L’objectif de l’approche décrite est de déterminer à quels moments du paradigme (perspective temporelle) et entre les régions (perspective spatiale), reconfigurations significatives en matière de connectivité fonctionnelle se produisent sur l’imagerie par résonance magnétique fonctionnelle enregistrements au cours duquel un stimulus temps verrouillé est joué.
Basée sur les tâches l’imagerie par résonance magnétique fonctionnelle ours grand potentiel à comprendre comment notre cerveau réagit à différents types de stimulation ; Toutefois, cette opération est souvent réalisée sans tenir compte de l’aspect dynamique de transformation fonctionnelle et sorties analytiques représentent généralement fusionnés influences des effets axée sur la tâche et sous-jacent des fluctuations spontanées de l’activité cérébrale. Ici, nous introduisons un nouveau pipeline méthodologique qui peut aller au-delà de ces limites : l’utilisation d’un schéma analytique-coulissante permet le suivi des changements fonctionnels au fil du temps, et par le biais de mesures correlational cross-objet, l’approche peut isoler les effets purement liés à la stimulation. Grâce à un processus rigoureux de seuillage, des changements significatifs dans la corrélation fonctionnelle inter-sujet peuvent être extraits et analysés.
Sur un ensemble de sujets sains ayant subi une stimulation audio-visuel naturaliste, nous démontrons l’utilité de l’approche en liant les reconfigurations démêlées fonctionnelles à des stimulus particuliers du film. Nous montrons comment, grâce à notre méthode, on peut saisir soit un profil temporel de l’activité cérébrale (l’évolution d’une connexion donnée), ou les concentrer sur un instantané spatial à un moment clé. Nous fournissons une version accessible au public du pipeline ensemble et décrire son utilisation et l’influence de ses principaux paramètres étape par étape.
Imagerie de résonance magnétique fonctionnelle (IRMf) est devenu l’outil de choix pour surveiller non invasive les changements dans l’activité cérébrale résultant de la stimulation externe. Plus précisément, le vif intérêt a émergé sur la compréhension de l’interdépendance statistique entre cours de temps activation régional, connu comme la connectivité fonctionnelle (cf)1 et généralement calculées comme corrélation de Pearson coefficient de. Les interactions fonctionnelles entre le cerveau montrent abondamment pour reconfigurer en fonction de la tâche sous-jacente2,3,4.
Deux directions analytiques a séparément ont été suivies pour aller au-delà de cette caractérisation introduction : d’une part, la réponse induite dans une région du cerveau donnée par un stimulus temps verrouillé a été observée à corréler fortement dans l’ensemble des sujets distincts5 . Quantifier cet objet inter corrélation (ISC) a montré des potentiel d’affiner notre compréhension de la cognition6,7,8,9 et cerveau troubles10,11 . En outre, cette approche correlational cross-sujet a été aussi étendue à l’évaluation de synchronicité inter-régional12, dans ce qui devint connu comme la corrélation fonctionnelle inter-sujet (ISFC) approche13.
En revanche, la saveur dynamique de reconfiguration du FC a commencé à recevoir une attention accrue (voir Hutchison et coll.14, Preti, Bolton et Van De Ville15, Gonzales-Castillo et Mbandettini16 pour des études récentes sur la côtés au repos-état et basée sur les tâches de cette question). En particulier, ensemble-cerveau FC changements au fil du temps peuvent être suivis par le biais de mesures de corrélations consécutives sur une fenêtre secondaire temporelle progressivement décalé17,18, révélant un aperçu supplémentaire dans le contexte de tâches comportementales 19,,20.
Ici, nous présentons un cadre méthodologique qui combine ces deux avenues. En effet, nous calculons ISFC en mode fenêtre coulissante pour suivre l’évolution de la synchronicité interrégionale entre les sujets exposés à un paradigme naturaliste temps verrouillé. Grâce à l’aspect de la croix-objet de la méthode, analyses sont concentrent sur effets axée sur la relance, alors que les changements spontanés IRMf (qui ne sont pas corrélées à travers des sujets) sont fortement atténués. Ceci est important parce que les patterns d’activité repos-état et évoquée par le travail sont de plus en plus compris caractérisées par des propriétés distinctes21,22.
En ce qui concerne la composante dynamique de la méthode, elle permet une caractérisation plus complète et précise des stimuli de la tâche, surtout lorsque sonder un paradigme naturaliste dont un ensemble diversifié de repères (auditif, visuel, social, etc.) sont combinés au fil du temps. Comme l’évaluation statistique sonore des importantes fluctuations dynamiques a été âprement débattu23,24, notre approche prend en outre particulièrement soin de cet aspect des analyses en isolant l’ISFC bouleversement à travers comparaison de données nulle approprié.
Nous illustrons la méthode sur un ensemble de sujets sains exposés à un stimulus film audiovisuel, pour qui nous montrent que l’ISFC temporelle et spatiale changent profils découlant film localisée sous-intervalles peuvent être extraites avec précision. Ce faisant, nous décrivons également l’influence des principaux paramètres analytiques sélectionnables par l’utilisateur. Les résultats présentés sont basés sur une partie des données précédemment publiées25,26.
Sur un ensemble de données de sujets sains, nous avons démontré comment synchrone croix en question augmente et diminue dans les FC, les transitoires SFIC, correspondrait à temporellement localisé film cues, fournissant des informations qui va au-delà d’une description statique. Bien que l’utilisation de la corrélation croisée en question mesure permet d’axer l’analyse sur les reconfigurations fonctionnelles axée sur la relance, il faut également être conscient qu’elle limite les résultats aux effets qui sont partagées dans l’ensemble de la population étudiée : par conséquent, à basse altitude traitement sensoriel est censé être surreprésentés par rapport au traitement frontal40. Pour contourner cette limitation, nouvelles méthodes qui ont aussi la possibilité d’extraire les régions qui varient fortement selon les sujets soient développés41.
Une autre limite de la méthode introduite découle de l’aspect de la fenêtre coulissante, comme la résolution temporelle des cours temps transitoire ISFC est abaissée par rapport aux approches frame-wise15. Comme nous l’a montré, un compromis est nécessaire entre une longueur de fenêtre suffisamment bas pour résoudre correctement la reconfiguration dynamique du SFIC et estime une taille suffisamment grande pour obtenir robuste. Deux étapes cruciales dans notre cadre s’assurer que les transitoires ISFC extraites reflètent les changements vraiment naturels en connectivité : tout d’abord, le filtrage passe-haut du cours régional de temps avec l’inverse de la fenêtre longueur32; Deuxièmement, l’utilisation des données d’état de repos ISFC pour la génération d’une distribution nulle pertinente, avec des paramètres d’acquisition identiques par rapport à la stimulation des données. Bien sûr, ce dernier exige également un temps d’acquisition global plus longs, afin que les données d’état de repos peuvent être regroupées sur le dessus de séances axées sur la relance. Comme approche alternative pour éviter les enregistrements de l’état de repos supplémentaires, nous offrons également la possibilité de générer des données de la phase randomisée directement à partir des cours axés sur la relance de temps, une approche souvent utilisée dans les analyses de connectivité fonctionnelle dynamique 23 , 24. évaluation complémentaire sur un sous-ensemble des sessions a révélé que, bien que la méthode nulle de l’état de repos est plus conservateur, et donc moins sujettes à des faux positifs, les modèles globaux de détection excursion ISFC étaient similaires dans les deux schémas (voir Complémentaire Figure 5).
Supplémentaire Figure 5 : excursions de détection de la SFIC à travers des méthodes de génération de données null. Pour l’état de repos (parcelles de la colonne de gauche, bleu) ou méthodes de génération phase randomisation (parcelles de la colonne de droite, rouge) données null, pourcentage d’excursions ISFC extraites sur connexions. Les parcelles de fond sont un encart sur les connexions émanant des trois premières régions de cerveau réfléchie. Erreur représente l’écart-type dans l’ensemble de sujets. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
La durée de l’acquisition de l’état de repos se rapporte en fait à un paramètre essentiel de l’analyse : la valeur de α. Comme illustré ci-dessus, un choix trop clément mènera à une grande quantité de faux positifs dans les transitoires ISFC détectés. Plus la quantité de données disponibles de l’état de repos, les plus stricts du faux positif possible taux, car seuillage peut reposer sur plusieurs valeurs extrêmes de la distribution de nulle. À titre indicatif, pour n = 299 atlas régions comme en l’espèce et compte tenu de notre décompte de 5 762 points de données d’état de repos, nous pourrions atteindre au mieux une valeur α près de 0,01 % (voir l’étape 5.2.6 pour détails mathématiques).
Un autre point clé se rapportant à toute analyse IRMf réside dans l’élimination rigoureuse de possibles artefacts liés à la motion de l’ont analysé des données30,42. En particulier, si on souhaite appliquer le pipeline introduit aux populations malades présentant marqué motion dans le scanner, nous recommandons que sur le dessus y compris les variables de requête comme covariables dans les analyses statistiques effectuées, prétraitement supplémentaire mesures se déroulera, comme les ondelettes débruitage43 ou ICA-arôme44. Groupe de comparaison, par exemple pour comparer transitoires ISFC entre une alimentation saine et un groupe de malade, peuvent être effectuées facilement en exécutant l’approche décrite en parallèle sur les deux groupes d’intérêt (voir Al. Bolton25 pour obtenir un exemple sur une population diagnostiquée avec troubles du spectre autistique). Toutefois, une différence entre les groupes peut alors survenir dans deux contextes distincts : (1) l’ISFC absent changer dans un groupe, ou (2) une évolution plus hétérogène de ce groupe. Pour démêler ces deux facteurs, le pipeline doit être exécuté une fois de plus pour le groupe de malade, en utilisant le sujet sain, définie comme groupe de référence à l’étape d’amorçage. Le premier cas entraînerait encore une réponse absente, alors que ce dernier ne le ferait pas.
Sur le dessus de ce que nous avons décrite ici, la méthodologie introduite ouvre également prometteur futures avenues : d’une côté analytique, cartes transitoires ISFC pourraient être considérées comme graphiques de cerveau de quelles mesures quantifiant le cerveau connectivité pourrait être dérivée de45, ou les États ISFC dynamiques pourraient être aspirées à travers les méthodes de clustering et évaluées en fonction de leurs caractéristiques spatiales et temporelles17,46. En outre, on pourrait aussi envisager l’utilisation d’outils de mesure connectivité plus sophistiqués que le coefficient de corrélation de Pearson pour révéler côtés plus subtiles du FC47,,48.
Du côté expérimental, l’application de notre pipeline à un ensemble plus étendu de paradigmes est une perspective prometteuse : par exemple, au lieu d’un film comme étudiés ici, on pourrait envisager d’utiliser un morceau de musique49 ou une histoire narrative13, 50 comme un stimulus temps verrouillé. Alternativement, on pourrait même imaginer, par le biais de hyperscanning51, pour sonder la communication sociale naturaliste52,53.
The authors have nothing to disclose.
Ce travail a été soutenu en partie par chacun des éléments suivants : le Swiss National Science Foundation (subvention numéro 205321_163376 à DVDV), la Fondation Bertarelli (de la tuberculose et DVDV), le centre d’imagerie biomédicale (CIBM) et l’Agence nationale pour la recherche ( tempofront numéro de licence 04701 à ALG). Les auteurs remercie Roberto Martuzzi et Giulia Preti pour leur contribution au contenu vidéo de ce travail comme, respectivement, l’opérateur de MRI et scanné bénévoles.
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) |