Gracias a nuestro método, los momentos en el tiempo en los que las interacciones cerebrales funcionales se sincronizan entre los sujetos se pueden determinar y visualizar. La principal ventaja de nuestro enfoque es su capacidad para realizar un seguimiento dinámico de los cambios en las respuestas cerebrales funcionales entre sujetos de una manera estadísticamente sólida. Nuestra tubería permite evaluar la sincronicidad entre señales funcionales de diferentes sujetos.
Y esto se puede comparar entonces entre diferentes poblaciones como controles saludables y las afectadas por enfermedades y trastornos como el autismo y la esquizofrenia. Nuestro método puede beneficiar cualquier investigación que busque realizar un seguimiento dinámico de la sincronicidad entre diferentes conjuntos de cursos de tiempo. Y esto se puede aplicar también a otras modalidades de diagnóstico por imágenes como la electroencefalografía.
La demostración visual del método permitirá a los nuevos usuarios comprender los diferentes pasos de procesamiento del método, así como la funcionalidad de la interfaz gráfica de usuario. Demostrando el procedimiento de imagen será Roberto Martuzzi, el operador líder de resonancia magnética de nuestro centro de investigación. Para que cada voluntario sea considerado en el análisis, realice al menos una sesión funcional de Resonancia Magnética o fMRI en la que el voluntario escaneado sea sometido al paradigma de interés registrado en el tiempo y una sesión de imagen funcional en la que el voluntario escaneado se encuentre descansando en el escáner con los ojos cerrados y se le indique que no se duerma.
A continuación, adquiera un volumen de RESONANCIA magnética estructural. Para abrir la primera ventana de interfaz gráfica de usuario de preprocesamiento, introduzca JOVE_GUI1 en el terminal MATLAB. A continuación, haga clic en Introducir datos fMRI, seleccione los volúmenes funcionales realineados adecuados e introduzca el tiempo de repetición de los datos en segundos en la ventana de texto editable dedicada.
Haga clic en Introducir datos T1 y seleccione los tres volúmenes de tipo de tejido probabilístico adecuados. Haga clic en Introducir archivo de movimiento y seleccione el archivo de texto que contiene los parámetros de movimiento de la sesión de interés. A continuación, seleccione si los datos deben ser detrended y qué covariables deben ser regresivas.
Para preprocesar los datos, haga clic en Preprocesar y espere a que la pantalla aparezca en la ventana. Los datos se pueden volver a preprocesar de forma diferente modificando las opciones y haciendo clic en el botón Preprocesar. A continuación, introduzca JOVE_GUI2 en el terminal MATLAB para abrir la segunda ventana de interfaz gráfica de usuario de preprocesamiento y haga clic en Seleccionar datos para seleccionar el archivo de datos preprocesado.
Haga clic en Seleccionar atlas y seleccione la Iniciativa de Tecnología de Informática de Neuroimaging o el archivo NIFTI que representa el atlas que se utilizará para la parcellación. Haga clic en Seleccionar deformación inversa y seleccione el archivo NIFTI que representa el campo de deformación del Instituto Neurológico de Montreal al espacio nativo. A continuación, haga clic en seleccionar el volumen fMRI y seleccione cualquiera de los volúmenes de datos fMRI.
Para introducir la información relacionada con el barrido, en la lista de tipos de depuración, seleccione el número de fotogramas que se borrarán antes y después de los fotogramas etiquetados. En la ventana de texto del umbral de limpieza, introduzca el valor del umbral de desplazamiento de fotogramas por encima del cual se debe borrar un volumen fMRI en milímetros. A continuación, introduzca el tamaño de la ventana deslizante W que se utilizará para los cálculos de correlación funcional entre sujeciones o ISFC en tiempos de repetición y haga clic en Trazar para mostrar los cursos de tiempo de atlas indicativos antes y después de los pasos de limpieza y filtrado.
Para los cálculos ISFC de ventana deslizante, introduzca JOVE_GUI3 en el terminal MATLAB para abrir la primera ventana de interfaz gráfica de usuario relacionada con ISCF y haga clic en Cargar datos para seleccionar todos los archivos de datos adecuados. Seleccione si los segmentos de sesión seleccionados deben someterse a la aleatorización de fase e introduzca el tamaño de la ventana en los tiempos de repetición sobre los que se deben calcular las mediciones de conectividad, así como el tamaño del paso en los tiempos de repetición por los que se deben desplazar las ventanas sucesivas. Modifique la tabla de tipos de sesión para especificar cuáles de los segmentos de sesión cargados se adquirieron en la misma condición experimental utilizando números enteros crecientes de uno y hasta para etiquetar los diferentes tipos de segmentos.
En las ventanas de texto editables adecuadas, escriba el número de pliegues de arranque sobre los que se deben realizar los cálculos ISFC y el número de sujetos que deben constituir el grupo de referencia para cada pliegue de los cálculos ISFC. En la sección parámetros de temporización, introduzca las especificaciones sobre qué subpuera de los cursos de tiempo se debe analizar y haga clic en Trazar para realizar los cálculos ISFC. Las pantallas se actualizarán gradualmente con el tiempo junto con la cantidad de pliegues de arranque transcurridos.
Para abrir la segunda ventana de la interfaz gráfica de usuario relacionada con ISFC, introduzca JOVE_GUI4 en el terminal MATLAB. Para seleccionar los archivos de salida ISFC relacionados con el estímulo, haga clic en Cargar datos ISFC y seleccione los archivos de salida ISFC relacionados con el estímulo. Para seleccionar los archivos de salida ISFC nulos, haga clic en Cargar datos nulos y seleccione el ISFC de estado de reposo o los archivos de salida ISFC relacionados con estímulos aleatorios de fase en función del esquema de generación de datos nulos utilizado.
A continuación, haga clic en Cargar libro de códigos y seleccione el archivo de libro de códigos. En la ventana de texto editable adecuada, escriba el valor alfa en porcentaje en el que se deben aplicar umbrales a los cursos de tiempo ISFC para resaltar cambios significativos. Para construir una distribución nula, haga clic en Trazar para iniciar el proceso de umbral ISFC para el que se agregan todas las mediciones ISFC nulas disponibles para una conexión determinada y después de lo cual las mediciones ISFC relacionadas con el estímulo se establecerán de acuerdo con el valor alfa seleccionado.
Para visualizar los patrones espaciales ISFC en diferentes puntos de tiempo, arrastre el control deslizante debajo del trazado de excursiones ISFC. En estas sesiones representativas, la película evaluada se mostró de cinco a 353 segundos con un segmento de estado en reposo después de la película de 386 a 678 segundos. Además, se adquirió una sesión estatal de reposo de 310 segundos para cada tema.
Los cursos de tiempo ISFC se generaron en longitudes de ventana de W 10 y W 5 tiempos de repetición para tres conexiones representativas diferentes que implican una inhibición de respuesta mediadora de la región y otra involucrada en la expectativa de mover objetos, coordinación sensorial o el procesamiento de significados de palabras. El ruido es mayor en W 5 tiempos de repetición y los cambios ISFC con bloqueo de tiempo se observan en la conexión uno y dos cursos de tiempo de visualización de películas. Aquí, la fracción de sujetos que muestran transitorios ISFC bloqueados estadísticamente significativos se muestra para las mismas tres conexiones.
Los transitorios son más numerosos en longitudes de ventana más grandes a medida que las mediciones ISFC más robustas facilitan la extracción y a valores alfa más grandes a medida que se detectan más falsos positivos. En estos datos representativos, un extracto de película en particular participó en la inhibición de la respuesta vinculada a objetos en movimiento e impulsó cambios generalizados en el ISFC. La longitud de la ventana no debe ser demasiado corta para estimaciones robustas ni demasiado larga para capturar la dinámica ISFC.
Y se debe utilizar un valor alfa suficientemente estricto para limitar los falsos positivos. Las mediciones de ISFC se pueden agrupar en estados ISFC de todo el cerebro para un examen de características temporales especiales. Los transitorios ISFC significativos también se pueden representar como un gráfico que refleja el flujo de información.
