Une méthode d'enquête sur les différences liées à l'âge dans la connectivité fonctionnelle des réseaux de contrôle cognitif associé à changement dimensionnel carte Trier Performance

Summary

Cette vidéo présente une méthode d'examen des modifications liées à l'âge en matière de connectivité fonctionnelle des réseaux de contrôle cognitif engagés par ciblés tâches / processus. La technique est basée sur l'analyse multivariée des données d'IRMf.

Abstract

La possibilité de régler le comportement de brusques changements de l'environnement se développe progressivement dans l'enfance et l'adolescence. Par exemple, dans le changement de carte Trier tâche dimensionnelle, les participants passent de tri des cartes dans un sens, comme la forme, à les trier d'une manière différente, comme la couleur. Ajuster son comportement de cette manière exige un faible coût de la performance, ou le coût de commutation, de sorte que les réponses sont généralement plus lents et plus d'erreurs sur les essais de commutation dans lequel les changements de règles de tri par rapport à répéter les essais dans lesquels la règle de tri reste le même. La capacité de s'adapter facilement comportement est souvent dit de développer progressivement, en partie parce que les coûts de comportement tels que les coûts de commutation diminuent généralement avec l'âge. Pourquoi les aspects de la cognition d'ordre supérieur, tels que la flexibilité comportementale, afin de développer progressivement reste une question ouverte. Une hypothèse est que ces changements se produisent en association avec des changements fonctionnels dans les réseaux de contrôle cognitif à grande échelle. Sur cette vue,opérations mentales complexes, telles que la commutation, impliquent des interactions rapides entre plusieurs régions du cerveau distribués, y compris ceux que la mise à jour et de maintenir des règles de la tâche, l'attention réorienter et sélectionnez comportements. Avec le développement des connexions fonctionnelles entre ces régions renforcent, conduisant à des opérations de commutation plus rapide et efficace. La vidéo en cours décrit une méthode de tester cette hypothèse par la collecte et l'analyse multivariée des données IRMf des participants de différents âges.

Introduction

La capacité à réguler le comportement se développe progressivement dans l'enfance et l'adolescence (pour revue, voir Diamond ^1). Dans le changement de carte Trier tâche dimensionnelle, par exemple, les participants passent de tri des cartes dans un sens, comme la forme, à les trier d'une manière différente, comme la couleur ² (voir la figure 2). Commutation exige un faible coût de la performance, ou le coût de commutation, de sorte que les réponses sont généralement plus lents et plus d'erreurs sur les essais de commutation dans lequel les changements de règles de tri par rapport à répéter les essais dans lesquels la règle de tri reste le même ^3. L'ampleur de ces coûts obtient généralement plus petits que les enfants grandissent ^4, illustrant le fait que la capacité de régulation du comportement subit poursuivi le développement des jeunes dans la vie.

Parce que les opérations mentales complexes, telles que la commutation, impliquent des interactions rapides entre plusieurs régions du cerveau ^5, on s'intéresse de plus en relating le développement de la cognition d'ordre supérieur à l'évolution de l'organisation fonctionnelle des réseaux corticaux à grande échelle ^6.

Une approche pour étudier les changements dans le développement des réseaux à grande échelle à travers l'utilisation de base de graines fonctionnelle analyse de la connectivité ^6,7. La première étape de cette technique est de consulter les documents de recherche disponibles et de définir des régions a priori d'intérêt, ou ROI, qui semblent être pertinentes pour le comportement en question. Ces régions d'intérêt, ou noeuds, définissent le squelette de base du réseau. Ensuite, les fluctuations à basse fréquence de l'activité (ou T2 * pondérées intensité du signal) dans ces régions d'intérêt sont évalués pendant 5 à 10 min alors que les participants sont au repos dans un scanner IRM. Connectivité fonctionnelle entre deux noeuds du réseau est ensuite quantifié comme la corrélation de leurs cours à temps respectifs. Les nœuds qui sont fortement reliés fonctionnellement doivent avoir la même, et donc une forte corrélation, le signalcours du temps. D'autre part, les noeuds qui sont faiblement reliés fonctionnellement devraient avoir dissemblables et donc faiblement corrélés, le signal des plages de temps. Pour compléter un modèle du réseau, des bords (ou liens) sont établis entre les nœuds dont les cours de temps en corrélation supérieure à un seuil choisi. Tests des différences liées à l'âge en matière de connectivité fonctionnelle au sein d'un réseau peuvent être effectués sur une seule connexion de nœud à nœud, ou sur la topologie de l'ensemble des nœuds et des arêtes. Ces différences de connectivité fonctionnelle peuvent être liées à des mesures de la performance cognitive recueillies hors ligne.

Dans cet article, une approche différente est décrite qui est basé sur le groupe analyse en composantes indépendantes des données IRMf basées sur des tâches ^8. Analyse en composantes indépendantes (ou ICA) est une méthode statistique pour révéler aveuglément sources cachées qui sous-tendent un ensemble d'observations telles que les sources révélées sont au maximum indépendant. Appliquée à l'analyse des données d'IRMf, le pROCEDURE suppose que chaque volume est un mélange d'un nombre fini de sources spatialement indépendantes. Utilisation de l'une d'une série de différents algorithmes, tels que l'algorithme de infomax, ICA estime ensuite une matrice de déconvolution, qui, lorsqu'il est appliqué aux données d'origine donne un ensemble de sources indépendantes au maximum, ou des composants. Chaque composant peut être considéré comme un réseau, dans la mesure où il comprend un ensemble de voxels qui partagent un décours temporel commun. Groupe ICA est un type particulier de l'ICA dans lequel un ensemble commun de composants de groupe est d'abord estimé à partir d'un ensemble de données complet, puis les ensembles de composants de groupe spécifique participants sont calculés en step back-reconstruction. Une fois qu'un ensemble de données entier est décomposé en un ensemble de composantes, l'étape suivante consiste à rejeter les composants des artéfacts qui représentent des sources de bruit, et d'identifier les composants qui correspondent théoriquement significatives avec les réseaux d'intérêt. Ceci peut être réalisé soit par des plages de temps de composantes de modélisation dans le contexte d'un GLM à identifier réseaux qui activent de manière prédite, en corrélation dans l'espace les composants avec un modèle d'un réseau d'intérêt, ou les deux. L'ensemble des composants qui en résulte peut ensuite être soumis à une comparaison avec un groupe pour tester les différences possibles liées à l'âge en matière de connectivité fonctionnelle au sein des réseaux théoriquement intéressantes ^7,9,10.

Données IRMf basée sur les tâches étudier les changements liés à l'âge dans la connectivité fonctionnelle grâce à l'application de groupe ICA a plusieurs avantages sur l'application des techniques à base de graines de données IRMf étatiques repos. Tout d'abord, les techniques à base de graines-contrairement à ce que se concentrent sur ​​un petit nombre d'a priori défini ROI, l'approche actuelle groupe ICA utilise tous les voxels comprenant une série de temps volumétrique. Cela diminue les possibilités de biais qui surviennent nécessairement quand un petit groupe de semences sont choisis a priori comme des régions d'intérêt. Deuxièmement, l'application de l'analyse de la connectivité fonctionnelle (ICA par le ou non) pour les tâchesplutôt que de l'état de repos données IRMf a l'avantage de permettre l'organisation du réseau et de réseau pour être plus directement associés. Si, par exemple, examiner les implications cognitives ou comportementales de la connectivité fonctionnelle (comme la variation de la performance DSRC) est une priorité, il est important de montrer que le réseau d'intérêt est associé à l'exécution des tâches. Avec les protocoles d'état de repos, ce qui est très difficile parce que le chercheur n'a aucune trace de tous les états cognitifs, comportementaux ou affectifs vécus par le participant lors de l'acquisition de données. Il est donc impossible de fournir une preuve directe que tout réseau d'intérêt est pertinent pour l'exécution des tâches. En revanche, lorsque l'analyse de la connectivité fonctionnelle, telle que ICA, est appliquée à des données sur les tâches, il est possible de confirmer que le réseau d'intérêt est au moins associé à l'exécution d'une mission. Enfin, l'ICA est moins sujet à l'influence néfaste du bruit. Les sources de bruit, comme ceux d'esprit associéeh mouvements du sujet et le rythme cardiaque, ont des profils spatio-temporels uniques. Par conséquent, dans le cadre d'un groupe d'ICA, ces sources sont isolées et caractérisées à composantes séparées, laissant les composants restants relativement exempt de ces sources indésirables de variance. Parce que les analyses fondées sur les semences-utilisent les cours à temps cru dans l'estimation de la connectivité fonctionnelle, et des cours de temps sont, par définition, des mélanges de signal neurophysiologique et le bruit des artefacts différences entre les groupes dans les estimations de connectivité fonctionnelle peuvent refléter de véritables différences entre les groupes dans la neurophysiologie sous-jacente, les différences de groupe dans la structure de bruit, ou les deux ^11.

Protocol

1. Obtenir l'approbation pour travailler avec des sujets humains

2. Acquisition de données IRMf

1. Acquérir des données IRMf procédures appropriées pour les jeunes enfants à la suite (voir Raschle, et al. ^12). Faire tous les efforts pour limiter les éventuelles différences liées à l'âge dans l'exécution des tâches et de mouvement, comme ces différences introduisent confond indésirables qui limitent la capacité de l'un de tirer des conclusions sur les différences de développement pertinents dans l'activation du cerveau et de la connectivité fonctionnelle.
   Remarque: Dans le protocole actuel, une version-essais répétés de la DSRC a été administré sous la forme d'une conception de bloc ^13. Chaque série comprend deux blocs de commutation de 8 essais et deux blocs de répétition de 8 essais, où des blocs de commutation se composent de 4 essais de commutation et 4 essais répétés, et des blocs de répétition se composent de 8 essais de répétition. Le protocole est parfaitement adapté pour une utilisation avec des données d'IRMf liés à l'événement. Cependant, conceptions de bloc sont agréables à travailler avec lors de l'obtention première acquainted avec l'ICA, comme il est facile de voir les modulations de la tâche en cours de temps partiels.
2. Données Preprocess IRMf suivant les procédures standard de prétraitement IRMf.
   1. Réaligner l'ensemble des images fonctionnelles à la même orientation et la position. Typiquement, le premier volume fonctionnel est utilisé comme image de référence pour tous les autres volumes pour être alignés à.
   2. COREGISTER l'image pondérée T1 (anatomique) avec le T2 * pondérée balayages (fonctionnels), de sorte que l'activation est superposé sur l'emplacement anatomique correct.
   3. Normaliser toutes les images à une taille standard, l'espace, et la position de la sélection d'un cerveau de modèle (par exemple Talairach). Cela permet de s'assurer que les régions homologues de différents sujets sont comparés.
      Remarque: Les images sont déformés à Talairach dans le protocole actuel, bien que d'autres modèles peuvent également être utilisés (par exemple, l'INM {Institut neurologique de Montréal} espace).
   4. Lisser tous les volumes fonctionnels dans la datun ensemble avec 6 à 10 mm de lissage noyau.
3. Séquestrer volumes prétraitées dans un ensemble distinct de répertoires. Utilisez "analyses fonctionnelles» comme le répertoire racine. Dans "scans fonctionnels" comprennent un répertoire distinct pour chaque participant, et dans chaque répertoire des participants, un répertoire distinct pour chaque course. Les données sont maintenant prêtes pour l'analyse de l'ICA.

3. Groupe de l'analyse en composantes indépendantes (ICA)

1. Télécharger et installer le logiciel ICA groupe. Il ya un certain nombre de boîtes à outils disponibles pour la mise en œuvre de l'ACI sur les différents types de données neurophysiologiques, y compris l'IRMf. Alors que toute boîte à outils qui effectue groupe ICA serait potentiellement convenable, celle utilisée dans le protocole actuel est appelé CADEAU. CADEAU a été développé par Vince Calhoun et ses collègues de l'Université du Nouveau-Mexique. La boîte à outils de GIFT est un ensemble de scripts MATLAB qui fonctionne avec SPM, un logiciel d'analyse IRMf bien connu. Les deux peuvent be téléchargé gratuitement à partir d'Internet (GIFT: mialab.mrn.org / software / cadeau / index.html #; SPM: www.fil.ion.ucl.ac.uk/spm/). Une fois téléchargé, ajouter la boîte à outils de CADEAU et tous les sous-répertoires au chemin de recherche MATLAB et enregistrez le fichier de chemin.
2. Calcul d'une ICA de groupe sur les données d'IRMf utilisant CADEAU impose des exigences importantes sur la mémoire RAM. Les exigences précises sur la mémoire vont varier en fonction du nombre de participants, le nombre de données recueillies à partir de chaque participant, et la résolution des données. Pour éviter les problèmes de mémoire, il est préférable d'exécuter l'analyse de l'ICA sur un serveur. Si l'exécution de l'analyse sur un ordinateur local, les besoins en mémoire vive peuvent être estimés à l'aide d'un script "icatb_mem_ica.m" qui fait partie de CADEAU.
3. Mise en place ou paramétrer l'analyse. Pour ce faire, en modifiant un script batch préexistant appelé "Input_data_subjects_1.m" qui est stocké dans la rubrique «CADEAU icatb_batch_files".
   Remarque: Cela peut aussi être fait en utilisant Graphical User Interfaces de CADEAUace. Cependant, il est beaucoup plus facile, avec un peu de pratique, de mettre en place l'analyse en modifiant ce script pré-existant.
   1. Spécifiez modalité de données IRMf
   2. Spécifier le type d'analyse que l'ICA avec ICASSO. Cela permettra d'assurer l'ICA est exécuté avec la procédure ICASSO. ICASSO estime la fiabilité de la décomposition en exécutant à plusieurs reprises à partir de l'ICA différentes graines aléatoires. Il teste ensuite la similitude de chaque résultat à l'aide de grappes. L'utilisation de ICASSO est recommandé comme moyen de contrôle de la qualité de la décomposition de l'ICA, mais allongera considérablement le temps qu'il faut CADEAU pour compléter l'analyse.
      1. Pour exécuter l'ICA à la procédure ICASSO, sélectionnez '2 'dans «Type d'analyse», puis paramétrer la procédure ICASSO dans les lignes suivantes du fichier de configuration.
   3. Maximiser la performance du groupe ACP en choisissant '1 'dans les paramètres de performance du groupe APC. Envisager de mettre ce paramètre à '2«Les problèmes de mémoire RAM insuffisante devraient se produire.
   4. Pour permettre plus tard de tri des composants résultant en utilisant les prédicteurs d'une matrice standard de conception SPM, indiquez si oui ou non il existe différentes matrices pour différents sujets.
   5. Indiquez l'emplacement où les données fonctionnelles prétraités sont stockés et si un fichier SPM.mat contenant la matrice de conception sont stockées avec les données fonctionnelles prétraités.
      1. La façon la plus simple d'obtenir CADEAU pour lire les données sont si chaque participant a le même nombre de pistes, et le répertoire de données est structurée de la manière décrite à l'étape 2.3 dans l'acquisition de données IRMf. Si oui, alors sous DataSelectionMethod, a choisi '1 'pour la méthode 1, et compléter le paramètre "sourceDir_filePattern_flagLocation" en incluant le chemin du fichier où sont stockées les données, le format de fichier des données, et une déclaration indiquant que les séances individuelles sont stockées sous forme de sous-répertoires dans chaque dossier de sujet.
      Indiquez le répertoire où le résultat de l'analyse doit être écrit. Ne pas écrire les résultats dans le même répertoire où les données sont stockées.
   6. Fournir un préfixe qui sera ajouté à tous les fichiers de sortie.
   7. Fournir un chemin de fichier à un masque. Tous les volumes soumis à l'ICA sont masqués. CADEAU fournit un masque par défaut. Pour ce travail, un script en interne pour générer un masque à partir des données qui sera soumis à l'ICA. Au minimum, le masque devrait éliminer crâne, l'espace extra-cérébral, et en particulier les globes oculaires. Signal de voxels du globe oculaire se montrer très grandes fluctuations au cours d'une course et aura donc une influence importante sur la structure des composants finaux. Figure 3 illustre ce qu'est un bon masque devrait ressembler.
   8. Spécifiez le type de groupe ACP à être utilisé. Utilisez 'objet spécifique.
   9. Spécifiez la méthode de back-reconstruction. A ce stade, sujet individuel IC et leurs cours à temps associés sont calculés vientm les résultats de l'analyse de groupe. GICA est recommandé pour obtenir les meilleurs cours du temps, bien qu'il y ait débat considérable dans la littérature sur ce point.
   10. Spécifiez le type de données de pré-traitement. Utilisez la normalisation de l'intensité d'éviter des valeurs non numériques (c.-à-infinis, et Nan) dans la sortie. Dans cet exemple, nous avons choisi le défaut de '1 '.
   11. Spécifiez le type de PCA (nous utilisons la norme) et accepter les valeurs par défaut dans le menu Options de l'APC. CADEAU effectue une ACP sur chaque terme de chaque participant et conserve un certain nombre de composants égal au nombre de sources pour être mélangés dans l'ACI. Le PCA sert deux objectifs importants. Premièrement, elle aide à éliminer les sources de bruit qui sont uniques à chaque participant et chaque course. Deuxièmement, il fait les demandes de calcul de l'analyse plus docile.
   12. Spécifiez combien de APC pour fonctionner sur les données avant de l'ACI (2 recommandé). De plus, indiquer le nombre de composants à conserver après chaque PCA (si vous utilisez2, il est recommandé que le nombre de composantes conservées après la première PCA est deux fois le nombre conservé après la seconde).
   13. Indiquez comment les données doivent être mises à l'échelle. Pour ce travail, z-score échelle a été utilisée.
   14. Choisissez un algorithme de séparation aveugle de source pour l'ICA. Pour ce travail, on a utilisé Infomax. CADEAU offre un choix d'au moins 10 algorithmes différents.
   15. Autres paramètres peuvent être laissés en l'état.
4. Une fois l'ICA est terminée, sélectionnez parmi les composants disponibles ceux qui sont d'un intérêt théorique potentiel. Grâce à l'interface graphique de CADEAU, choisissez la sélection des composants: tri spatiale trie les composantes spatiales au moyen de corrélation spatiale avec un modèle pré-existant; tri temporel trie les cours à temps composant au moyen de prédicteurs linéaires de la matrice de conception de SPM que vous pouvez stocker les données (voir 3.3.5).
   Remarque: Les deux approches de sélection des composants ont une utilité. Toutefois, lorsque vous travaillez avec des données de la tâche, la sélection temporellecritères sont particulièrement utiles, car ils fournissent un moyen de vérifier que le composant sélectionné est activé par la tâche. Dans le cas de la DCCS, l'utilisation d'un tri temporel peut être utilisé pour confirmer que le composant sélectionné était plus actif au cours de blocs de commutation pendant que les blocs de répétition.
5. Tester si les versions des enfants et des adultes de ces composants sélectionnés diffèrent. Enfant et pour l'ensemble des composants adultes d'intérêt en deux groupes distincts et essai par l'intermédiaire d'un sur deux échantillons régions t-test où les composants varient. Cela est relativement facile à faire par le biais de l'interface graphique CADEAU.

Representative Results

ICA groupe, même sur un petit ensemble de données IRMf, sera de retour un ensemble de composants comparables à ceux observés dans d'autres études. Figure 4 est une superposition de 5 de ces composants et leurs cours à temps associés non mélangés à partir d'un échantillon de 12 enfants et 13 adultes , avec environ 800 volumes par participant. Comme le montre la figure 4, le mode par défaut, fronto-pariétale, les réseaux de cíngulo-insulaire et visuelle puissent facilement être vus à partir des résultats de cette décomposition. De plus, remarquez comment il est facile de discerner la conception de bloc dans les cours de temps des composants visuels et mode par défaut.

Une décomposition de l'ICA succès doit être fiable. La fiabilité de la décomposition peut être évaluée en examinant la sortie de la procédure ICASSO. Figure 5 montre une partie de la sortie de ICASSO pour une décomposition effectuée dans GIFT fiable.

Lors de l'utilisation corrélée spatialeion de base à la sélection des composants, il est bon de signaler le coefficient de corrélation et de présenter le gabarit et le composant ensemble sélectionné pour la comparaison visuelle. Dans un article récent, le tri spatiale et temporelle ont tous deux été utilisés pour identifier un composant fronto-pariétal qui était à la fois spatialement corrélée avec un modèle d'un réseau de contrôle de l'exécutif, et a été plus actif pour les blocs de commutation que des blocs de répétition dans le DSRC. Figure 6 montre l'image de modèle et le composant sélectionné. Notez qu'il existe une bonne correspondance entre les deux images.

comparaisons de cartes de composants de groupe peuvent être utilisés pour tester les différences liées à l'âge en matière de connectivité fonctionnelle pour le composant sélectionné. Voxels qui apparaissent sur les cartes qui en résultent sont ceux qui "charge" plus fortement sur le composant sélectionné pour un groupe que l'autre. En d'autres termes, ce sont des voxels dont l'évolution dans le temps des voxels sont plus proches de l'évolution dans le temps de l' composante (c. afficher une forte connectivité fonctionnelle au réseau) pour un groupe que pour un autre. Suite à cette procédure, nous avons comparé les enfants et les adultes composants droit fronto-pariétal - un composant, nous avons confirmé a été spatialement corrélée avec un modèle d'un réseau de contrôle de l'exécutif et a été activée par le DSRC - et constaté que voxels dans préfrontal latéral, cingulaire antérieur et pariétal cortex chargé plus fortement sur ​​ce composant chez les adultes que chez les enfants ^14. Cette image de contraste est représenté sur la figure 7.

Figure 1. Schéma d'ensemble de l'expérience.

d/51003/51003fig2ahighres.jpg "src =" / files/ftp_upload/51003/51003fig2a.jpg "/>

Figure 2. L'variante bloc-conception du Changement Carte dimensionnelle Trier (DSRC) tâche. Dans la version standard de la tâche, les enfants des cartes de test de tri bivalents dans les bacs marqués par des objectifs bivalents qui correspondent à chaque carte de test sur ​​une seule dimension.Enfants trier un petit nombre de cartes dans un sens (par exemple la couleur), puis sont invités à débrancher et trier les mêmes cartes une nouvelle façon (par exemple en forme). La mesure des résultats est de savoir si les enfants passent correctement critères de tri. (A) Dans la variante bloc-conception, la tâche est administré par ordinateur. Deux objectifs bivalents apparaissent à l'écran tout au long de la tâche. cartes de test sont présentés au centre pour 1750 ms et participants trier les cartes par l'intermédiaire d'un bouton-presse. Essais dans lesquels le critère de tri est différente de celle du précédent procès sont des essais de commutation; essais dans lesquels le critère de tri est le même que sur le précédent procès sont des essais répétés. (b) essais individuels sont présentés dans des blocs de 8 essais. blocs de commutation contiennent 4 répétition et 4 essais de commutation; blocs répétitifs contiennent 8 essais de répétition. (c, d) Les mesures de résultats sont la différence de temps de réponse et la précision dans l'interrupteur et répéter des blocs.

Figure 3 résultats. Groupe ICA. Composants représentatifs (a) Une image composite de 5 composants du groupe représentant d'une ICA de 11 adultes et 12 enfants participants. L'ordre du modèle était de 20. Runs avait 78 volumes de long. Composants sont codés par couleur (rouge = visuelle; bleu = gauche fronto-pariétal; vert = défaut en mode; rose = droite fronto-pariétal; d'orange = cíngulo-insulaire). (B) timecourses composants et conception de bloc superposition. De inspection visuelle, il est évident que l'exécution des tâches est associée à une augmentation de l'activité dans les composants visuels et gauche fronto-pariétale et une diminution de l'activité dans le réseau en mode par défaut. Ces résultats intuitifs illustrent comment l'utilisation d'un modèle de base de bloc, il est relativement facile d'évaluer la qualité d'une décomposition de l'ICA."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 4. Résultats du groupe ICA. Composants représentatifs (a) Une image composite de 5 composants du groupe représentant d'une ICA de 11 adultes et 12 enfants participants. L'ordre du modèle était de 20. Runs avait 78 volumes de long. Composants sont codés par couleur (rouge = visuelle; bleu = gauche fronto-pariétal; vert = défaut en mode; rose = droite fronto-pariétal; d'orange = cíngulo-insulaire) (b) des cours de temps de composants et bloc conception superposition.. De inspection visuelle, il est évident que l'exécution des tâches est associée à une augmentation de l'activité dans les composants visuels et gauche fronto-pariétale et une diminution de l'activité dans la dEFAULT réseau-mode. Ces résultats intuitifs illustrent comment l'utilisation d'un modèle de base de bloc, il est relativement facile d'évaluer la qualité d'une décomposition de l'ICA. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 5. Représentant sortie ICASSO d'une décomposition très fiable. Pour tester la fiabilité de toute décomposition unique, l'ICA est exécuté plusieurs fois et les résultats dans des essais séparés sont tracées. Cette parcelle offre un résumé concis des résultats de toutes les itérations de l'ICA et permet d'évaluer visuellement la similitude ou divergence dans les solutions qui émergent de différentes itérations de l'ICA. Les guichets uniques représentent les estimations de manche decomposants particuliers. Les cercles bleu clair représentent les centrotypes de grappes d'observations simples. Groupes compacts et isolés qui entrent dans la limite de la centrotype suggèrent une bonne fiabilité. Épars groupes qui s'écartent en dehors de la limite de la centrotype suggèrent un manque de fiabilité. Pour la plupart des composants de ce chiffre, il y avait un degré élevé de similitude dans le composant dans différentes itérations de l'ICA. Composants 58, 59, et 60 ont montré une certaine variabilité mineur dans différentes itérations. Cliquez ici pour agrandir l'image.

Figure 6. L'modèle de contrôle de l'exécutif et le bon composant fronto-pariétal sélectionné, recouvert sur ​​les tranches identiques d'une grande resolution analyse anatomique, semble tout à fait comparable. corrélation spatiale peut être utilisée pour quantifier et statistiquement tester la similitude de ces cartes. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 7. Soustrayant bons composants fronto-pariétal des enfants et des adultes révèle régions dont la connectivité fonctionnelle au réseau exécutif choisi est plus forte pour les adultes que pour les enfants. Ces régions comprennent cortex préfrontal médian et l'aire tegmentale ventrale (voir coupe sagittale) et préfrontal dorsolatéral et le cortex pariétal inférieur (voir coupe axiale). S'il vous plaît cliquerici pour voir une version plus grande de cette figure.

Discussion

Opérations mentales d'ordre supérieur, comme la possibilité de changer les règles de tri, se développent rapidement pendant l'enfance et l'adolescence. Parce que ces opérations mentales impliquent des interactions entre plusieurs régions du cerveau distribués, il ya un intérêt croissant dans l'exploration de la relation entre le développement de la cognition d'ordre supérieur et les changements liés à l'âge dans l'organisation des réseaux corticaux à grande échelle. Nous présentons une méthode basée sur le groupe analyse en composantes indépendantes appliquée aux données d'IRMf basées sur des tâches comme un moyen de l'examen de ce rapport directement.

Comme c'est le cas de toute étude entre les groupes de comparaison, le succès de la méthode est fondée sur des données d'IRMf de haute qualité à partir de deux adultes et les enfants. différences entre les groupes dans artefact relative au mouvement peuvent avoir de graves conséquences pour la qualité de la décomposition de l'ICA et conduire à de fausses différences entre les composants qui en résultent. différences entre les groupes dans l'exécution des tâches peuvent être potentiellement problematic ainsi, car ils seront en danger la viabilité de tri temporelle pour tous les groupes. Si par exemple un groupe montre une grande différence de performance entre les essais expérimentaux et de contrôle, mais un second groupe ne fait pas, il sera difficile d'identifier les éléments que l'on peut prétendre sont liés à une tâche de la même façon pour les deux groupes. Par conséquent, assurez-vous de prendre le temps de recueillir vos données correctement. Suivre les protocoles de neuro-imagerie pédiatrique bien décrites par Raschle et al., 2009, et prendre le temps de développer des méthodes cognitivo-comportementales qui atténuent différences entre les groupes de la performance / stratégie d'utilisation.

Trouble-shooting/Caveats

Groupe ACI est une technique multidimensionnelle avancée, mais celle qui est adoptée de plus en plus fréquemment pour une variété d'applications d'analyse IRMf, y compris la réduction du bruit, l'estimation de la connectivité fonctionnelle et dynamiques Etats de connectivité du cerveau d'imagerie (voir ci-dessous). Pour les utilisateurs de première fois, la mise en place et l'interprétationla sortie d'un ICA de groupe sera un peu déroutant. Mais, avec un peu de pratique / essais et d'erreurs, les choses deviennent beaucoup plus simple. Les suggestions suivantes nous ont aidé énormément à obtenir plus de nos incertitudes initiales.

Tout d'abord, commencer petit et de l'utilisation des données recueillies avec un design simple. conceptions de bloc avec 10 à 20 périodes de repos sec entre les blocs sont idéales à cet égard. Pour commencer, essayez de lancer une course ICA sur 3 ou 4 100 volumes des séries de données de bloc de 4 ou 5 participants. Ce ne sera pas produire des résultats publiables, mais fonctionnera relativement vite et produire des composants spatiaux sensibles. En outre, il devrait être relativement facile de voir la conception de bloc représenté au cours du temps des composants occipitales et composants par défaut, avec ces cours à temps positivement et négativement associée à la tâche respectivement (voir figure 4). C'est un bon moyen de gagner rapidement la confiance de la procédure devant l'extension de l'analyse à yenvoyer un ensemble de données entier. Si les choses ne soient pas travailler à ce point, revenir à vos images prétraitées et vérifier les problèmes de qualité des données (par exemple, les artefacts de mouvement sévères, les mauvaises tranches, etc.) Si composantes spatiales sont extrêmement rares (c.-CI spatiales comportent de nombreux petits groupes épars de voxels), assurez-vous que les volumes ont été lissées - un noyau de FWHM 8 mm est recommandé.

À partir d'un petit ensemble de données est également un bon moyen de se faire une idée de choisir l'ordre de modèle, ou le nombre de composants à inclure dans un modèle. Bien qu'il n'existe pas une seule bonne façon de prendre cette décision, il ya un certain nombre de lignes directrices à considérer. Tout d'abord, comme CADEAU en œuvre une forme de ICA spatiale, le nombre maximum de composants qui peuvent être sans mélange d'une série de temps volumétrique est égal au nombre de volumes dans les séries chronologiques. Deuxièmement, CADEAU calcule une estimation de la dimensionnalité des données à l'aide de l'APC, et ces estimations sont habituellement dans la gamme of 18 à 22 éléments. Ensemble, ces considérations constituent une limite supérieure et inférieure pour votre choix de l'ordre de modèle. Après cela, c'est à vous. Il suffit de rappeler que les composants qui ont été spatialement agrégées à un ordre de modèle inférieur se partageront à part en éléments distincts mais liés statistiquement comme ordre du modèle est augmentée. Si vous envisagez de sélectionner un composant à l'aide d'un modèle d'un autre groupe de recherche, vous pourriez envisager de choisir un ordre de modèle similaire à ce qui a été utilisé dans l'analyse qui a généré le modèle, car cela va augmenter la probabilité que le composant que vous recherchez reste spatialement intact dans votre décomposition.

Il ya quelques inconvénients qui peuvent être à considérer avant de passer à l'ICA. Tout d'abord, composantes spatiales fournissent une base pour l'examen des différences liées à l'âge en matière de connectivité fonctionnelle, mais vous disent rien sur la façon ou même si les régions qui comprennent une interaction des composants. Deux régions peuvent charger sur un composanten raison d'bidirectionnel, unidirectionnel, ou indirect connectivité (c.-à-via une troisième région), ou encore par hasard statistique. Par conséquent, soyez prudent avant de tirer des conclusions. Deuxièmement, si vos intérêts sont en tester une hypothèse particulière sur la façon dont les régions interagissent et comment ces interactions changent avec le développement, vous devez tenir compte des analyses ou d'autres méthodes. Une possibilité est d'utiliser les cours à temps CI et essai pour une connectivité efficace entre les composants au moyen de l'analyse de corrélation retardée. Outils pour ces types d'analyses sont disponibles dans le cadre de la connectivité fonctionnelle réseau GIFT (ou FNC) boîte à outils. Alternativement, vous pouvez envisager une approche totalement différente, comme dynamique causale Modeling (DCM), disponible en SPM8.

Avantages des méthodes existantes

La principale force de la méthode actuelle est qu'il offre au moins une base pour déduire la fonction de réseau de cerveau ciblées. Dans la mesure où les réseaux sont identifiés sur la base de la covariance en cours de temps de signal de différents voxels, et ces estimations de covariance est une mesure stable de la connectivité fonctionnelle, l'ICA et des approches fondées sur les semences conduisent à des images convergentes de réseaux corticaux si elles sont appliquées à repos état ​​ou une tâche sur la base des données d'IRMf ^15. L'avantage important de l'application de l'ICA groupe de tâches de données, c'est qu'il est possible de former des hypothèses préliminaires sur la fonction des réseaux sélectionnés. Selon la méthode actuelle, nous tirons parti de ce fait dans le but de lier une opération cognitive particulier - règle de commutation - à un réseau particulier. Ont le même réseau imagé tandis que les participants étaient au repos, il ne serait pas possible d'associer un réseau sélectionné avec un comportement particulier, du moins pas directement.

Des applications supplémentaires et des orientations futures

Groupe ICA a montré un grand potentiel pour la découverte de groupe différences dans l'organisation et le fonctionnement des réseaux corticaux, y compris celles liées à l'âge, l'état du diagnostic, de la personnalité, et ainsi de suite ^16. Procédures multivariées telles que ICA sont également bien adaptés à l'identification des associations entre les différentes modalités de données, et l'ICA en particulier s'est avéré très fructueux pour identifier les liens entre l'IRMf et données structurelles de l'IRM, IRMf et EEG et IRMf et la génétique ^17.

Une nouvelle direction est l'utilisation de l'ICA à explorer les changements dynamiques de la connectivité corticale ^18. À ce jour, les réseaux corticaux ont été conceptualisés comme l'architecture statique, au moins sur des périodes courtes. Des travaux récents cependant, a commencé à examiner si la connectivité fonctionnelle à l'intérieur et entre les réseaux change dynamiquement sur des périodes relativement courtes, éventuellement en association avec des changements dans la cognition et le comportement. Les résultats préliminaires, basés principalement sur les données d'état de repos, suggèrent que le cerveaucycles à travers une variété de micro-états, chacun caractérisé par une constellation distincte de liens entre les différentes régions du cerveau. Un prolongement évident de la méthode actuelle serait d'examiner les changements dynamiques de la connectivité réseau en association avec des changements dans les exigences cognitives grâce à l'application de groupe ICA aux données de la tâche. Appliqué aux données IRMf recueillis auprès des participants d'âges différents, les résultats pourraient révéler des différences dans la façon dont les cerveaux jeunes et plus âgés à s'adapter dynamiquement à des problèmes cognitifs et comportementaux.

Materials

Name	Company	Catalog Number	Comments
SPM8	The MathWorks, Inc.	R2013a