El objetivo del enfoque descrito es determinar en qué momentos del paradigma (perspectiva temporal) y entre las regiones (perspectiva espacial), reconfiguraciones significativas en conectividad funcional se producen en la proyección de imagen de resonancia magnética funcional grabaciones durante el cual un estímulo tiempo-bloqueada se juega.
Basada en la tarea de resonancia magnética funcional tiene gran potencial para comprender cómo nuestro cerebro reacciona a los diferentes tipos de estimulación; sin embargo, esto se logra a menudo sin tener en cuenta la faceta dinámica de procesamiento funcional y salidas analíticas típicamente representan influencias combinadas de efectos basados en la tarea y las fluctuaciones espontáneas subyacentes de actividad cerebral. Aquí, presentamos una nueva tubería metodológica que puede ir más allá de estas limitaciones: el uso de un esquema analítico de ventana corredera permite el seguimiento de cambios funcionales en el tiempo, y a través de mediciones correlacionales transversal-tema, el enfoque puede aislar los efectos puramente relacionados con el estímulo. Gracias a un proceso riguroso de la umbralización, cambios significativos en la correlación funcional entre sujeto pueden extraerse y analizados.
En un conjunto de sujetos sanos que se sometieron a estimulación audio-visual naturalista, demostramos la utilidad del enfoque atando las reconfiguraciones funcionales revelados a señales particulares de la película. Nos muestran cómo, a través de nuestro método, uno puede captar ya sea un perfil temporal de la actividad cerebral (la evolución de una determinada conexión), o centrarse en una espacial instantánea en un momento clave. Ofrecemos una versión públicamente disponible de la tubería entera y describir su utilización y la influencia de los parámetros claves paso a paso.
La proyección de imagen de resonancia magnética funcional (fMRI) se ha convertido en la herramienta de la opción no invasiva vigilar los cambios en la actividad cerebral que resulta de la estimulación externa. Más específicamente, vivo interés ha surgido sobre la comprensión de la interdependencia estadística entre campos de tiempo de activación regional, conocido como conectividad funcional (CF)1 y normalmente se calcula como correlación de Pearson coeficiente. Contemplación de funcionales en el cerebro ha demostrado ampliamente a configurar en función de la tarea subyacente2,3,4.
Por separado se han seguido dos direcciones analíticas para ir más allá de esta caracterización introductoria: por un lado, se observó la respuesta inducida en una región del cerebro determinada por un estímulo tiempo-bloqueada correlacionar fuertemente en distintas materias5 . Cuantificar este inter-tema correlación (ISC) mostró potencial para refinar nuestra comprensión de la cognición6,7,8,9 y cerebro trastornos10,11 . Además, este enfoque correlacional cross-tema se extendió también a la evaluación de sincronicidad entre las regiones12, en lo que se conoce como el enfoque de la correlación funcional entre sujeta (ISFC)13.
Por otra parte, el sabor dinámico de reconfiguraciones FC empezó a recibir mayor atención (ver Hutchison et al14, Preti, Bolton y Van De Ville15,16 del Castillo Gonzales y Bandettini para revisiones recientes en la Estado de descanso y basada en tareas los lados de esta pregunta). En particular, todo cerebro FC cambios con el tiempo pueden ser rastreados a través de medidas de correlación consecutiva durante una ventana temporal poco a poco desplazado17,18, revelar información adicional en el contexto de tareas conductuales 19,20.
Aquí, presentamos un marco metodológico que combina las dos avenidas. De hecho, calculamos ISFC en ventana corredera de moda para seguir la evolución de la sincronicidad entre las regiones entre los sujetos expuestos a un paradigma naturalistico tiempo-bloqueada. Con el aspecto de la Cruz-tema del método, los análisis se centran en efectos basados en el estímulo, mientras que cambios espontáneos fMRI (que son sin correlación a través de temas) son fuertemente amortiguados. Esto es importante porque los patrones de actividad estado descansando y evocado por tarea se entienden cada vez más caracterizado por distintas propiedades21,22.
En cuanto al componente dinámica del método, permite una caracterización más completa y precisa de los estímulos de la tarea, particularmente cuando un paradigma naturalistico en la que se combinan un conjunto diverso de estímulos (auditivos, visuales, sociales, etc.) con el tiempo de sondeo. Además, como el sonido evaluación estadística de las fluctuaciones dinámicas significativas ha sido acaloradamente debatida23,24, nuestro enfoque toma especial cuidado este aspecto de los análisis aislando cambios significativos de la ISFC a través de comparación con datos nulos adecuados.
Ilustramos el método en un conjunto de sujetos sanos expuestos a un estímulo audiovisual de la película, para quienes nos muestran que el ISFC temporal y espacial cambiar perfiles derivados de película localizada los intervalos se pueden extraer con precisión. De esta manera, se describe también la influencia de los principales parámetros analíticos a ser seleccionado por el usuario. Los resultados presentados se basan en la parte de datos anteriormente publicados25,26.
En un conjunto de datos de sujetos sanos, demostramos cómo síncronos Cruz-tema aumentos y disminuciones en FC, los transitorios de la ISFC, encontraría temporal localizada de la película señales, suministro de información que va más allá de una descripción estática. Aunque el uso de cross-tema de correlación medidas permite centrar el análisis en reconfiguraciones funcionales basada en el estímulo, también uno debe ser consciente que limita los resultados a los efectos que se comparten entre la población estudiada: por lo tanto, bajo nivel procesamiento sensorial se espera que sea sobre-representado en comparación con el proceso frontal40. Para saltarse esta limitación, nuevos métodos que también tienen la habilidad de extraer las regiones que más fuertemente varían temas están siendo desarrollados41.
Otra limitación de la metodología introducida se presenta desde el aspecto de ventana de deslizamiento, como resolución temporal de los cursos de tiempo transitoria del ISFC es baja en comparación con enfoques frame-wise15. Como hemos mostrado, es necesario una relación inversa entre la longitud de una ventana lo suficientemente baja para resolver correctamente reconfiguraciones ISFC dinámicos, y estima un tamaño lo suficientemente grande como para obtener robustas. Dos pasos críticos en nuestro marco de aseguran que los transitorios ISFC extraídos reflejan cambios que realmente ocurren en conectividad: primero, el filtrado de paso alto de evolución temporal regional con el inverso de la longitud de ventana32; en segundo lugar, el uso de datos del estado de reclinación del ISFC para la generación de una distribución nula relevante, con parámetros de adquisición idénticos en comparación con los datos relacionados con el estímulo. Por supuesto, este último también requiere un tiempo más largo de la adquisición global, por lo que pueden recolectar datos de estado de reposo sobre sesiones relacionadas con el estímulo. Como una alternativa para evitar las grabaciones adicionales de estado descansando, también ofrecemos la posibilidad de generar datos aleatorizado de fase de los cursos relacionados con el estímulo del momento, un enfoque de uso frecuente en análisis de conectividad funcional dinámico 23 , 24. evaluación continua en un subconjunto de sesiones reveló que aunque el método nulo estado de descanso es más conservadora, y por lo tanto menos propenso a falsos positivos, los patrones globales de detección de excursión ISFC fueron similares en ambos regímenes (ver Adicional 5 de la figura).
Suplementario Figura 5: excursiones detección del ISFC a través de métodos de generación de datos null. Estado de reposo (parcelas de la columna de la izquierda, azul) o métodos de generación datos null fase aleatorización (parcelas de la columna de la derecha, rojo), porcentaje de excursiones ISFC extraído a través de conexiones. Las parcelas de abajo son un detalle de las conexiones de las tres primeras regiones del cerebro considerado. Error representa la desviación estándar a través de temas. Haga clic aquí para ver una versión más grande de esta figura.
La duración de las adquisiciones del estado de reposo se refiere realmente a un parámetro crítico de los análisis: el valor de α. Ejemplificado por encima, una elección demasiado indulgente dará lugar a una gran cantidad de falsos positivos en los transitorios ISFC detectados. Cuanto mayor sea la cantidad de datos de estado de descanso, los más exigentes índice posible de falso positivos, porque umbral puede basarse en valores más extremos de la distribución nula. Como indicación, para n = 299 regiones atlas aquí y dada nuestra cuenta de 5.762 puntos de datos de estado de descanso, en el mejor podríamos alcanzar un valor de α cerca de 0.01% (véase el paso 5.2.6 detalles matemáticos).
Otro de los puntos clave relativos a cualquier análisis de fMRI está en la eliminación rigurosa de posibles artefactos relacionados con el movimiento de los datos analizados30,42. En particular, si se desea aplicar la tubería introducida a las poblaciones enfermas exhibiendo marcado movimiento en el scanner, recomendamos que en la parte superior incluyendo variables de movimiento como covariables en los análisis estadísticos realizados, procesamiento adicional pasos se ejecutan, como wavelet denoising43 o44de ICA-AROMA. Grupo de comparación, por ejemplo para comparar transitorios ISFC entre un sano y un grupo enfermo, se puede fácilmente realizar paralelamente el enfoque descrito en ambos grupos de interés (véase Bolton et al.25 un ejemplo en una población diagnosticada con trastornos del espectro autista). Sin embargo, una diferencia entre los grupos puede surgir entonces en dos configuraciones distintas: (1) un ISFC ausente cambios en un grupo, o (2) una evolución más heterogénea en ese grupo. Para separar esos dos factores, la tubería se debe ejecutar una vez más para el grupo enfermo, utilizando al tema sano establecer como grupo de referencia en el paso de bootstrapping. El primer caso aún daría lugar a una respuesta ausente, mientras que este último no lo haría.
Encima de lo que aquí descrito, la metodología introducida también abre prometedoras avenidas futuras: de un lado analítico, mapas transitorias ISFC podrían verse como gráficos de cerebro de qué métricas cuantificar cerebro conectividad podría ser derivado45, o dinámica ISFC Estados podrían obtenidos mediante métodos de clustering y evaluados en términos de sus características espaciales y temporales17,46. Además, uno también podría considerar el uso de herramientas de medición de conectividad más sofisticados que el coeficiente de correlación de Pearson para revelar las partes más sutiles de FC47,48.
Desde el lado experimental, la aplicación de nuestra línea de tubería en un conjunto más amplio de los paradigmas es una perspectiva prometedora: por ejemplo, en lugar de una película como el estudiado aquí, uno podría considerar utilizar un pedazo de música49 o una historia narrativa13, 50 de estímulo tiempo-bloqueada. Alternativamente, se podría incluso ser visualizada, a través de hyperscanning51, para comunicación social naturalista52,53.
The authors have nothing to disclose.
Este trabajo fue financiado en parte por cada uno de los siguientes: la Swiss National Science Foundation (grant número 205321_163376 a DVDV), la Fundación de Bertarelli (a TB y DVDV), el centro de la proyección de imagen biomédica (CIBM) y la Agencia Nacional de investigación () tempofront número de concesión 04701 a ALG). Los autores agradecemos Roberto Martuzzi y Giulia Preti por su contribución al contenido de vídeo de esta obra como, respectivamente, el operador de MRI y analizan voluntarios.
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) |