En metode til undersøgelse Aldersrelaterede Forskelle i Funktionel Connectivity af kognitiv kontrol Networks associeret med Dimensional Change Card Sorter Ydelse

Summary

Denne video præsenterer en metode til at undersøge aldersrelaterede ændringer i funktionel konnektivitet af kognitive kontrol netværk engageret af målrettede opgaver / processer. Teknikken er baseret på multi-variate analyse af fMRI data.

Abstract

Evnen til at tilpasse adfærd til pludselige ændringer i miljøet udvikler sig gradvist i barndommen og ungdommen. For eksempel i Dimensional Change Card Sorter opgave, deltagerne skifte fra sortering kortene én måde, som form, at sortere dem på en anden måde, såsom farve. Justering adfærd på denne måde exacts en lille præstation omkostninger, eller skifte omkostninger, således at svarene er typisk langsommere og mere fejlbehæftet på switch forsøg, hvor ændringer sorteringsregel sammenlignet at gentage forsøg, hvor sortering regel forbliver den samme. Evnen til fleksibelt at tilpasse adfærd er ofte siges at udvikle sig gradvist, delvis fordi adfærdsmæssige omkostninger såsom switch omkostningerne typisk falder med stigende alder. Hvorfor aspekter af højere orden kognition, såsom adfærdsmæssige fleksibilitet, udvikle sig, så efterhånden er et åbent spørgsmål. En hypotese er, at disse ændringer sker i forbindelse med funktionelle ændringer i bred skala kognitiv kontrol netværk. På dette synspunkt,komplekse mentale operationer, såsom switching, involvere hurtige vekselvirkninger mellem flere distribuerede områder af hjernen, herunder dem, opdatere og vedligeholde opgave regler nyorientere opmærksomhed og vælge adfærd. Med udvikling, funktionelle forbindelser mellem disse regioner styrker, hvilket fører til hurtigere og mere effektiv og frakoblinger. Den aktuelle video beskriver en metode til at teste denne hypotese gennem indsamling og multivariate analyse af fMRI data fra deltagere i forskellige aldre.

Introduction

Evnen til at regulere adfærd udvikler sig gradvist i barndommen og ungdommen (for gennemgang, se Diamond ^1). I Dimensional Change Card Sorter opgave, for eksempel, deltagerne skifte fra sortering kortene én måde, som form, at sortere dem på en anden måde, såsom farve ² (se figur 2). Switching exacts en lille præstation omkostninger, eller skifte omkostninger, således at svarene er typisk langsommere og mere fejlbehæftet på switch forsøg, hvor ændringer sorteringsregel sammenlignet at gentage forsøg, hvor sortering regel forbliver den samme ^3. Størrelsen af disse omkostninger typisk får mindre som børnene bliver ældre ^4, der illustrerer, at kapaciteten for adfærdsregulering undergår fortsat udvikling tidligt i livet.

Fordi komplekse mentale operationer, såsom switching, involvere hurtige samspil mellem flere områder af hjernen ^5, er der voksende interesse i relating udviklingen af højere orden kognition til ændringer i den funktionelle organisation bred skala kortikale netværk ^6.

En metode til at undersøge udviklingsmæssige ændringer i bred skala netværk er gennem brug af frø-baserede funktionel konnektivitet analyse ^6,7. Det første skridt i denne teknik er at rådføre sig med tilgængelige forskningslitteratur og definere a priori regioner af interesse, eller ROIs, der synes at være relevante for den pågældende adfærd. Disse ROI'er eller knudepunkter, definerer grundskelet af netværket. Dernæst lavfrekvente svingninger i aktiviteten (eller T2 *-vægtede signal intensitet) i disse ROIs måles i 5 til 10 minutter, mens deltagerne er i hvile i en MR-scanner. Funktionel konnektivitet mellem to knudepunkter i nettet derefter kvantificeres som korrelationen mellem deres respektive tidsforløb. Nodes, der er stærkt forbundet funktionelt bør have ens, og derfor stærkt korreleret, signaltidsforløb. På den anden side bør noder, der er svagt forbundet funktionelt have forskellig og dermed svagt korreleret, signalerer tidsforløbet. For at fuldføre en model af netværket, kanter (eller links) trukket mellem knudepunkter, hvis tid kurser korrelerer over en valgt tærskel. Kan gennemføres test for aldersbetingede forskelle i funktionel konnektivitet inden for et netværk på en enkelt node-til-node-forbindelse, eller om topologi af det samlede sæt af knuder og kanter. Disse forskelle i funktionelle tilslutningsmuligheder kan derefter relateret til foranstaltninger af kognitiv præstation indsamlet offline.

I dette papir, er en anden fremgangsmåde, der er beskrevet, der er baseret på gruppearbejde uafhængig komponent analyse af task-baserede fMRI data ^8. Komponent analyse (eller ICA) er en statistisk procedure for blindt at afsløre skjulte kilder bag et sæt observationer sådan, at de åbenbarede kilder er maksimalt uafhængige. Bruges til analyse af fMRI data pROCEDURE antager, at hver enhed er en blanding af et begrænset antal rumligt uafhængige kilder. Ved hjælp af en af ​​en række forskellige algoritmer, såsom Infomax algoritme ICA derefter estimerer en unmixing matrix, som når de anvendes til de oprindelige data giver et sæt af maksimalt uafhængige kilder eller komponenter. Hver komponent kan opfattes som et netværk, for så vidt som det består af et sæt voxels, der deler en fælles tidsforløb. Group ICA er en særlig form for ICA, hvor et fælles sæt af tilknyttede komponenter først estimeret ud fra et helt datasæt, og derefter deltager-specifikke sæt af gruppens komponenter beregnes på en back-rekonstruktion trin. Når en hel datasæt nedbrydes til et sæt af komponenter, er det næste skridt er at kassere kunstig komponenter, der repræsenterer støjkilder og identificere teoretisk meningsfulde komponenter, der svarer til netværk af interesse. Dette kan opnås enten ved modellering komponent tidsforløb i forbindelse med en GLM til IDEntify netværk, der aktiverer på en forudsagt måde, rumligt korrelerende komponenter med en skabelon af et netværk af interesse, eller begge dele. Den resulterende sæt af komponenter kan så blive forelagt for en gruppe sammenligning at teste for eventuelle aldersrelaterede forskelle i funktionel konnektivitet i teoretisk interessante netværk ^7,9,10.

Studere aldersrelaterede ændringer i funktionel konnektivitet gennem anvendelse af gruppen ICA til task-baseret fMRI data har flere fordele i forhold til anvendelse af frø-baserede teknikker til at hvile-state fMRI data. Først, i modsætning til frø-baserede teknikker, der fokuserer på et lille sæt af a priori definerede ROIs, den aktuelle gruppe ICA tilgang udnytter alle voxel omfatter en række volumetrisk tid. Dette mindsker mulighederne for bias, som nødvendigvis opstår, når en lille gruppe af frø udvælges a priori som områder af interesse. For det andet, at anvende funktionel konnektivitet analyse (ICA-baseret eller på anden måde) til opgave-snarere end at hvile-state fMRI data har den fordel, at nettet organisation og netværk funktion, der skal mere direkte forbundet. Hvis, for eksempel, er en prioritet at undersøge de kognitive eller adfærdsmæssige konsekvenser af funktionel konnektivitet (såsom variation i DCCS ydeevne), er det vigtigt at vise, at netværket af interesse er forbundet med opgaveløsningen. Med hvile-state-protokoller, er det meget vanskeligt, fordi forskeren ikke har nogen registrering af eventuelle kognitive, adfærdsmæssige eller affektive tilstande opleves af deltageren under dataopsamling. Det er derfor umuligt at give direkte bevis for, at ethvert net af interesse er relevant for opgaveløsningen. Derimod når funktionel konnektivitet analyse, som ICA, der anvendes til opgaven-data, er det muligt at bekræfte, at netværket af interesse på mindst er forbundet med udførelsen af ​​en opgave. Endelig ICA er mindre udsat for den negative påvirkning af støj. Støjkilder, såsom dem forbundet with emne bevægelse og hjerterytmen, har unikke spatio-temporale profiler. Derfor, i forbindelse med en gruppe ICA, disse kilder isoleres og tildeles særskilte komponenter, forlader resterende komponenter relativt fri for disse uønskede kilder varians. Fordi frø-baserede analyser anvender rå tidsforløb i estimering af funktionelle tilslutningsmuligheder, og tidsforløb er, per definition, blandinger af neurofysiologiske signal og kunstig støj, gruppe forskelle i funktionelle tilslutningsmuligheder skøn kan afspejle sande gruppe forskelle i den underliggende neurofysiologi, gruppe forskelle i strukturen af støj eller begge ^11.

Protocol

1.. Få godkendt Arbejde med personmotiver

2.. FMRI Data Acquisition

1. Anskaf fMRI data efter procedurer egnet til små børn (se Raschle, et al. ^12). Gøre alt for at begrænse eventuelle aldersrelaterede forskelle i opgavevaretagelsen og bevægelse, da disse forskelle introducere uønskede confounds der begrænser ens evne til at drage slutninger om udviklingsmæssigt relevante forskelle i hjernens aktivering og funktionelle tilslutningsmuligheder.
   Bemærk: I den nuværende protokol blev en gentagen-forsøg version af DCCS administreres i form af en blok design ^13. Hver kørsel omfatter to 8-forsøg switch blokke og to 8-forsøg gentagne blokke, hvor switch blokke består af 4 switch forsøg og 4 Gentag forsøg og gentagne blokke består af 8 gentagne forsøg. Protokollen er perfekt egnet til brug med event-relaterede fMRI data. Men blok design er rart at arbejde med, når først at få køber Roainted med ICA, som det er let at se opgave modulationer i komponent tidsforløb.
2. Preprocess fMRI data følgende standard fMRI forbehandlingsfiltre procedurer.
   1. Juster alle funktionelle billeder til samme orientering og position. Typisk er den første funktionelle volumen anvendes som reference billede for alle andre volumener at blive justeret til.
   2. Coregister T1-vægtede (anatomisk) billede med T2 *-vægtede (funktionelle) scanninger, så aktivering overlejret på den korrekte anatomiske placering.
   3. Normalisere alle billederne til en standardiseret størrelse, plads og position med udvælgelsen af en skabelon hjernen (f.eks Talairach plads). Dette medvirker til at sikre, at homologe regioner fra forskellige emner, der sammenlignes.
      Bemærk: Billeder skæv til Talairach plads i den nuværende protokol, selv om andre skabeloner kan også anvendes (for eksempel MNI {Montreal Neurological Institute} plads).
   4. Glat alle funktionelle volumener i datet sæt med en 6 til 10 mm udjævning kerne.
3. Lægge beslag på de forbehandlede volumener i et separat sæt af telefonbøger. Brug "Funktionelle scanninger" som den øverste mappe. Inden for "Funktionelle scanninger" omfatter en separat mappe til hver deltager, og inden for hver deltager bibliotek, en separat mappe for hver kørsel. Dataene er nu klar til ICA analyse.

3.. Uafhængig Component Analysis (ICA)

1. Download og installer gruppe ICA software. Der er en række værktøjskasser til implementering af ICA på forskellige typer af neurofysiologiske data, herunder fMRI. Mens enhver værktøjskasse, der udfører gruppe ICA potentielt ville være egnet, er den, der anvendes i den nuværende protokol kaldet gave. GIFT blev udviklet af Vince Calhoun og kolleger ved University of New Mexico. Gaven værktøjskasse er et sæt af MATLAB scripts, der arbejder sammen med SPM, en velkendt fMRI analyse pakke. Begge kan be downloades gratis fra internettet (GIFT: mialab.mrn.org / software / gave / index.html #, SPM: www.fil.ion.ucl.ac.uk/spm/). Når du har hentet, tilsæt GIFT værktøjskassen og alle sub-directories til MATLAB søgesti og gemme sti-fil.
2. Computing en gruppe ICA på fMRI data ved hjælp GAVE gør betydelige krav til RAM hukommelse. De præcise krav til hukommelsen, vil variere afhængigt af antallet af deltagere, mængden af ​​data indsamlet fra hver deltager, og resolutionen af ​​data. For at undgå hukommelsesproblemer, er det bedst at køre ICA analyse på en server. Hvis kører analysen på en lokal computer, kan anslås RAM krav ved hjælp af et script "icatb_mem_ica.m", der er en del af gave.
3. Set-up eller parameterisere analysen. Gør dette ved at ændre en allerede eksisterende batch script kaldet "Input_data_subjects_1.m", der er gemt i gave under "icatb_batch_files".
   Bemærk: Dette kan også gøres ved hjælp af GIFT s Graphical User Interfes. Men det er meget lettere, med en smule praksis med at oprette analysen ved at ændre dette allerede eksisterende script.
   1. Angiv data modalitet som fMRI
   2. Angiv type analyse som ICA med ICASSO. Dette vil sikre ICA drives med ICASSO procedure. ICASSO anslår pålideligheden af ​​nedbrydning ved at køre ICA flere gange startende med forskellige tilfældige frø. Den tester derefter ligheden mellem hvert resultat ved hjælp af klyngedannelse. Anvendelse af ICASSO anbefales som middelværdien af ​​kontrol af kvaliteten af ​​ICA nedbrydning, men betydeligt forlænge den tid, det tager GIFT at fuldende analysen.
      1. Hvis du vil køre ICA med ICASSO procedure, skal du vælge '2 'under "type analyse" og derefter parameterisere ICASSO procedure i de efterfølgende linjer i setup-filen.
   3. Maksimere ydeevnen af ​​gruppen PCA ved at vælge '1 'under Gruppe PCA ydeevne indstillinger. Overvej at sætte denne parameter til '2"Bør problemer med utilstrækkelig RAM hukommelse forekomme.
   4. For at muliggøre senere sortering af resulterende komponenter ved hjælp prædiktorer fra en standard SPM design matrix, angive, om der er forskellige matrixer til forskellige emner.
   5. Angiv, hvor de forbehandlede funktionelle data gemmes, og om en SPM.mat fil, der indeholder design matrix er lagret sammen med de forbehandlede funktionelle data.
      1. Den mest enkle måde at få GAVE til at læse data er, hvis hver deltager har samme antal kørsler, og data bibliotek er opbygget som beskrevet i trin 2.3 under erhvervelse fMRI data. Hvis ja, så under DataSelectionMethod valgte '1 'for Metode 1, og fuldføre parameteren "sourceDir_filePattern_flagLocation" ved at inkludere filepath hvor data er lagret, filformatet af dataene, og en erklæring om, at individuelle sessioner gemmes som undermapper inden for hvert emne mappe.
      Angiv den mappe, hvor produktionen af ​​analysen skal skrives. Undlad at skrive resultaterne til den samme mappe, hvor dataene er gemt.
   6. Giv en præfiks, der vil blive tilføjet til alle output-filer.
   7. Giv en filepath til en maske. Alle mængder indsendes til ICA er maskeret. GIFT en default maske. For dette arbejde, en in-house script til at generere en maske fra de data, der vil blive forelagt for ICA. På et minimum bør masken fjerne kraniet, ekstra-cerebral rum, og især øjne. Signal fra øjeæblet voxels vil vise meget store udsving i løbet af en løbetur, og vil derfor have en betydelig indflydelse på strukturen af de endelige komponenter Figur 3 illustrerer, hvad en god maske skal se ud..
   8. Angiv type gruppe PCA skal anvendes. Brug 'fagspecifikke.'
   9. Angiv back-genopbygning metoden. I denne fase, enkelte fag IC'er og deres tilknyttede tidsforløb beregnes from resultatet af analysen gruppen. GICA anbefales for at opnå den bedste tid kurser, selv om der er betydelig diskussion i litteraturen på dette punkt.
   10. Angiv data forbehandling type. Brug intensitet normalisering for at undgå ikke-numeriske værdier (dvs. infinites og Nans) i outputtet. I dette eksempel valgte vi standarden for '1 '.
   11. Angiv den type PCA (vi bruger standard) og acceptere standardværdierne under PCA indstillinger. GIFT udfører en PCA på hver kørsel af hver enkelt deltager og bevarer en række komponenter svarende til antallet af kilder til at være ublandet i ICA. PCA tjener to vigtige formål. For det første hjælper med at fjerne støjkilder, der er unikke for hver enkelt deltager og hver kørsel. For det andet, det gør de beregningsmæssige krav til analysen mere medgørlige.
   12. Angiv, hvor mange PSA til at køre på de data før ICA (2 anbefales). Samt, angive, hvor mange komponenter til at beholde efter hver PCA (hvis der køres2, anbefales det, at antallet af komponenter tilbageholdes efter den første PCA er det dobbelte af antallet tilbageholdt efter den anden).
   13. Angiv, hvordan data skal skaleres. For dette arbejde blev z-score skalering anvendes.
   14. Vælg en blind kildesortering algoritme for ICA. For dette arbejde blev Infomax anvendes. GIFT tilbyder et udvalg af mindst 10 forskellige algoritmer.
   15. Resterende parametre kan efterlades som den er.
4. Når ICA er fuldført, skal du vælge blandt tilgængelige komponenter dem, der er af potentiel teoretisk interesse. Gennem GIFT GUI vælge komponent valg: rumlig sortering sorterer rumlige komponenter ved hjælp af rumlig korrelation med en allerede eksisterende skabelon; tidsmæssig sortering sorterer komponent tidsforløb ved hjælp af lineære prædiktorer fra SPM design matrix, du kan gemme de data (se 3.3.5).
   Bemærk: Begge tilgange til komponent udvælgelse har nytte. Men når man arbejder med task data, tidsmæssig udvælgelsekriterier er især nyttige, da de giver et middel til at kontrollere, at den valgte komponent blev aktiveret af opgaven. I tilfælde af DCCS kan brugen af ​​tidsmæssige sortering anvendes til at bekræfte, at den valgte komponent var mere aktive i kontaktblokke end i gentagne blokke.
5. Teste, om børn og voksne versioner af disse udvalgte komponenter er forskellige. Samlet barn og voksen komponenter af interesse i to separate grupper og test ved hjælp af en to-sample t-test regioner, hvor komponenterne varierer. Det er relativt let at gøre gennem GIFT GUI.

Representative Results

Group ICA, selv på en forholdsvis lille fMRI datasæt, vil vende tilbage et sæt af komponenter svarende til dem observeret i andre studier. Figur 4 er en sammenlægning af 5 sådanne komponenter og deres tilknyttede tidsforløb ublandede fra en prøve af 12 børn og 13 voksne med ca 800 volumener per deltager. Som vist i figur 4, standardtilstand, fronto-parietal kan cingulo-ø, og visuel netværk let ses fra resultaterne af denne nedbrydning. Samt, mærke hvor let det er at skelne blok design i tidsforløbet af de visuelle og standardtilstand komponenter.

En vellykket ICA nedbrydning skal være pålidelig. Pålideligheden af nedbrydning kan vurderes ved at undersøge produktion af ICASSO procedure. Figur 5 viser en del af ICASSO udgang til en pålidelig nedbrydning udføres i GIFT.

Ved brug af rumlige correlation som grundlag for komponent udvælgelse, er det godt at rapportere korrelationskoefficienten og præsentere skabelonen og den valgte komponent sammen til visuel sammenligning. I et nyligt papir blev rumlige og tidsmæssige sortering både bruges til at identificere en fronto-parietale komponent, der var både rumligt korreleret med en skabelon af en udøvende kontrol netværk, og var mere aktiv for switch blokke end gentagne blokke i DCCS. Figur 6 viser skabelonen billede og den valgte komponent. Bemærk, at der er god overensstemmelse mellem de to billeder.

Gruppe sammenligninger af komponent kort kan bruges til at teste for aldersbetingede forskelle i funktionelle tilslutningsmuligheder for den valgte komponent. Voxels, der vises på de resulterende kort er dem, der "load" stærkere på den valgte komponent for en gruppe end en anden. Med andre ord er disse voxels, hvor tidsforløbet af voxels er mere svarer til tidsforløbet for komponent (dvs. udviser stærk funktionel forbindelse til netværket) for en gruppe frem for en anden. Efter denne procedure, sammenlignede vi børn og voksne lige fronto-parietale komponenter - en komponent bekræftede vi var rumligt korrelerede med en skabelon af en udøvende kontrol netværk, og blev aktiveret af DCCS - og fandt, at voxler inden lateral præfrontale, forreste cingulate, og parietal cortex indlæst stærkere på denne komponent hos voksne end hos børn på ^14. Denne kontrast billede er vist i fig. 7.

Figur 1.. Samlet ordning af forsøget.

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

Figur 2.. Blokken design variant af Dimensional Change Card Sort (DCCS) opgave. I standardversionen af opgaven, børn sortere bivalente test kort i skraldespande præget af bivalente mål, der matcher hver test-kort på en enkelt dimension.Børn sortere et lille antal kort én måde (f.eks farve) og derefter bliver bedt om at skifte og sortere de samme kort en ny måde (fx ved form). Resultatet foranstaltning er, om børn korrekt skifte sorteringskriterier. (A) I blok-design variant, er opgaven computer-administreret. To bivalente mål vises på skærmen under hele opgaven. Testkort præsenteres centralt for 1.750 msek og deltagere sortere kortene ved hjælp af en knap-tryk. Forsøg, hvor sortering kriterium er anderledes end på de tidligere retssager er switch forsøg; forsøg, hvor sortering kriterium er den samme som på den tidligere retssag er gentage forsøg. (b) Individuelle forsøg er præsenteret i blokke 8-forsøg. Switch blokke indeholder 4 Gentag og 4 switch forsøg; gentagne blokke indeholder 8 gentagne forsøg. (c, d) Udbytte foranstaltninger er forskellen i responstid og nøjagtighed i kontakt og gentag blokke.

. Figur 3 Gruppe ICA resultater:. Repræsentative komponenter (a) Et sammensat billede af 5 repræsentativ gruppe komponenter fra en ICA af 11 voksne og 12 Barn deltagere. Modellen ordren var 20.. Runs var 78 bind lange. Komponenter er farvekodede (rød = visuelle, blå = venstre fronto-parietale, grøn = standard-mode, pink = højre fronto-parietal, orange = cingulo-ø). (B) Komponent timecourses og blokere design overlay. Fra visuel inspektion, er det indlysende, at opgaveløsningen er forbundet med en øget aktivitet i visuelle og venstre fronto-parietale komponenter og et fald i aktivitet i standard-mode netværk. Disse intuitive resultater illustrerer, hvordan brugen af ​​en basisblok design gør det relativt let at vurdere kvaliteten af ​​en ICA nedbrydning."Https://www.jove.com/files/ftp_upload/51003/51003fig3highres.jpg" target = "_blank"> Klik her for at se en større version af dette tal.

. Figur 4 Group ICA resultater:. Repræsentative komponenter (a) Et sammensat billede af 5 repræsentativ gruppe komponenter fra en ICA af 11 voksne og 12 Barn deltagere. Modellen ordren var 20.. Runs var 78 bind lange. Komponenter er farvekodede (rød = visuelle, blå = venstre fronto-parietale, grøn = standard-mode, pink = højre fronto-parietal, orange = cingulo-ø) (b) Komponent tidsforløb og blokere design overlay.. Fra visuel inspektion, er det indlysende, at opgaveløsningen er forbundet med en øget aktivitet i visuelle og venstre fronto-parietale komponenter og et fald i aktiviteten i default-mode netværk. Disse intuitive resultater illustrerer, hvordan brugen af en basisblok design gør det relativt let at vurdere kvaliteten af en ICA nedbrydning. Klik her for at se en større version af dette tal.

Figur 5.. Repræsentant ICASSO output fra en yderst pålidelig nedbrydning. At teste pålideligheden af en enkelt nedbrydning er ICA køre flere gange, og resultater på tværs af separate kørsler er plottet. Dette plot giver et kort resumé af resultaterne af alle gentagelser af ICA og tillader en at visuelt at vurdere ligheden eller divergens i de løsninger, der udspringer fra forskellige gentagelser af ICA. Enkelte punkter repræsenterer enkelt kørsel estimater afbestemte komponenter. De lyseblå cirkler repræsenterer centrotypes af klynger af enlige observationer. Kompakte og isolerede klynger, der falder inden for grænsen af ​​centrotype foreslå god pålidelighed. Spredte klynger, der forvilder sig uden for grænsen for centrotype foreslå ringe pålidelighed. For de fleste komponenter i denne figur, var der en høj grad af lighed i komponenten på tværs af forskellige gentagelser af ICA. Komponenter 58, 59, og 60 viste nogle mindre variation på tværs af forskellige iterationer. Klik her for at se større billede.

Figur 6.. Den udøvende kontrol skabelon og den valgte højre fronto-parietale komponent, overlejret på identiske skiver fra en høj Resolution anatomisk scanning, synes ganske sammenlignelige. Rumlig korrelation kan bruges til at kvantificere og statistisk teste for ligheden mellem disse kort. Klik her for at se en større version af dette tal.

Figur 7.. Fratrække højre fronto-parietale komponenter af børn fra voksne afslører regioner, hvis funktionelle konnektivitet til det valgte udøvende netværk er stærkere for voksne end for børn. Disse områder omfatter mediale præfrontale cortex og ventrale tegmentalområde (se sagittal skive) og dorsolaterale præfrontale og ringere parietalcortex (se aksial skive). Klikher for at se en større version af dette tal.

Discussion

Højere ordens mentale operationer, såsom muligheden for at skifte sortering regler udvikler sig hurtigt igennem hele barndommen og ungdomsårene. Fordi disse mentale operationer omfatte vekselvirkninger mellem flere distribuerede områder af hjernen, der er stigende interesse i at udforske forholdet mellem udviklingen af ​​højere orden kognition og aldersrelaterede ændringer i organiseringen af ​​en bred skala kortikale netværk. Vi præsenterer en metode baseret på gruppe uafhængig komponent analyse anvendt på opgavebaserede fMRI data som et middel til at undersøge dette forhold direkte.

Som det er tilfældet for enhver mellem-gruppe sammenlignende undersøgelse, er succesen af ​​metoden baseret på høj kvalitet fMRI data fra både voksne og børn. Koncernens forskelle i motion-relateret artefakt kan have alvorlige konsekvenser for kvaliteten af ​​ICA nedbrydning og føre til falske forskelle i de resulterende komponenter. Koncernens forskelle i opgaveløsningen kan være potentielt problematic så godt, da de vil underminere levedygtigheden af ​​tidsmæssige sortering for alle grupper. Hvis for eksempel en gruppe, viser en stor forskel i ydelse mellem eksperimentelle og kontrolforsøg, men en anden gruppe ikke gør, vil det være svært at identificere komponenter, at man kunne gøre krav er knyttet til en opgave på samme måde for begge grupper. Derfor skal du sørge for at tage sig tid til at indsamle dine data ordentligt. Følg pædiatriske Neuroimaging beskrevne protokoller godt ved Raschle et al., 2009 og tager tid at udvikle kognitive adfærdsterapi metoder, der mindsker mellem-gruppe forskelle i performance / strategi-brug.

Trouble-shooting/Caveats

Group ICA er en avanceret multivariat teknik, men en, der er ved at blive vedtaget mere og mere ofte for en bred vifte af fMRI analyse applikationer, herunder denoising, funktionelle konnektivitet estimering, og billedbehandling dynamiske hjerne tilslutningsmuligheder stater (se nedenfor). For første gang brugere, etablering og tolkningproduktionen af ​​en gruppe ICA vil være lidt forvirrende. Men lidt øvelse / trial and error med, tingene bliver meget mere ligetil. Følgende forslag hjulpet os gevaldigt i at komme over vores oprindelige usikkerheder.

Først starte små og bruge data indsamlet med et enkelt design. Blokforsøg med 10 til 20 sek hviletider mellem blokkene er ideelle i denne henseende. Til at begynde, skal du prøve at køre en ICA køre på 3 eller 4 100 volumen løber af blokdata fra 4 eller 5 deltagere. Dette vil ikke give publicerbare fund, men vil køre relativt hurtigt og producere fornuftige rumlige komponenter. Samt, bør det være relativt nemt at se blokdesign repræsenteret i tidsforløbet af occipital komponenter og standardkomponenter, med disse tidsforløbet positivt og negativt forbundet med den opgave (se figur 4). Dette er en god måde til hurtigt at vinde tillid til proceduren for skalering af analysen op til herundere hele datasættet. Bør tingene ikke arbejder ud på dette tidspunkt, skal du gå tilbage til dine forbehandlede billeder og se efter problemer med datakvaliteten (f.eks alvorlige bevægelsesartefakter, dårlige skiver osv.). Hvis rumlige komponenter er yderst sparsomme (dvs. rumlige ICS består af mange små spredte klynger af voxels), skal du kontrollere mængder blev glattet - anbefales en 8-mm FWHM kerne.

Begyndende med et lille datasæt er også en god måde at få en fornemmelse for at vælge den model ordre eller antallet af komponenter til også at omfatte i en model. Mens der er ingen rigtige måde at gøre denne beslutning, er der en række retningslinjer til at overveje. Først, som GAVE implementerer en form for rumlig ICA, det maksimale antal komponenter, der kan ublandet fra en serie volumetrisk tid er lig med det antal liter i Timeseries. For det andet, GIFT beregner et estimat af dimensionalitet data ved hjælp af PCA, og disse estimater er normalt i intervallet of 18 til 22 komponenter. Tilsammen udgør disse overvejelser giver en øvre og nedre grænse for dit valg af model orden. Efter at det er op til dig. Du skal blot huske, at komponenter, der var rumligt aggregeret på et lavere model ordre vil splitte fra hinanden i separate, men statistisk relaterede komponenter som model ordre øges. Hvis du planlægger at vælge en komponent ved hjælp af en skabelon fra en anden forskergruppe, kan du overveje at vælge en model ordre svarer til hvad der blev brugt i analysen, der genererede den skabelon, da dette vil øge sandsynligheden for, at komponenten er du søger efter rester rumligt intakt i din nedbrydning.

Der er et par forbehold, der kan være værd at overveje, før du går videre med ICA. Først, rumlige komponenter giver et grundlag for behandlingen af ​​aldersrelaterede forskelle i funktionelle tilslutningsmuligheder, men fortælle dig noget om, hvordan eller endda om regioner, der omfatter en komponent interagerer. To regioner kan indlæse på en komponentpå grund af tovejs, ensrettet eller indirekte (dvs. via en tredje region) tilslutning, eller endda ved statistisk ulykke. Vær derfor forsigtig med at drage konklusioner. For det andet, hvis dine interesser er i at teste en bestemt hypotese om, hvordan regionerne interagerer, og hvordan disse interaktioner ændrer sig med udvikling, bliver du nødt til at overveje yderligere analyser eller metoder. En mulighed er at bruge IC tidsforløb og test for effektiv tilslutning blandt komponenter ved hjælp af haltet korrelationsanalyse. Værktøjer til disse former for analyser er tilgængelige som en del af GAVE Functional Network Connectivity (eller FNC) værktøjskassen. Alternativt kan du overveje en helt anden tilgang, såsom Dynamic Causal Modeling (DCM), fås i SPM8.

Fordele ved eksisterende metoder

Den primære styrke af den nuværende metode er, at det giver i det mindste nogle grundlag for udledning af funktionen af ​​målrettet hjerne netværksek. I det omfang, netværk identificeres på grundlag af kovariansen i signal tidsforløb for forskellige voxels, og disse kovarianskomponenter skøn er en stabil måling af funktionel konnektivitet, ICA og frø tilgange fører til konvergerende billeder af kortikale netværk, uanset om de anvendes til hvile-state eller opgave baserede fMRI-data ^15. Den vigtigste fordel ved anvendelse af gruppe ICA til opgave-data er, at det er muligt at danne indledende hypoteser om funktionen af ​​udvalgte netværk. I den nuværende metode, vi udnytte dette faktum med det formål at knytte en bestemt kognitiv operation - regel-switching - til et bestemt netværk. Blev det samme netværk filmede mens deltagerne var i hvile, ville det ikke være muligt at knytte en udvalgt netværk med en bestemt adfærd, i hvert fald ikke direkte.

Yderligere programmer og fremtidige retninger

Gruppe ICA har vist stort potentiale til at afdække gruppe Forskelnces i organisation og funktion kortikale netværk, herunder dem, der vedrører alder, diagnostisk status, personlighed, og så den ^16. Multivariate procedurer såsom ICA er også velegnet til identifikation af foreninger på tværs af forskellige data modaliteter, og ICA i særdeleshed har vist sig ganske frugtbar for at identificere sammenhænge mellem fMRI og strukturelle MRI data, fMRI og EEG og fMRI og genetik ^17.

Et spændende ny retning er brugen af ICA i at udforske dynamiske ændringer i kortikal tilslutningsmuligheder ^18. Til dato har kortikale netværk blevet konceptualiseret som arkitektonisk statisk, i det mindste over korte tidshorisonter. Seneste arbejde dog er begyndt at undersøge, om funktionel konnektivitet både inden for og mellem netværk skifter dynamisk over relativt korte tidsfrister, eventuelt i samarbejde med ændringer i kognition og adfærd. Foreløbige resultater, primært baseret på hvile-state data tyder på, at hjernencykler gennem en række mikrotilstande, hver kendetegnet ved en særskilt konstellation af forbindelser mellem de forskellige områder af hjernen. Et oplagt udvidelse af den nuværende metode ville være at undersøge dynamiske ændringer i netværksforbindelsen i forbindelse med ændringer i kognitive krav gennem anvendelse af gruppen ICA til opgave data. Anvendt på fMRI data indsamlet fra deltagere i forskellige aldre, kan resultaterne potentielt afsløre forskelle i, hvordan yngre og ældre hjerner dynamisk tilpasse sig kognitive og adfærdsmæssige udfordringer.

Materials

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