Estimation topographique de Visual population réceptive champs par IRMf
Summary
It is important to obtain unbiased estimates of visual population receptive fields (pRFs) by functional magnetic resonance imaging. We use mild regularization constraints to estimate pRF topography without a-priori assumptions about pRF shape, allowing us to choose specific pRF models post-hoc. This is particularly advantageous in subjects with visual-pathway lesions.
Abstract
Cortex visuel est rétinotopique organisé afin que les populations voisines de cellules correspondent aux pièces voisines du champ visuel. Imagerie par résonance magnétique fonctionnelle nous permet d'estimer voxel population champs réceptifs (PRF), ce est à dire, la partie du champ visuel qui active les cellules au sein de chaque voxel. Avant,, PRF estimation méthodes directes 1 souffrent de certaines limitations: 1) le modèle pRF est choisi a priori et peut ne pas saisir pleinement la forme réelle pRF, et 2) centres de PRF sont sujettes à une mauvaise localisation près de la frontière de l'espace de relance. Voici une nouvelle topographique pRF méthode d'estimation 2 est proposé qui contourne largement ces limites. Un modèle linéaire est utilisé pour prédire le signal du sang en oxygène en fonction du niveau (GRAS) par la convolution de la réponse linéaire du PRF au stimulus visuel avec la fonction de réponse hémodynamique canonique. PRF topographie est représenté comme un vecteur de poids dont les composantes représenter la strongueur de la réponse globale des neurones aux stimuli voxel présenté à différents endroits du champ visuel. Les équations linéaires qui en résultent peuvent être résolus pour le vecteur de poids pRF utilisant la régression ridge 3, ce qui donne la topographie pRF. Un modèle pRF qui est adaptée à la topographie estimée peut alors être choisi post-hoc, améliorant ainsi les estimations des paramètres tels que l'emplacement PRF PRF-centre, l'orientation pRF, taille, etc. Avoir la topographie pRF disponibles permet également la vérification visuelle des estimations des paramètres PRF permettant l'extraction de diverses propriétés PRF sans avoir à faire des hypothèses a priori sur la structure pRF. Cette approche promet d'être particulièrement utile pour étudier l'organisation pRF des patients souffrant de troubles du système visuel.
Introduction
Imagerie par résonance magnétique fonctionnelle (IRMf) mesure non invasive l'organisation fonctionnelle du cortex visuel à l'échelle macroscopique (typiquement de l'ordre de quelques millimètres). Les premières études de rétinotopie IRMf ont utilisé une mesure de cohérence entre l'emplacement de relance et a suscité des réponses audacieuses 4-7. Ces études généralement ne ont pas estimé la population réceptive taille du champ. Plus tard, Dumoulin et Wandell 1 ont proposé une méthode pour surmonter une telle limitation en modélisant explicitement l'emplacement et la taille pRF, en utilisant une fonction linéaire de ce modèle pour prédire la réponse BOLD. Toutefois, une limitation de cette méthode est de pionnier que le modèle pRF paramétrique doit être choisi a priori, et peut mener à des estimations erronées pRF si elle se avère ne pas être approprié.
Pour surmonter les limitations de la méthode PRF-modèle paramétrique, de nouveaux procédés ont été développés récemment. Ces méthodes prédisent directement la réponse BOLD aux stimulus en reconstruisant la topographie pRF. Une méthode 8 proposé par Greene et ses collègues reconstitue la topographie pRF par rétro-projection des réponses audacieuses pour les espaces de relance 1D individuels et la construction de la topographie pRF dans l'espace de relance 2D comme une technique typique de tomographie par ordinateur. D'autre part, le procédé proposé par nous deux estime directement la topographie 2D PRF à l'aide d'une régression linéaire et l'application d'une technique de régularisation. Dans ce procédé, la topographie pRF est représenté comme un ensemble de poids qui est multiplié par le stimulus pour estimer la réponse de la population neuronale d'un voxel donné. Ensuite, l'oxygène dans le sang en fonction du niveau (GRAS) réponse final évoqué par le stimulus est estimée par la convolution de la réponse de la population neuronale et la fonction de réponse hémodynamique canonique. Afin de résoudre le système linéaire sous-contraint, en outre, la régularisation crête de régression est utilisée pour appliquer rareté (voir Figure 1ci-dessous). La technique de régularisation supprime le bruit et des artefacts et permet ainsi notre méthode pour estimer la topographie pRF plus robuste.
Les méthodes topographiques ne forcez pas la forme pRF d'avoir une certaine forme paramétrique, et ne peut donc découvrir la structure réelle pRF. Un modèle paramétrique appropriée peut alors être choisie en fonction de la topographie pRF. Par exemple, la topographie pRF peut être utilisé pour séparer le centre pRF et surround et, le centre modélisation pRF ultérieur peut être plus précis, en minimisant l'influence de suppression surround ainsi que l'influence d'autres artefacts potentiels résultant dans des zones éloignées de la centre pRF. Nous avons récemment effectué une comparaison quantitative entre notre méthode et plusieurs autres méthodes que directement (à savoir avant d'estimer la topographie) ajustement gaussien isotrope 1, anisotrope gaussien, et la différence de gaussiennes isotrope à l'pRF neuf. On a constaté que la topogrméthode basée aphy-performé ces méthodes à l'égard du centre pRF modélisation en réalisant plus variance expliquée de la série BOLD de temps de signal.
L'estimation précise des propriétés PRF dans divers domaines révèle comment ils couvrent le champ visuel et est important pour étudier l'organisation fonctionnelle du cortex visuel particulièrement en ce qui a trait à la perception visuelle. Les propriétés telles que la façon dont la taille pRF changements avec l'excentricité 1,10 et pRF organisation surround central 9 sont bien étudiés dans la littérature humaine. La méthode proposée pour estimer les résultats de topographie PRF dans la modélisation plus précise paramètre pRF et est plus susceptible de révéler des régularités inconnues, pas facilement modélisée a priori dans les modèles paramétriques directs. Cette approche sera particulièrement adapté à l'étude l'organisation pRF chez les patients avec des lésions de la voie visuelle, pour qui la structure pRF est pas nécessairement prévisible a priori. Ci-dessous est décrit comment estimer ee pRF topographie et la façon d'utiliser la topographie pour modéliser le centre pRF.
Protocol
Representative Results
Discussion
Cet article montre comment estimer la topographie de la population visuels champs récepteurs dans le cortex visuel humain et comment l'utiliser pour sélectionner un modèle paramétrique appropriée pour le champ récepteur. Pour une rétinotopie succès, un protocole de stimulation appropriée et une méthode d'analyse efficaces devraient être choisis, et les paramètres expérimentaux du sujet (de mouvement et de fixation) doivent être optimisés. Bar stimuli mobiles séquentielle dans le champ visuel sont…
Disclosures
The authors have nothing to disclose.
Acknowledgements
We thank the VISTA software group (Brian Wandell and associates, at Stanford).
S. S. was supported by McNair 2280403105,NEI R01-EY109272, and NEI R01-EY024019 and as HHMI Early Carrer Award. A. P. and G. K. was supported by the Max-Planck Society, G. K. was supported by the PLASTICISE project of the 7th Framework Programme of the European Commission, Contract no. HEATH-F2-2009-223524.
Materials
| Name of Equipment/Software | Company/Provider | Web address | |
| MRI scanner | Siemens/Philips/GE | ||
| MATLAB | The Mathworks, Inc. | http://www.mathworks.com | |
| VISTA software | VISTA software group | http://white.stanford.edu/newlm/index.php/Software | |
| PsychoToolbox | PsychoToolbox | http://psychtoolbox.org | |
| Eye Tracker(VisuaStimDigital) | Resonance Technology Inc | http://mrivideo.com/ |
References
- Dumoulin, S. O., Wandell, B. A. Population receptive field estimates in human visual cortex. Neuroimage. 39, 647-660 (2008).
- Lee, S., Papanikolaou, A., Logothetis, N. K., Smirnakis, S. M., Keliris, G. A. A new method for estimating population receptive field topography in visual cortex. Neuroimage. 81, 144-157 (2013).
- Hastie, T., Tibshirani, R., Friedman, J. H. . The elements of statistical learning : data mining, inference, and prediction. , (2009).
- Sereno, M. I., et al. Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 268, 889-893 (1995).
- Engel, S. A., Glover, G. H., Wandell, B. A. Retinotopic organization in human visual cortex and the spatial precision of functional MRI. Cereb Cortex. 7, 181-192 (1997).
- Engel, S. A., et al. fMRI of human visual cortex. Nature. 369, 525 (1994).
- DeYoe, E. A., et al. Mapping striate and extrastriate visual areas in human cerebral cortex. Proc Natl Acad Sci U S A. 93, 2382-2386 (1996).
- Greene, C. A., Dumoulin, S. O., Harvey, B. M., Ress, D. Measurement of population receptive fields in human early visual cortex using back-projection tomography. J Vis. , (2014).
- Zuiderbaan, W., Harvey, B. M., Dumoulin, S. O. Modeling center-surround configurations in population receptive fields using fMRI. J Vis. , (2012).
- Harvey, B. M., Dumoulin, S. O. The relationship between cortical magnification factor and population receptive field size in human visual cortex: constancies in cortical architecture. J Neurosci. 31, 13604-13612 (2011).
- Haak, K. V., Cornelissen, F. W., Morland, A. B. Population receptive field dynamics in human visual cortex. PLoS One. 7, e37686 (2012).
