde gegevens30,42. In het bijzonder, als men wil toepassen de geïntroduceerde pijpleiding naar zieke populaties vertonen gemarkeerd beweging in de scanner, raden we bovenop de motie variabelen als covariates in de uitgevoerde statistische analyses, waaronder extra voorbewerken stappen worden uitgevoerd, zoals wavelet denoising43 of44van de ICA-AROMA. Groep vergelijking, bijvoorbeeld om te vergelijken ISFC transiënten tussen een gezond en een zieke groep, kunnen gemakkelijk worden uitgevoerd door het uitvoeren van de beschreven aanpak parallel op beide groepen van belang (Zie Bolton et al.25 voor een voorbeeld van een populatie gediagnosticeerd met autisme spectrum stoornissen). Echter een verschil tussen de groepen vervolgens kan ontstaan in twee verschillende instellingen: (1) een afwezig ISFC wijzigen in een groep, of (2) een meer heterogene evolutie in die groep. Om het ontwarren van deze twee factoren, moet de pijpleiding nogmaals worden uitgevoerd voor de zieke groep, waarbij het gezonde onderwerp ingesteld als de verwijzingsgroep op de bootstrap stap. Het eerste geval zou nog steeds leidt tot een afwezig antwoord, terwijl de laatstgenoemde zou niet.

Op de top van wat wij hier beschreven, de geïntroduceerde methodologie ook opent veelbelovende toekomstige mogelijkheden: van een analytische kant, ISFC voorbijgaande kaarten kunnen worden gezien als hersenen grafieken uit welke statistieken kwantificeren van de hersenen zou connectiviteit afgeleide45, of dynamische ISFC Staten kon worden geëxtraheerd door clustering van benaderingen en beoordeeld in termen van hun ruimtelijke en temporele karakteristieken17,46. Een denkbaar daarnaast ook het gebruik van meer geavanceerde connectiviteit prestatiemetingsprogramma's dan van de Pearson correlatiecoëfficiënt te onthullen subtieler zijden van FC47,48.

Van de experimentele kant, de toepassing van onze pijpleiding op een uitgebreidere reeks van paradigma's is een veelbelovende vooruitzichten: bijvoorbeeld, in plaats van een film zoals bestudeerd hier, een denkbaar voor het gebruik van een stukje muziek49 of een narratieve verhaal13, 50 als stimulans tijd vergrendeld. Als alternatief, het kan zelfs worden voorzag, via hyperscanning51, naturalistische sociale communicatie52,53sonde.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Dit werk werd gedeeltelijk ondersteund door elk van de volgende: de Zwitserse National Science Foundation (subsidie nummer 205321_163376 te DVDV), de Stichting Bertarelli (voor Tuberculose en DVDV), het centrum voor biomedische Imaging (CIBM) en het Nationaal Agentschap voor onderzoek ( tempofront toekennen nummer 04701 ALG). De auteurs wil Roberto Martuzzi en Giulia Preti bedanken voor hun bijdrage aan de video-inhoud van dit werk als, respectievelijk de exploitant van de MRI en gescand vrijwilligers.

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

Neurowetenschappen kwestie 145 functionele magnetische resonantie imaging taakgerichte analyse dynamische functionele connectiviteit Inter onderworpen functionele correlatie sliding-venster analyse drempelmethode film-kijken paradigma
Dynamische Inter onderworpen functionele connectiviteit onthult Moment-te-Moment hersenen netwerkconfiguraties gedreven door continue of mededeling paradigma's
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