Estimativa topográfico da População Campos Visuais Receptivos por fMRI
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
Visual córtex é retinotopically organizado de modo que as populações vizinhas de células mapeadas para partes vizinhas do campo visual. A ressonância magnética funcional permite estimar população campos receptivos baseada em voxel (PRF), ou seja, a parte do campo visual que ativa as células dentro de cada voxel. Antes, PRF, métodos diretos de estimação um sofrem de certas limitações: 1) o modelo PRF é escolhido a priori e pode não conseguir captar a forma real PRF, e 2) centros PRF são propensas a mislocalization perto da fronteira do espaço de estímulo. Aqui, um novo método de estimativa PRF topográfico 2 propõe-se que, em grande parte contorna essas limitações. Um modelo linear é utilizado para prever o sinal de oxigênio do sangue Nível Dependente (BOLD) por convolving a resposta linear da PRF para o estímulo visual com a função de resposta hemodinâmica canônica. PRF topografia é representado como um vetor de pesos, cujos componentes representam a strength da resposta agregado de neurônios voxel aos estímulos apresentados em diferentes locais do campo visual. As equações lineares resultantes podem ser resolvidos para o vector de ponderação PRF usando regressão cume 3, obtendo-se a topografia PRF. Um modelo PRF que é compensada com a topografia estimado pode então ser escolhido post-hoc, melhorando assim as estimativas dos parâmetros PRF, tais como localização no centro da PRF, orientação PRF, tamanho, etc. Tendo a topografia PRF disponível também permite a verificação visual de estimativas de parâmetros PRF permitindo a extração de várias propriedades PRF sem ter que fazer suposições a priori sobre a estrutura PRF. Esta abordagem promete ser particularmente útil para investigar a organização PRF de pacientes com desordens do sistema visual.
Introduction
A ressonância magnética funcional (fMRI) mede de forma não invasiva a organização funcional do córtex visual em escala macroscópica (tipicamente na ordem de milímetros). Os primeiros estudos retinotopy fMRI usado uma medida de coerência entre a localização do estímulo e obteve respostas BOLD 4-7. Estes estudos normalmente não estimou população tamanho do campo receptivo. Mais tarde, Dumoulin e Wandell 1 propôs um método para superar essa limitação modelando explicitamente a localização eo tamanho PRF, usando uma função linear deste modelo para prever a resposta BOLD. No entanto, uma limitação deste método pioneiro é que o modelo paramétrico PRF tem que ser escolhido a priori, e pode levar à errônea PRF estima se ele sair para não ser apropriado.
Para superar as limitações do método paramétrico PRF-modelo, novos métodos foram desenvolvidos recentemente. Estes métodos prever diretamente a resposta BOLD aos stimulus reconstruindo a topografia PRF. Um método 8 proposto por Greene e colegas reconstrói a topografia PRF por back-projetando as respostas corajosas para os espaços de estímulo 1D individuais e construir a topografia PRF no espaço estímulo 2D como uma técnica típica de tomografia computadorizada. Por outro lado, o método proposto por nós 2 estima directamente a topografia 2D PRF por meio de regressão linear e aplicando uma técnica de regularização. Neste método, a topografia PRF é representada como um conjunto de pesos, que é multiplicado pelo estímulo para estimar a resposta da população neuronal de um dado voxel. Então, a resposta final oxigênio do sangue Nível Dependente (BOLD) evocado pelo estímulo é estimada pela convolving a resposta da população neuronal e na função de resposta hemodinâmica canônica. A fim de resolver o sistema linear constrangido-under, adicionalmente, a regularização da regressão de cumeeira é usado para impor esparsidade (ver Figura 1abaixo). A técnica de regularização suprime o ruído e artefatos e, assim, permite que o nosso método para estimar a topografia PRF mais enérgica.
Os métodos topográficos não force a forma PRF que ter uma certa forma paramétrica, e, portanto, pode descobrir a estrutura real PRF. Um modelo paramétrico adequado podem, então, ser escolhido com base na topografia PRF. Por exemplo, a topografia PRF pode ser usado para separar o centro da PRF e ambiente, e, em seguida, o subsequente modelagem centro PRF pode ser mais preciso, minimizando a influência de supressão envolvente, bem como a influência de outros artefactos resultantes potenciais em áreas distantes da centro PRF. Efetuamos recentemente uma comparação quantitativa entre o nosso método e vários outros métodos que, direta (ou seja, antes de estimar a topografia) fit isotrópico Gaussian 1, anisotrópica Gaussian, e diferença de isotrópico Gaussians à PRF 9. Verificou-se que o topogrmétodo baseado em aphy superou esses métodos no que diz respeito à modelagem centro PRF por alcançar maior variância explicada da série histórica do sinal BOLD.
A avaliação correta de propriedades PRF em diversas áreas revela como eles cobrem o campo visual e é importante para investigar a organização funcional do córtex visual particularmente no que se refere à percepção visual. Propriedades como como as mudanças de tamanho PRF com excentricidade 1,10 e PRF organização envolvente centro 9 são bem estudados na literatura humana. O método proposto para estimar os resultados de topografia PRF em modelagem parâmetro PRF mais precisa e é mais provável que revelam regularidades desconhecidos, que não são facilmente modelados a-priori nos modelos paramétricos diretos. Esta abordagem será especialmente adequado para estudar organização PRF em pacientes com lesões via visual, para quem a estrutura PRF não é necessariamente previsível a-priori. Abaixo é descrito como estimar the PRF topografia e como usar a topografia para modelar centro da PRF.
Protocol
Representative Results
Discussion
Este artigo demonstra como para estimar a topografia da população campos receptivos visuais no córtex visual humano e como usá-lo para selecionar um modelo paramétrico apropriado para o campo receptivo. Para um retinotopy bem sucedido, um protocolo de estimulação adequada e de um método de análise eficiente deve ser selecionado, e os parâmetros experimentais do sujeito (movimento e fixação) deve ser otimizado. Estímulos Bar sequencialmente em movimento em todo o campo visual são um paradigma estímulo efic…
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).
