L&#39;autore è grato per il supporto NIH sovvenzione: NIH / NIBIB 5R01EB006204-03 approcci all&#39;analisi multivariata neuroimaging NIH / NIA rilevamento 5R01AG026114 AD-02 ASL precoce con la risonanza magnetica e analisi di covarianza ADNI: dati Imaging è stato fornito dal Alzheimer Disease Neuroimaging Initiative (ADNI) (NIH U01AG024904). La raccolta dei dati e la condivisione di questo progetto è stato finanziato dalla iniziativa di Alzheimer Disease Neuroimaging (ADNI) (National Institutes of Health di Grant U01 AG024904). ADNI è finanziato dal National Institute on Aging, l&#39;Istituto Nazionale di Biomedical Imaging e Bioingegneria, e da contributi generosi tra le seguenti: Abbott, AstraZeneca AB, Bayer Schering Pharma AG, Bristol-Myers Squibb, Eisai Global Development Clinica, Elan Corporation, Genentech, GE Healthcare, GlaxoSmithKline, Innogenetics, Johnson &amp; Johnson, Eli Lilly and Co., Medpace, Inc., Merck &amp; Co., Inc., Novartis, Pfizer Inc, F. Hoffmann-La Roche, Schering-Plough, Synarc , Inc., e Wyeth, così come non-profit partner Associazione Alzheimer e il morbo di Alzheimer Drug Discovery Fondazione, con la partecipazione della US Food and Drug Administration. Contributi del settore privato a ADNI sono facilitate dalla Fondazione per il National Institutes of Health ( <a href="http://www.fnih.org">http://www.fnih.org</a> ). L&#39;organizzazione concessionario è il Northern California Institute per la ricerca e l&#39;educazione e lo studio è coordinato da Studio Disease Cooperative di Alzheimer presso la University of California, San Diego. ADNI dati sono diffusi dal Laboratorio di Neuro Imaging presso la University of California, Los Angeles. Questa ricerca è stata sostenuta anche da sovvenzioni NIH AG010129 P30, K01 AG030514, e Dana Foundation.

<ol><li> Per dare una panoramica concettuale di analisi multivariata si può immaginare una situazione molto semplice: un set di dati ipotetici per 50 partecipanti umano, dove solo tre regioni, rappresentate da voxel (pixel = 3-dimensionale in Figura 1) nel cervello sono stati misurati. (Inserisci Figura 1 qui, leggere didascalia come voice over). </li><li> L&#39;obiettivo generale di analisi multivariata è quello di individuare le principali fonti di varianza nei dati, e poi descrivere gli effetti di maggiore interesse nei dati in termini di queste fonti di varianza. La Figura 2 mostra un esempio semplicistico. (Inserisci Figura 2 qui, leggere didascalia come voice over). </li><li> Ora applicare l&#39;analisi univariata e multivariata, sia ad un insieme di dati clinici. Abbiamo scaricato le scansioni di riposo FDG-PET per i primi 95 pazienti affetti da Alzheimer e 102 controlli appaiati per età dal sito dell&#39;iniziativa morbo di Alzheimer Neuroimaging (http://www.loni.ucla.edu/ADNI/). Abbiamo scelto a caso 20 scansioni di entrambi i pazienti e controlli e designato come il nostro campione derivazione. Il restante 75 e 82 scansioni, rispettivamente, costituiscono il nostro campione di replica. Univariata e multivariata malattia di Alzheimer (AD) marcatori sarà ora derivato nel campione derivazione, e la loro efficacia diagnostica testato nel campione di replica. </li><li> Per l&#39;indicatore univariata, mettiamo a confronto il 20 scansioni dC con il 20 controlli esegue la scansione del campione derivazione e scegliere la posizione del cervello che mostra la maggiore riduzione del segnale di PET nei pazienti dC come dimostrato da una T-test. Per testare l&#39;efficacia diagnostica di questa regione, controlliamo i dati del campione replica in questa posizione e tracciare il suo segnale PET in funzione dello stato di malattia. </li><li> Per l&#39;indicatore multivariato, per prima cosa effettuare un APC sulla combinato 40 scansioni nel campione derivazione, e quindi costruire un modello di covarianza da primi 5 componenti principali il cui soggetto fattore di scala mostra una massima differenza media tra i pazienti AD e controlli sani. (Ulteriori dettagli sono riportati in questi documenti rappresentativi 2.) Il modello di covarianza diagnostico ottenuto formare un campione derivazione viene poi applicata in modo prospettico al campione di replica. La risultante fattori di scala soggetti sono rappresentati in funzione dello stato di malattia. </li><li> Per fornire un confronto più generale di approcci sia univariate e multivariate a partire dal punto 4 e 5, si esegue un &quot;split campione&quot; simulazione e ripetere entrambi i passi 1.000 volte su dati ricampionato, ogni volta formando un campione di derivazione 20/20 e un 75/82 replica di pazienti affetti da AD e sano di nuovo controlli. Marker di malattia univariata e multivariata sono calcolati dal campione derivazione e la soglia di decisione è impostato in modo tale che al massimo 1 sani di controllo è erroneamente classificati come AD (specificità = 95%). Indicatori delle malattie con le loro soglie di decisione specifica sono poi prospettica applicata ai campioni di replica. I tassi di errore di classificazione nel campione di replica sono registrati per tutte le iterazioni ricampionamento. </li></ol> Rappresentante Risultati Prestazioni univariata I risultati possono essere visti in dettaglio nella Figura 3. L&#39;area del più grande AD-FDG relativi deficit è stato trovato nel giro super-temporale, area di Brodmann 38. L&#39;area sotto la curva ROC è stato raggiunto AUC = 0.90. La generalizzazione di questo contrasto al campione replica era abbastanza buono con un&#39;area sotto la curva ROC di AUC = 0,84. Prestazioni multivariata I risultati possono essere visti in dettaglio nella Figura 4. Le aree con carichi positivi, accennando a una conservazione relativa del segnale a fronte di malattia sono stati trovati nel cervelletto, mentre la perdita di segnale associato è stato trovato le aree parietotemporal e frontale, e il giro del cingolo posteriore. Le aree sotto le curve ROC, in entrambi i campioni di derivazione e replica erano leggermente migliore rispetto al marcatore univariata a 0,96 e 0,88, rispettivamente. Split-campione simulazioni I risultati possono essere visti in dettaglio nella Figura 5. La figura mostra che l&#39;indicatore multivariato offre migliori prestazioni di diagnostica replica che il marcatore univariata. Il tasso di errore medio totale per il marcatore multivariata è 0,203, mentre per il marcatore univariata è 0,307. <img src="/files/ftp_upload/1988/1988fig1.jpg" alt="Figura 1" /> . Figura 1 Questa figura semplice descrive la differenza tra le strategie di analisi univariata e multivariata: un ipotetico 3-dimensionale set di dati viene visualizzato in questa illustrazione. Sul lato sinistro, non vi è alcuna correlazione tra le 3 variabili tracciati. Sul lato destro invece, si può vedere una delle principali fonti di varianza che indicano una correlazione positiva tra tutti e tre i voxel. L&#39;analisi univariata che appena considerati i valori medi su un voxel-by-voxel base non poteva dire alcuna differenza tra questi due scenari. L&#39;analisi multivariata, al contrario, identifica le principali fonti di Variance nei dati (freccia rossa) prima di procedere alla costruzione di pattern di attivazione neurale forma queste fonti. <img src="/files/ftp_upload/1988/1988fig2.jpg" alt="Figura 2" /> Figura 2. Questa diapositiva mostra in forma semplificata la realizzazione di base di qualsiasi analisi multivariata dei dati di neuroimaging. L&#39;array di dati Y (s, x), che dipende da un indice argomento s, e un voxel indice x, che indica la posizione del voxel nel cervello, viene scomposto in una somma di diversi termini. In primo luogo, il prodotto di un puro soggetto dipendente dal punteggio fattore, SSF (s), e un modello di covarianza puramente voxel-dipendente, v (x). In secondo luogo, l&#39;attivazione che non possono essere valutate con il modello di covarianza viene catturato in un termine di rumore soggetto e voxel-dipendente, e (s, x). I due grafici sotto l&#39;equazione dare un esempio del fattore di scala soggetto e il modello di covarianza. Ogni partecipante manifesta il modello di covarianza, solo per un diverso grado, come dimostrato dal punteggio fattore soggetto. Invece di dover tenere traccia del comportamento di ogni voxel a parte, il modello di covarianza e la sua espressione soggetto fornire una sintesi parsimonioso delle principali fonti di varianza. Con l&#39;aumento della materia fattore di scala di grandezza, le aree indicate in blu nel modello di covarianza diminuire la loro attivazione associate, mentre le zone indicate in rosso contemporaneamente aumentare la loro attivazione associati. Il punteggio fattore soggetto può essere correlata con le variabili di interesse esterni come l&#39;età o le prestazioni oggetto del comportamento in un compito cognitivo, e nessuna correzione per confronti multipli deve essere applicato a questa correlazione. Diverse tecniche per la decomposizione esistono, ma il più comune è Analisi delle Componenti Principali (PCA). Questa è la tecnica di scelta per noi. Si noti che i fattori di scala possono essere ottenute proiettando il modello di covarianza in qualsiasi insieme di dati di dimensionalità pari, non solo il set di dati che ha prodotto il modello di covarianza, in primo luogo. Questo rende i modelli di covarianza adatto a verificare che il cervello-comportamentale relazioni che sono state osservate in una serie di dati possono essere replicati in un diverso insieme di dati. <img src="/files/ftp_upload/1988/1988fig3.jpg" alt="Figura 3" /> Figura 3. Questa figura mostra il risultato delle analisi univariata. Nel pannello in basso a sinistra, i valori del segnale FDG sono rappresentati per l&#39;area che mostra la più grande AD-correlati deficit nel campione derivazione. MNI le sue coordinate sono X = 2 mm, Y = -48 mm, Z = 30 mm (Precuneus / PCG, Area Brodmann 31). Il pannello in basso a destra mostra il segnale di FDG in questa posizione nel campione di replica. Si può apprezzare che le differenze tra i pazienti FDG dC e controlli nel campione replica, pur significative nel complesso, sono ridotti con maggiore sovrapposizione tra i gruppi. <img src="/files/ftp_upload/1988/1988fig4.jpg" alt="Figura 4" /> Figura 4. La figura mostra i risultati delle analisi multivariata. Nel pannello in alto, ci mostra diverse sezioni assiali che mostrano in modo significativo le zone positivamente e negativamente pesato (p &lt;0,001) nel modello di covarianza in rosso e blu, rispettivamente. Si noti che abbiamo scalato ogni scansione dal suo valore medio globale, colore così rosso e blu indicano un aumento relativo e assoluto, piuttosto e diminuisce del segnale PET con gravità della malattia. Le zone rosse così accenno alla conservazione relative a fronte della malattia, mentre il blu indica una perdita di segnale come conseguenza della malattia. Zone rosse si trovano principalmente nel cervelletto, mentre le aree blu appaiono nel giro del cingolo posteriore, le regioni parietotemporal e frontale. Pannello in basso a sinistra: i punteggi fattore oggetto di AD-correlati modello covarianza sono visualizzati nel campione di derivazione. Punteggi più elevati si trovano soggetti per i pazienti AD. Pannello in basso a destra: i punteggi fattore soggetto risultante dalla applicazione prospettica del modello AD-covarianza relativi al campione di replica sono tracciate qui. Si può apprezzare un lieve peggioramento del contrasto diagnostica con sovrapposizione maggiore nel campione di replica, ma la generalizzazione della efficacia diagnostica è notevolmente migliore rispetto al caso univariato. <img src="/files/ftp_upload/1988/1988fig5.jpg" alt="Figura 5" /> Figura 5. Questa figura mostra i risultati dei 1.000 split-campione simulazioni. Elencate sono medie e deviazioni standard dei tassi di univariate e multivariate errore diagnostico nei campioni di replica. Si può apprezzare il fatto che la generalizzazione del marcatore multivariata di prestazioni è decisamente meglio, anche se un po &#39;più variabile di quella del marcatore univariata.

<ol>
	<li>Moeller, J. R., Strother, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+regional+covariance+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">A regional covariance approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 11 (2), A121-A121 (1991).</li><li>Scarmeas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Covariance+PET+patterns+in+early+Alzheimer's+disease+and+subjects+with+cognitive+impairment+but+no+dementia:+utility+in+group+discrimination+and+correlations+with+functional+performance.">Covariance PET patterns in early Alzheimer's disease and subjects with cognitive impairment but no dementia: utility in group discrimination and correlations with functional performance.</a> Neuroimage. 23 (1), 35-35 (2004).</li><li>Siedlecki, K. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Examining+the+multifactorial+nature+of+cognitive+aging+with+covariance+analysis+of+positron+emission+tomography+data.">Examining the multifactorial nature of cognitive aging with covariance analysis of positron emission tomography data.</a> J Int Neuropsychol Soc. 15 (6), 973-973 (2009).</li><li>Burnham, K. P., Anderson, D. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Model selection and multimodel inference a practical information-theoretic approach. , (2002).</li><li>Moeller, J. R., Strother, S. C., Sidtis, J. J., Rottenberg, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Scaled+subprofile+model:+a+statistical+approach+to+the+analysis+of+functional+patterns+in+positron+emission+tomographic+data.">Scaled subprofile model: a statistical approach to the analysis of functional patterns in positron emission tomographic data.</a> J Cereb Blood Flow Metab. 7 (5), 649-649 (1987).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multivariate+and+univariate+neuroimaging+biomarkers+of+Alzheimer's+disease.">Multivariate and univariate neuroimaging biomarkers of Alzheimer's disease.</a> Neuroimage. 40 (4), 1503-1503 (2008).</li><li>Habeck, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+new+approach+to+spatial+covariance+modeling+of+functional+brain+imaging+data:+ordinal+trend+analysis.">A new approach to spatial covariance modeling of functional brain imaging data: ordinal trend analysis.</a> Neural Comput. 17 (7), 1602-1602 (2005).</li><li>McIntosh, A. R., Bookstein, F. L., Haxby, J. V., Grady, C. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial+pattern+analysis+of+functional+brain+images+using+partial+least+squares.">Spatial pattern analysis of functional brain images using partial least squares.</a> Neuroimage. 3 Pt 1, 143-143 (1996).</li><li>McIntosh, A. R., Lobaugh, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Partial+least+squares+analysis+of+neuroimaging+data:+applications+and+advances.">Partial least squares analysis of neuroimaging data: applications and advances.</a> Neuroimage. 23, S250-S250 (2004).</li></ol>

Nessun conflitto di interessi dichiarati.

Speriamo di aver dato allo spettatore un sapore delle basi di analisi multivariata; spettatori interessati sono invitati a controllare il nostro sito web. A poche scelte per i parametri per l&#39;analisi multivariata sono stati fatti che possono essere oggetto di dibattito dibattito considerevole. Non sono stati risparmiati la discussione di questi temi in questo articolo per evitare distrazioni dalle questioni più importanti. In primo luogo, abbiamo scelto i primi 6 componenti principali per costruire il nostro modello AD-correlati covarianza. Ci sono ragioni teoriche per questa scelta che non abbiamo discusso 4. La scelta particolare di 6 componenti principali anche se non è critico per il nostro argomento: si può scelto nella variare da 2 a 20 PC e ancora ottenere prestazioni superiori generalizzazione del marcatore multivariata in split-campione simulazioni. I risultati sono altrettanto robusto rispetto alla scelta del numero di soggetti in derivazione e campioni di replica. Abbiamo scelto 20 soggetti di entrambi i gruppi nel campione di replica, ma questa era puramente per comodità matematica per velocizzare i calcoli. I nostri risultati sui meriti relativi di entrambe le tecniche ostacolare in modo simile se i numeri dei soggetti in campioni di derivazione sono state aumentate. In secondo luogo, abbiamo solo presentato il tipo più basilare di analisi multivariata. Complicazione notevole con tecniche prese in prestito dalla Macchina-Learning letteratura, trasformazioni lineari e non lineari prima del PCA, e vari altri rughe sono fattibili che possano aumentare le prestazioni generalizzazione ancora di più. Per semplicità non abbiamo toccato queste possibilità in questo articolo.

basics of multivariate analysis in neuroimaging data

Tecniche di analisi multivariata dei dati di neuroimaging hanno recentemente ricevuto una crescente attenzione in quanto hanno molte caratteristiche interessanti che non possono essere facilmente realizzati dal più comunemente utilizzati univariata, voxel-saggio, le tecniche<sup&gt; 1,5,6,7,8,9</sup&gt;. Approcci multivariata valutare la correlazione / covarianza di attivazione tra le regioni del cervello, piuttosto che procedere a un voxel-by-voxel base. Così, i loro risultati possono essere più facilmente interpretato come una firma di reti neurali. Approcci univariata, d&#39;altro canto, non può indirizzare direttamente correlazione interregionale nel cervello. Approcci multivariata può anche tradursi in una maggiore potenza statistica rispetto alle tecniche univariata, che sono costretti ad impiegare correzioni molto severe per confronti multipli voxel-saggio. Inoltre, le tecniche multivariate inoltre si prestano molto meglio l&#39;applicazione prospettica dei risultati dall&#39;analisi di una serie di dati di set di dati completamente nuovi. Tecniche multivariate sono quindi nella posizione migliore per fornire informazioni sulle differenze medie e correlazioni con il comportamento, in modo simile ad approcci univariata, con potenzialmente maggiore potenza statistica e controlli riproducibilità migliore. In contrasto con questi vantaggi è l&#39;alta barriera di ingresso per l&#39;utilizzo di approcci multivariati, impedendo l&#39;applicazione più diffusa nella comunità. Per il neuroscienziato familiarizzare con tecniche di analisi multivariata, una prima ricognizione del campo potrebbe presentare una sconcertante varietà di approcci che, sebbene algoritmicamente simili, sono presentati con accentuazioni diverse, in genere persone con background matematica. Noi crediamo che le tecniche di analisi multivariata hanno un potenziale sufficiente a giustificare una migliore diffusione. I ricercatori dovrebbero essere in grado di impiegarli in modo informato e accessibile. L&#39;attuale articolo è un tentativo di introduzione didattica di tecniche multivariate per il debuttante. Una introduzione concettuale è seguita con una domanda molto semplice a un set di dati diagnostici da Alzheimer s Disease Neuroimaging Initiative (ADNI), dimostrando chiaramente le prestazioni superiori di un approccio multivariato.

Watch this Scientific Journal Video about Basics of Multivariate Analysis in Neuroimaging Data at JoVE.com

Basics of Multivariate Analysis in Neuroimaging Data

L&#39;attuale articolo descrive le basi di analisi multivariata e contrasti al più comunemente utilizzati voxel-saggio di analisi univariata. Entrambi i tipi di analisi sono applicati a un clinico-neuroscienze set di dati. Supplementare split-half simulazioni mostrano una migliore replica dei risultati multivariata indipendente in insiemi di dati.

Cenni di analisi multivariata dei dati in neuroimaging

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

basics-of-multivariate-analysis-in-neuroimaging-data

Research

JoVE Journal

Neuroscience

16.7K Views.  Columbia University. L'attuale articolo descrive le basi di analisi multivariata e contrasti al più comunemente utilizzati voxel-saggio di analisi univariata. Entrambi i tipi di analisi sono applicati a un clinico-neuroscienze set di dati. Supplementare split-half simulazioni mostrano una migliore replica dei risultati multivariata indipendente in insiemi di dati.

Video: Basics of Multivariate Analysis in Neuroimaging Data

Cross-Modal Multivariate Pattern Analysis

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the method is used to identify a subject's perceptual experience from neural activity in certain regions of the brain. For instance, it has been employed to predict the orientation of visual gratings a subject perceives from activity in early visual cortices5 or, analogously, the content of speech from activity in early auditory cortices6.
Here, we present an extension of the classical MVPA paradigm, according to which perceptual stimuli are not predicted within, but across sensory systems. Specifically, the method we describe addresses the question of whether stimuli that evoke memory associations in modalities other than the one through which they are presented induce content-specific activity patterns in the sensory cortices of those other modalities. For instance, seeing a muted video clip of a glass vase shattering on the ground automatically triggers in most observers an auditory image of the associated sound; is the experience of this image in the "mind's ear" correlated with a specific neural activity pattern in early auditory cortices? Furthermore, is this activity pattern distinct from the pattern that could be observed if the subject were, instead, watching a video clip of a howling dog?
In two previous studies7,8, we were able to predict sound- and touch-implying video clips based on neural activity in early auditory and somatosensory cortices, respectively. Our results are in line with a neuroarchitectural framework proposed by Damasio9,10, according to which the experience of mental images that are based on memories - such as hearing the shattering sound of a vase in the "mind's ear" upon seeing the corresponding video clip - is supported by the re-construction of content-specific neural activity patterns in early sensory cortices.

Classical multivariate pattern analysis predicts sensory stimuli a subject perceives from neural activity in the corresponding cortices (e.g. visual stimuli from activity in visual cortex). Here, we apply pattern analysis cross-modally and show that sound- and touch-implying visual stimuli can be predicted from activity in auditory and somatosensory cortices, respectively.

Cross-modale Analisi multivariate pattern

Multivariate pattern analysis (MVPA) is an increasingly popular method of analyzing functional magnetic resonance imaging (fMRI) data1-4. Typically, the ...

Ricerca

Neuroscienze

Functional Neuroimaging Using Ultrasonic Blood-brain Barrier Disruption and Manganese-enhanced MRI

Although mice are the dominant model system for studying the genetic and molecular underpinnings of neuroscience, functional neuroimaging in mice remains technically challenging. One approach, Activation-Induced Manganese-enhanced MRI (AIM MRI), has been used successfully to map neuronal activity in rodents 1-5. In AIM MRI, Mn2+ acts a calcium analog and accumulates in depolarized neurons 6,7. Because Mn2+ shortens the T1 tissue property, regions of elevated neuronal activity will enhance in MRI. Furthermore, Mn2+ clears slowly from the activated regions; therefore, stimulation can be performed outside the magnet prior to imaging, enabling greater experimental flexibility. However, because Mn2+ does not readily cross the blood-brain barrier (BBB), the need to open the BBB has limited the use of AIM MRI, especially in mice.
One tool for opening the BBB is ultrasound. Though potentially damaging, if ultrasound is administered in combination with gas-filled microbubbles (i.e., ultrasound contrast agents), the acoustic pressure required for BBB opening is considerably lower. This combination of ultrasound and microbubbles can be used to reliably open the BBB without causing tissue damage 8-11.
Here, a method is presented for performing AIM MRI by using microbubbles and ultrasound to open the BBB. After an intravenous injection of perflutren microbubbles, an unfocused pulsed ultrasound beam is applied to the shaved mouse head for 3 minutes. For simplicity, we refer to this technique of BBB Opening with Microbubbles and UltraSound as BOMUS 12. Using BOMUS to open the BBB throughout both cerebral hemispheres, manganese is administered to the whole mouse brain. After experimental stimulation of the lightly sedated mice, AIM MRI is used to map the neuronal response.
To demonstrate this approach, herein BOMUS and AIM MRI are used to map unilateral mechanical stimulation of the vibrissae in lightly sedated mice 13. Because BOMUS can open the BBB throughout both hemispheres, the unstimulated side of the brain is used to control for nonspecific background stimulation. The resultant 3D activation map agrees well with published representations of the vibrissae regions of the barrel field cortex 14. The ultrasonic opening of the BBB is fast, noninvasive, and reversible; and thus this approach is suitable for high-throughput and/or longitudinal studies in awake mice.

A technique is described for broadly opening the blood-brain barrier in the mouse using microbubbles and ultrasound. Using this technique, manganese can be administered to the mouse brain. Because manganese is an MRI contrast agent that accumulates in depolarized neurons, this approach enables imaging of neuronal activity.

Neuroimaging funzionale con l&#39;impiego dell&#39;ecografia emato-encefalica e la barriera di Turbativa del Manganese-enhanced MRI

Although mice are the dominant model system for studying the genetic and molecular underpinnings of neuroscience, functional neuroimaging in mice remains ...

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain signal. Typically, researchers represent the brain's response as the mean across repeated experimental trials and disregard signal fluctuations over time as "noise". However, it is becoming clear that brain signal variability conveys meaningful functional information about neural network dynamics. This article describes the novel method of multiscale entropy (MSE) for quantifying brain signal variability. MSE may be particularly informative of neural network dynamics because it shows timescale dependence and sensitivity to linear and nonlinear dynamics in the data.

Neuroimaging researchers typically consider the brain's response as the mean activity across repeated experimental trials and disregard signal variability over time as "noise". However, it is becoming clear that there is signal in that noise. This article describes the novel method of multiscale entropy for quantifying brain signal variability in the time domain.

Applicazioni di EEG dati Neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

TIRFM and pH-sensitive GFP-probes to Evaluate Neurotransmitter Vesicle Dynamics in SH-SY5Y Neuroblastoma Cells: Cell Imaging and Data Analysis

Synaptic vesicles release neurotransmitters at chemical synapses through a dynamic cycle of fusion and retrieval. Monitoring synaptic activity in real time and dissecting the different steps of exo-endocytosis at the single-vesicle level are crucial for understanding synaptic functions in health and disease.
Genetically-encoded pH-sensitive probes directly targeted to synaptic vesicles and Total Internal Reflection Fluorescence Microscopy (TIRFM) provide the spatio-temporal resolution necessary to follow vesicle dynamics. The evanescent field generated by total internal reflection can only excite fluorophores placed in a thin layer (&#60;150 nm) above the glass cover on which cells adhere, exactly where the processes of exo-endocytosis take place. The resulting high-contrast images are ideally suited for vesicles tracking and quantitative analysis of fusion events.
In this protocol, SH-SY5Y human neuroblastoma cells are proposed as a valuable model for studying neurotransmitter release at the single-vesicle level by TIRFM, because of their flat surface and the presence of dispersed vesicles. The methods for growing SH-SY5Y as adherent cells and for transfecting them with synapto-pHluorin are provided, as well as the technique&#160;to perform TIRFM and imaging. Finally, a strategy aiming to select, count, and analyze fusion events at whole-cell and single-vesicle levels is presented.
To validate the imaging procedure and data analysis approach, the dynamics of pHluorin-tagged vesicles are&#160;analyzed under resting and stimulated (depolarizing potassium concentrations) conditions. Membrane depolarization increases the frequency of fusion events and causes a parallel raise of the net fluorescence signal recorded in whole cell. Single-vesicle analysis reveals modifications of fusion-event behavior (increased peak height and width). These data suggest that potassium depolarization not only induces a massive neurotransmitter release but also modifies the mechanism of vesicle fusion and recycling.
With the appropriate fluorescent probe, this technique can be employed in different cellular systems to dissect the mechanisms of constitutive and stimulated secretion.

This paper provides a method for investigating neurotransmitter vesicle dynamics in neuroblastoma cells, using a synaptobrevin2-pHluorin construct and Total Internal Reflection Fluorescence Microscopy. The strategy developed for image processing and data analysis is also reported.

TIRFM e GFP-sonde pH-sensibile per valutare Neurotransmitter Vesicle Dynamics in cellule SH-SY5Y neuroblastoma: cell imaging e analisi dei dati

Synaptic vesicles release neurotransmitters at chemical synapses through a dynamic cycle of fusion and retrieval. Monitoring synaptic activity in real ...

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at the synaptic level. The Active Zone (AZ) is the region at the presynaptic membrane that mediates neurotransmitter release and is composed of a dense collection of scaffold proteins. AZs of Drosophila melanogaster (Drosophila) photoreceptors undergo molecular remodeling after prolonged exposure to natural ambient light. Thus the level of neuronal activity can rearrange the molecular composition of the AZ and contribute to the regulation of the functional output.
Starting from the light exposure set-up preparation to the immunohistochemistry, this protocol details how to quantify the number, the spatial distribution, and the delocalization level of synaptic molecules at AZs in Drosophila photoreceptors. Using image analysis software, clusters of the GFP-fused AZ component Bruchpilot were identified for each R8 photoreceptor (R8) axon terminal. Detected Bruchpilot spots were automatically assigned to individual R8 axons. To calculate the distribution of spot frequency along the axon, we implemented a customized software plugin. Each axon&#39;s start-point and end-point were manually defined and the position of each Bruchpilot spot was projected onto the connecting line between start and end-point. Besides the number of Bruchpilot clusters, we also quantified the delocalization level of Bruchpilot-GFP within the clusters. These measurements reflect in detail the spatially resolved synaptic dynamics in a single neuron under different environmental conditions to stimuli.

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Here we show how to quantify the number and spatial distribution of synaptic active zones in Drosophila melanogaster&#160;photoreceptors, highlighted with a genetically encoded molecular marker, and their modulation after prolonged exposure to light.

Analizzando Synaptic Modulazione di<em&gt; Drosophila melanogaster</em&gt; Fotorecettori dopo l&#39;esposizione alla luce prolungata

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in remote locations. This paper shows the development of field functional Near Infrared Spectroscopy (fNIRS) imaging to the study of child language, reading, and cognitive development in a rural village setting of C&#244;te d&#39;Ivoire. Innovation in methods and the development of culturally appropriate neuroimaging protocols allow&#160;a first-time look into the brain&#39;s development and children&#39;s learning outcomes in understudied environments. This paper demonstrates protocols for transporting and setting up a mobile laboratory, discusses considerations for field versus laboratory neuroimaging, and presents a guide for developing neuroimaging consent procedures and building meaningful long-term collaborations with local government and science partners. Portable neuroimaging methods can be used to study complex child development contexts, including the impact of significant poverty and adversity on brain development. The protocol presented here has been developed for use in C&#244;te d&#39;Ivoire, the world&#39;s primary source of cocoa, and where reports of child labor in the cocoa sector are common. Yet, little is known about the impact of child labor on brain development and learning. Field neuroimaging methods have the potential to yield new insights into such urgent issues, and the development of children globally.

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches (functional Near Infrared Spectroscopy) provide advances to the study of the brain in previously inaccessible regions; here, rural C&#244;te d&#39;Ivoire. Innovation in methods and development of culturally-appropriate neuroimaging protocols permits novel study of the brain&#39;s development and children&#39;s learning outcomes in environments with significant poverty and adversity.

Metodi di neuroimaging campo usando vicino spettroscopia infrarossa (NIRS) Neuroimaging funzionale per studiare lo sviluppo globale del bambino: zone rurali dell'Africa sub-sahariano

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Data Acquisition and Analysis In Brainstem Evoked Response Audiometry In Mice

Brainstem evoked response audiometry (BERA) is of central relevance in the clinical neurophysiology. As other evoked potential (EP) techniques, such as visually evoked potentials (VEPs) or somatosensory evoked potentials (SEPs), the auditory evoked potentials (AEPs) are triggered by the repetitive presentation of identical stimuli, the electroencephalographic (EEG) response of which is subsequently averaged resulting in distinct positive (p) and negative (n) deflections. In humans, both the amplitude and the latency of individual peaks can be used to characterize alterations in synchronization and conduction velocity in the underlying neuronal circuitries. Importantly, AEPs are also applied in basic and preclinical science to identify and characterize the auditory function in pharmacological and genetic animal models. Even more, animal models in combination with pharmacological testing are utilized to investigate for potential benefits in the treatment of sensorineural hearing loss (e.g., age- or noise-induced hearing deficits). Here we provide a detailed and integrative description of how to record auditory brainstem-evoked responses (ABRs) in mice using click and tone-burst application. A specific focus of this protocol is on pre-experimental animal housing, anesthesia, ABR recording, ABR filtering processes, automated wavelet-based amplitude growth function analysis, and latency detection.

Brainstem evoked response audiometry is an important tool in clinical neurophysiology. Nowadays, brainstem evoked response audiometry is also applied in the basic science and preclinical studies involving both pharmacological and genetic animal models. Here we provide a detailed description of how auditory brainstem responses can be successfully recorded and analyzed in mice.

Acquisizione e analisi dei dati nel cervello evocato Audiometria di risposta nei topi

Brainstem evoked response audiometry (BERA) is of central relevance in the clinical neurophysiology. As other evoked potential (EP) techniques, such as ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a convergence of peaks of statistical significance, and reduce the assessment of the evidence to a binary classification exclusively based on p-values (i.e., voxels can only be &ldquo;statistically significant&rdquo; or &ldquo;non-statistically significant&rdquo;). Here, we detail how to conduct a meta-analysis using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI), a novel method that uses a standard permutation test to assess whether effects are not null. We also show how to grade the strength of the evidence according to a set of criteria that considers a range of statistical significance levels (from more liberal to more conservative), the amount of data or the detection of potential biases (e.g., small-study effect and excess of significance). To exemplify the procedure, we detail the conduction of a meta-analysis of voxel-based morphometry studies in obsessive-compulsive disorder, and we provide all the data already extracted from the manuscripts to allow the reader to replicate the meta-analysis easily. SDM-PSI can also be used for meta-analyses of functional magnetic resonance imaging, diffusion tensor imaging, position emission tomography and surface-based morphometry studies.

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

We detail how to conduct a meta-analysis of voxel-based neuroimaging studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI).

Meta-analisi degli studi di neuroimaging basati su Voxel utilizzando la mappatura d basata su semi con permutazione delle immagini soggetto (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a ...

Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first language development. While many studies of statistical learning are conducted within a single domain or modality, recent evidence suggests that this skill may differ based on the context in which the stimuli are presented. In addition, few studies investigate learning as it unfolds in real-time, rather focusing on the outcome of learning. In this protocol, we describe an approach for identifying the cognitive and neural basis of statistical learning, within an individual, across domains (linguistic vs. non-linguistic) and sensory modalities (visual and auditory). The tasks are designed to cast as little cognitive demand as possible on participants, making it ideal for young school-aged children and special populations. The web-based nature of the behavioral tasks offers a unique opportunity for us to reach more representative populations nationwide, to estimate effect sizes with greater precision, and to contribute to open and reproducible research. The neural measures provided by the functional magnetic resonance imaging (fMRI) task can inform researchers about the neural mechanisms engaged during statistical learning, and how these may differ across individuals on the basis of domain or modality. Finally, both tasks allow for the measurement of real-time learning, as changes in reaction time to a target stimulus is tracked across the exposure period. The main limitation of using this protocol relates to the hour-long duration of the experiment. Children might need to complete all four statistical learning tasks in multiple sittings. Therefore, the web-based platform is designed with this limitation in mind so that tasks may be disseminated individually. This methodology will allow users to investigate how the process of statistical learning unfolds across and within domains and modalities in children from different developmental backgrounds.

Presented here is a protocol introducing a set of child-friendly statistical learning tasks geared towards examining children&#8217;s learning of temporal statistical patterns across domains and sensory modalities. The developed tasks collect behavioral data using the web-based platform and task-based functional magnetic resonance imaging (fMRI) data for examining neural engagement during statistical learning.

Misurazione dell'apprendimento statistico tra modalità e domini nei bambini in età scolare tramite una piattaforma online e tecniche di neuroimaging

Statistical learning, a fundamental skill to extract regularities in the environment, is often considered a core supporting mechanism of the first ...

Head Implants for the Neuroimaging of Awake, Head-Fixed Rats

Anesthetics, commonly used in preclinical and fundamental scientific research, have a depressive influence on the metabolic, neuronal, and vascular functions of the brain and can adversely influence neurophysiological results. The use of awake animals for research studies is advantageous but poses the major challenge of keeping the animals calm and stationary to minimize motion artifacts throughout data acquisition. Awake imaging in smaller-sized rodents (e.g., mice) is very common but remains scant in rats as rats are bigger, stronger, and have a greater tendency to oppose movement restraints and head fixation over the long durations required for imaging. A new model of neuroimaging of awake, head-fixed rats using customized hand-sewn slings, 3D-printed head implants, head caps, and a headframe is described. The results acquired following a single trial of single-whisker stimulation suggest an increase in the intensity of the evoked functional response. The acquisition of the evoked functional response from awake, head-fixed rats is faster than that from anesthetized rats, reliable, reproducible, and can be used for repeated longitudinal studies.

A detailed new procedure for functional imaging of awake, head-fixed rats is described.

Protesi alla testa per il neuroimaging di ratti svegli e fissati con la testa

Anesthetics, commonly used in preclinical and fundamental scientific research, have a depressive influence on the metabolic, neuronal, and vascular ...