באמצעות הסברה קישוריות למדוד את צמיחת סינכרוני של מידע Multi-voxel fMRI לאורך זמן

Summary

Informational connectivity measures the correspondence between time courses of multi-voxel information across different brain regions. Multi-voxel pattern discriminability time series are extracted from regions and compared, revealing networks that are not identified in a typical functional connectivity approach.

Abstract

הוא מעריך כעת כי מידע מצב רלוונטי יכול להיות נוכח בתוך דפוסים מופצים של פעילות מוחית בסורק תהודה מגנטית תפקודי (fMRI), גם תנאים עם רמות דומות של הפעלה חד משתנית. ניתוח דפוס Multi-voxel (MVP) נעשה שימוש כדי לפענח את המידע הזה בהצלחה רבה. חוקרי FMRI גם לעתים קרובות מבקשים להבין איך אזורי מוח אינטראקציה ברשתות ביניהם, ולהשתמש בקישוריות תפקודית (FC) כדי לזהות אזורים שקורלציה תגובות על פני זמן. בדיוק כמו ניתוח חד משתנה יכול להיות רגיש למידע בMVPs, FC לא יכול לאפיין באופן מלא את הרשתות במוח שמעבדות את התנאים עם חתימות MVP אופייניות. השיטה מתוארת כאן, קישוריות מידע (IC), ניתן לזהות אזורים עם שינויים מתואמים בMVP-discriminability לאורך זמן, חושף קישוריות שאינה נגיש למועדון כדורגל. השיטה יכולה להיות גישוש, תוך שימוש בזרקורים לזהות זרע connאזורי ected, או מתוכננים, בין אזורים של ריבית שנבחרו מראש. התוצאות יכולות להבהיר רשתות של אזורים שמעבדים תנאים הקשורים ל-MVP, יכול התמוטטות מפות זרקור MVPA לרשתות נפרדות, או יכולות להיות בהשוואה על פני משימות וקבוצות חולים.

Introduction

המטרה של שיטת הניתוח שתוארה כאן היא למדוד קישוריות בין אזורים במוח המבוססים על תנודות במידע רב voxel שלהם. התקדמות בטכניקות ניתוח דימות תהודה מגנטית תפקודיות (fMRI) גילה כי כמות גדולה של מידע יכולה להיות בתוך דפוסים ברמת חמצון דם תלויים (BOLD) פעילות שמופצים ברחבי voxels מספר ^1-3. אוסף של טכניקות שרגישות למידע משתני - המכונים ניתוח דפוס רב voxel (MVPA) - נעשה שימוש כדי להראות שתנאים יכולים להיות MVPs להבחין למרות שיש ^1,2,4 תגובות נבדלו חד משתנות. ניתוחים סטנדרטיים, אשר להשוות תשובות חד משתנות, יכולים להיות רגישים למידע רב voxel זה.

אזורים במוח מרובים עוסקים בו בני האדם לעבד גירויים ולבצע פעולות קוגניטיביות. קישוריות פונקציונלית (FC) היא שיטה הנפוצה מועסק בחקירהרשתות שער כגון פונקציונליות ^5,6. בצורתו הבסיסית ביותר שלה, FC מכמת שיתוף הפעלה, או תיאום, בין voxels או אזורים השונים. FC נעשה שימוש כדי לזהות רשתות מוח תפקודי מחוברות עם הצלחה רבה. לאזורים ותנאים רבים, עם זאת, תגובות בעלות משתנות אחד אינן משקפות את כל המידע זמין במסגרת פעילות BOLD. טכניקות FC העוקבות אחר שינוי דינמי של רמות תגובת univariate עשויות חוסר רגישות לתנודות נפוצות במידע רב voxel. שיטת הניתוח שמובאת כאן, קישוריות מידע (IC; תואר לראשונה בשנים האחרון בעיתון ^7), מגשר על פער בין MVPA וFC, על ידי מדידת קישוריות עם מטרי כי הוא רגיש למידע רב voxel לאורך זמן. בעוד FC עוקב דינמי הפעלה משתנית אחד, IC מסלולים דינמי discriminability MVP - מדד של כמה טוב מצבו האמיתי של MVP ניתן להבחין בין חלופות (שגויות). חשוב לציין, בtהוא אותו אופן שאזורים שונים יכולים להראות רמות דומות של תגובות חד משתנות למצב למרות ביצוע חישובים שונים (למשל, עיבוד חזותי או תכנון פעולה כאשר אדם רואה אובייקטי מעשה ידי אדם), אזורים שונים יכולים להיות גם רמות דומות (ומסונכרנות) של MVP discriminability בזמן שהם לעבד תנאים שונים. החקירה האחרונה הוכיחה כי IC יכול לחשוף קישוריות בין אזורים שלא ניתן לגילוי בגישת FC סטנדרטי ^7. חוקרים ולכן יכולים להשתמש IC לחקור אינטראקציות בין אזורים במוח כמשתתפים מגיבים למצבים או גירויים שיש דפוסים מופצים אופייניים. IC שונה ממספר יישומי קישוריות האחרונים שבדקו שינויים בהפעלה חד משתנית ביחס לתוצאות סיווג ^{8, 9.} שלא כמו גישות אלו, IC מזהה discriminability דפוס רב voxel סינכרוני בין האזורים.

Protocol

1. הכן את נתוני ה-fMRI

שים לב: לאחר ביצוע fMRI לסרוק, טרום תהליך נתונים שנאספו באמצעות הכלים שהזמינים ברוב חבילות תוכנת fMRI לפני תחילת פרוטוקול זה (אם כי יש להימנע מהחלקה מרחבית או ממוזער לשמר דפוסים רב voxel). דוגמא לבסיס נתונים מתאימים מתוארת בבקשה קודמת של השיטה ^7.

1. הסר את התנועה ואומר אותות חומר לבנים מסדרת הזמן של נתוני ה-fMRI מעובד מראש על ידי יצירת מודל רגרסיה עם מנבאים לפרמטרים תנועה (גליל, המגרש, סבסב, x, y, z) ואומר אות בחומר לבנה. לנהל את הניתוחים שלהלן על שאריות (כלומר את השונות שנותרו) וכתוצאה מכך.
2. ייבא את השאריות שנוצרו לתוך חבילת ניתוח (למשל, MATLAB, Python). הקוד הפתוח הסברה קישוריות ארגז הכלים (http://www.informationalconnectivity.org) ניתן לייבא נתונים fMRI לתוך MATLAB.
3. EAC Z-הציוןסדרת הזמן של voxel שעות.
4. להפריד בין נקודתי הזמן של בסיס הנתונים למערכות עצמאיות ("קפלים"), כגון ריצות סורק שונות. הערה: שימוש בריצות סורק מבטיח אי תלות בין קפלים, אשר אחרת יכול להיות קשה כדי להבטיח (לדוגמא, יכול להיות שנוצרו יחסי תלות בין נקודתי הזמן של ריצה במהלך העיבוד מראש). ריצות יכולה להיות מקובצים יחד כדי לצמצם את מספר הקפלים (למשל, ריצות ² אפילו מוזר), אם כי באמצעות ריצות בודדות ייתן יותר נתוני אימון.
5. יצירת תיעוד של תוויות מצב הקשורים נקודות זמן על ידי יצירת וקטור של תוויות תנאי שהוא נקודתי זמן N ארוכה.
6. Shift תוויות המצב קדימה בכל המנוהל על ידי מספר (TRS) פעמים ל-החזרה שווה ערך ל 5 שניות, כדי להסביר את הפיגור המודינמית בין אירועים ואותות fMRI מוקלטים.

2. בחר ולנתח אזור זרע

1. בחר אזור זרע על ידי בידוד אנטומייםאזור אל, אזור מקומי מבחינה תפקודית או העליון ביצוע "מיפוי מוח מידע 'זרקורי ^10.
   הערה: שלבי 2.2-4.2 להלן יכול להתבצע על ידי קישוריות הסברה קוד הפתוח MATLAB ארגז הכלים (http://www.informationalconnectivity.org).
2. השווה את MVP של כל נקודת זמן לMVP טיפוסי לכל מצב (שים לב: זו היא באותה הגישה כמו בשימוש במסווג הפופולרי המבוסס על המתאם הקרוב ביותר השכן ^2). איור 1 (עליון) נותן דוגמא מנתוני אמת שנאספו כ משתתפים צפו בלוקים של ארבעה סוגים של חפצי מעשה ידי אדם.
   1. חישוב (ממוצע) MVP טיפוסי לכל מצב על ידי חישוב ממוצע של כל נקודתי הזמן במצב של פי כל, אבל אחד. זה נתונים 'ההכשרה' לכל קיפול (למשל, לקיפול 2 מתוך 5, ממוצע-MVPs מחושבים מנקודתי זמן בקפלי 1, 3, 4, ו -5).
   2. לתאם כל timepoint '; של MVP עם הממוצע-MVP של כל מצב מנתוני אימון. זה ייתן לי כל timepoint ערך מתאם אחד לכל מצב (הערה: המצב עם המתאם הגבוה ביותר כאן יהיה הניבוי של המתאם הפופולרי מסווג MVPA מבוסס ²⁾
   3. פישר להפוך את R-הערכים עד z-ציונים.
3. לכמת 'discriminability MVP "לכל timepoint: ראשית לזהות את המתאם מ2.2.3 המייצג את הקשר בין MVP של timepoint והמרושע-MVP של מצבו של timepoint זה, ולאחר מכן לחסר הגבוה ביותר של המתאמים שנותרו מתאם (כלומר' עם נכון מצב 'מינוס' מתאם מרבי עם מצב שגוי '). התוצאה היא discriminability MVP של timepoint ש. גישה חלופית (וחוקית) תהיה להפחית את המתאם הממוצע של התנאים לא נכונים.
   שים לב: יש הגישה הציעה advanta אינטואיטיביge שנקודתי זמן עם ערכי discriminability חיוביים מסווגים בצורה נכונה על ידי מסווג המתאם מבוסס, בעוד שנקודתי זמן עם ערכים שליליים לא הם חזו בצורה נכונה. דוגמא לערכים שהתקבלו מוצגת באיור 1 (תחתון). הצעדים עד לנקודה זו נלכדים בנוסחאות שלהלן.
   
   X הוא וקטור שורה מנורמל 1-by-מ 'עם ערכי הפעלת voxel מ' בn נקודת הזמן, Y הוא וקטור שורה מנורמל 1-by-מ 'של דפוס ההכשרה הממוצעת לנכון (ג) או תנאים נכונים (i) עבור n זמן נקודה. פונקצית artanh חלה z פישר לשנות.

3. חישוב סדרות עתיות של MVP Discriminability לכל זרקור

1. לבצע ניתוח זרקור ^10: מקום ג תלת ממדיםברק סביב כל voxel בתורו ("זרקור").
2. חזור על שלבים 2.2 ו2.3 לכל זרקור, כך שכל זרקור יש סדרת זמן של ערכי MVP discriminability (אחד לכל timepoint).

4. חישוב הסברה קישוריות בין הזרע וזרקורים

1. לתאם הסדרה של זרע MVP discriminability זמן (מ2.3) עם הסדרה של כל זרקור discriminability זמן (מ3.2) באמצעות מתאם הדירוג של ספירמן. ערך r _של המתקבל הוא IC בין הזרע והזרקור.
2. הקצאת ערך IC של כל זרקור לvoxel המרכזי של הזרקור ולכתוב את מפת המוח של האדם וכתוצאה מכך.

5. חישוב סטטיסטי קבוצת מפה

1. IC אם הנתונים אינם כבר בשטח אחיד (למשל, Talairach או משרד תשתיות לאומי), להפוך "את המשתתפים ממפה לאותו המקום.
2. לחלופין להחליק את האנשים &39 #; מפות זרקור.
3. יצירת מפה סטטיסטית קבוצתית באמצעות מבחן t דרך אחת לאם ערך IC של כל זרקור גדול יותר באופן משמעותי מאשר אפס.

6. משמעות מבחן

הערה: גישות רבות קיימות לקביעת מובהקות סטטיסטיות של מפות קבוצת fMRI. כמבחן תמורה יכול לקבוע משמעות עם הנחות מינימליות, תוך התחשבות ברמה של בסיס הנתונים של החלקה (כמו כל מפת קבוצת permuted עוברת את אותו עיבוד), אפשרות זו מפורטת להלן.

1. עבור כל אחד מ1,000 תמורות, באופן אקראי דשדוש ערכי MVP-discriminability של הזרע על פני סדרת הזמן. שמור על נקודתי זמן סמוכות עם autocorrelations הזמני (כגון נקודתי זמן בתוך אותו הבלוק) יחד (למשל, על ידי דשדוש בלוקים ולא TRS הסמוך).
2. חישוב מפות IC 'אנשים לכל תמורה (שלב 4 לעיל).
3. צור 1,000 מפות קבוצת permuted: Randomly לבחור מפת אחת permuted IC מכל משתתף ולערוך מבחן קבוצה בקבוצה זו אקראית (שלב 5 לעיל).
4. סף כל מפת permuted קבוצה בסף רצוי (למשל, עמ '<0.001) ולחלץ את גודל האשכול המרבי מהמפה.
5. מיון כתוצאה 1,000 כרכים מרבי אשכול ולזהות את גודל האשכול באחוזון 95 ^ה (למשל, 50 ^ה הגדול ביותר עבור 1,000 תמורות).
6. להחיל את הסף המשמש ב6.4 (למשל, עמ '<0.001) וגודל האשכול המינימאלי מ6.5 למפה האמיתית (לא permuted) IC הקבוצה על מנת להפוך אותו לאשכול תיקן לp <0.05. כי בכל מפת permuted נשענת על אותם ערכי MVP discriminability (בסדר שונה), מפת המשמעות זו מדגישה אזורים עם ערכי discriminability יותר סינכרוני מהצפוי במקרה.

תוצאות

כעת ניתן להציג התוצאות משולבים באמצעות חבילת ה-fMRI המועדפת של חוקר תוכנת ניתוח. איור 2 מראה תוצאות IC, המחושבים מלוקים של אדם שהוצג באופן חזותי עשו אובייקטים (פרטים מלאים בפרסום הקשורים ^7).

ניתוח IC הוא בעל ערך במיוחד עבור תנאים ידועים הקשורים MVPs: תנאים עם MVPs האופייני, אך ללא הבדלים בתגובות משתנות אחד, יש סיכוי גבוה יותר שיש לי הבחנות בין IC ו FC (מאויר עם הנתונים שנרשמו כמשתתפים צפו בסוגים שונים של גבר עשה אובייקטים באיור 3). איור 4 מראה שזרקורים עם מידע רב voxel משמעותי יכול להיות גבוה IC, אבל מיוצגים פחות טוב בתוצאות FC.

.. איור 1 דוגמאות לdiscriminability דפוס לאורך זמן למעלה:. מצעים של discriminability MVP מחושב מנושא בהקסבי ואח' (2001) ^2, כפי שנתחו בCoutanche & תומפסון-שיל (2013) ^7. הקו הכחול מציג את המתאם-הבקיע z בין 'MVPs והזמן הממוצע נקודות (' ההכשרה ') דפוס של המחלקה הנכונה. הקווים הירוקים מייצגים מתאמים 'MVPs עם שלוש כיתות שגויות. תחתונה: discriminability תבנית הוא את ההבדל בין מתאמים למחלקה הנכונה ושגויה ברמה הגבוהה ביותר. נקודות זמן עם ערכי discriminability הדפוס חיוביים יסווגו בצורה נכונה על ידי מסווג מבוסס קשר. איור שפורסם במקור בCoutanche & תומפסון-שיל (2013) ^7. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 2. מפות קישוריות לדוגמא. כל שורה מציגה אזורים המחוברים באופן משמעותי לזרע (מוצג בכחול). משמעות נקבעת על ידי קבוצת מבחן t (p <0.001) עם גודל אשכול מינימאלי מבדיקות תמורה. תוצאות IC מוצגות באמצעות ¹ AFNI ¹ במפות שטח המיוצרים עם ¹ FreeSurfer ^2. איור הוא שונה מCoutanche & תומפסון-שיל (2013) ^7. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

דמות. 3 discriminability מסונכרן MVP לעומת מתכוון הפעלת דוגמאות לdiscriminability MVP בשני אזורים עם discriminability סינכרוני MVP (כלומר קישוריות מידע) ללא הפעלה ממוצעת סינכרוני (כלומר קישוריות תפקודית).; הנתונים מגיע מנושא מהקסבי et al. (2001) ^2, כפי שנתח בCoutanche & תומפסון-שיל (2013) ^7. נקודות נתונים אלה נאספו בזמן שהנושא שנצפו מצגות חזותיות של חפצי מעשה ידי אדם, שניתן להבחין בדפוסים רב voxel, אבל לא אומר שתגובות. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 4. דוגמא IC וערכי FC בין זרע בLEFפיתול דמוי כישור t וזרקורים על פני המוח. הסברה וחוזק תפקודי קישוריות (Z-צירים) מוצגים בין זרע וזרקורים, עם כל כבוד לתגובה הממוצעת של כל זרקור (ציר x) ודיוק MVPA סיווג (ציר y) לארבע סוגים של חפצי מעשה ידי אדם (סיכוי = 25%). זרקורים שיתוף voxels עם אזור הזרע הוסרו. גרף IC כולל דוגמאות של זרקורים עם קישוריות חזקה שיש להם ביצועי סיווג גבוהים אך רמות נמוכות ממוצעת בתגובה, שלא הרימו בגישת FC טיפוסית (ראתה מהפער בתומן השמאלי העליון של הגרף מימין). איור שפורסם במקור בCoutanche & תומפסון-שיל (2013) ^7. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

Discussion

יש לו קישוריות מידע הרגישות של MVPA למידע מופץ בדפוס, והוא נותן יכולת ללמוד אינטראקציות בין-האזור באמצעות גישת קישוריות. MVPA וניתוחי univariate סטנדרטיים יכולים כל אחד לחשוף את מעורבותם של אזורים שונים, לעתים עם מעט חפיפה בין התוצאות שלהם ^{1 3.} כצפוי לשיטה שמתבססת על גישות ניתוח אלה, IC ו FC גם לתת תוצאות משלימים ^7. ההחלטה אם להעסיק IC סופו של דבר תהיה תלויה בתנאים תחת חקירה והשאלות התיאורטיות שהציבו. שיקולי עיצוב השפעה כי אם MVPA מתבצע על בסיס הנתונים ישפיעו גם אם IC משמש. מחקרים שנועדו עם IC במפורש במוח רוצים לעקוב אחר המלצות ^ל1 MVPA ^4, תוך הבטחה כי ניתן לחלץ נתונים ברמת משפט מכל רחבי timecourse של הסריקה.

כאשר בוחניםודיווח תוצאות IC, חשוב שהזרקורים חופפים עם הזרע יוסרו, כדי למנוע את המעגליות. בנוסף, אם משווה ישירות IC ותוצאות FC, מומלץ גם להשוות ניתוח FC מבוסס על ההפעלה הממוצעת של זרקורים, ולא רק voxels. ניתוח נוסף זה יכול להבטיח שכל הבדלים בין התוצאות הם לא בגלל הבדלים ברמות של אות לרעש בזרקורים לעומת voxels.

ההליך המתואר כאן מתמקד בעיקר בניתוח גישוש העסקת זרקורים. ראוי לציין כי על ידי החלפת זרקורים עם אזורים של עניין, IC יכול גם להשוות את האזורים שנבחרו לפניי. המדד הנוכחי discriminability - השוואת המתאם של MVP למצב "הנכון" להתאמה למצב החלופי המרבי - גם לשינוי. יש מסווגי למידת מכונה רבים משקולות חיזוי עבור הבדלכיתות erent, אשר יכול בקלות להחליף את השוואות המתאם ביצעו כאן (למשל, כדי לעקוב אחר 'הביטחון' של מסווג לאורך זמן). יש IC מגוון רחב של שימושים פוטנציאליים. כמו גם להיות ניתוח ראשוני לחקור רשתות מידע, IC יכול להיות ניתוח מעקב המשני לזרקור MVPA. מפות זרקור MVPA הן בעלי ערך להבנה אילו אזורים יכולים להבחין בתנאים שונים, אך אינם מתפרקות בדרך כלל לרשתות שונות. גישת IC יכולה לעזור כאן, על ידי גילוי ומגדירה לי של הזרקורים discriminability סינכרוני. לבסוף, ניתן להשוות מפות IC ממשימות שונות על מנת להבין רשתות משימה, וניתן להשוות חולים לפקדים כדי להבין טוב יותר כיצד הבדלים רב voxel ^{1 5} באים לידי ביטוי ברמת הרשת.

Materials

Name	Company	Catalog Number	Comments
MATLAB software package	MathWorks
AFNI software package	NIMH