Estimación topográfico de Población Visual Receptivo campos 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
Corteza visual está organizado retinotopically para que las poblaciones vecinas de células se asignan a partes vecinas del campo visual. La resonancia magnética funcional nos permite estimar la población campos receptivos basada en voxel (PRF), es decir, la parte del campo visual que activa las células dentro de cada voxel. Antes, PRF, métodos de estimación directa 1 sufren de ciertas limitaciones: 1) el modelo PRF se elige a priori y no puede capturar totalmente la forma real PRF, y 2) los centros de PRF son propensos a mislocalization cerca de la frontera del espacio de estímulo. Aquí se propone un nuevo método de estimación PRF topográfica 2 que evita en gran medida estas limitaciones. Un modelo lineal se utiliza para predecir la señal de oxígeno de la sangre dependiente del nivel de (BOLD) mediante la convolución de la respuesta lineal de la PRF al estímulo visual con la función de respuesta hemodinámica canónica. PRF topografía se representa como un vector de ponderación cuyos componentes representar el strength de la respuesta global de las neuronas voxel a estímulos presentados en diferentes lugares del campo visual. Las ecuaciones lineales resultantes pueden ser resueltos por el vector de pesos PRF usando cresta de regresión 3, produciendo la topografía PRF. Un modelo PRF que se adapta a la topografía estimado se puede escoger post-hoc, lo que mejora las estimaciones de los parámetros PRF como la ubicación PRF-centro, orientación PRF, tamaño, etc. Tener la topografía PRF disponible también permite la verificación visual de las estimaciones de parámetros PRF que permiten la extracción de varias propiedades PRF sin tener que hacer suposiciones a-priori sobre la estructura de PRF. Este enfoque promete ser particularmente útil para la investigación de la organización PRF de pacientes con trastornos del sistema visual.
Introduction
La resonancia magnética funcional (fMRI) mide de forma no invasiva la organización funcional de la corteza visual en una escala macroscópica (típicamente del orden de milímetros). Los primeros estudios retinotopy fMRI utilizaron una medida de coherencia entre la ubicación de estímulo y provocaron respuestas BOLD 4-7. Estos estudios generalmente no estiman la población tamaño del campo receptivo. Más tarde, Dumoulin y Wandell 1 propone un método para superar esta limitación mediante el modelado explícitamente la ubicación y el tamaño PRF, utilizando una función lineal de este modelo para predecir la respuesta BOLD. Sin embargo, una limitación de este método pionero es que el modelo paramétrico PRF tiene que ser elegido a priori, y puede conducir a la errónea PRF estima si resulta no ser apropiado.
Para superar las limitaciones del método PRF-modelo paramétrico, los nuevos métodos se han desarrollado recientemente. Estos métodos predicen directamente la respuesta BOLD a los stimulus reconstruyendo la topografía PRF. Un método 8 propuesto por Greene y colegas reconstruye la topografía PRF back-proyección de las respuestas BOLD a los espacios de estímulo 1D individuales y la construcción de la topografía PRF en el espacio de estímulo 2D como una técnica típica de tomografía computarizada. Por otro lado, el método 2 propuesto por los Estados Unidos estima directamente la topografía PRF 2D utilizando regresión lineal y la aplicación de una técnica de regularización. En este método, la topografía PRF se representa como un conjunto de pesos que se multiplica por el estímulo para estimar la respuesta de la población neuronal de un voxel dado. Entonces, la respuesta final de oxígeno de la sangre Nivel-dependiente (BOLD) evocado por el estímulo se estima mediante la convolución de la respuesta de la población neuronal y la función de respuesta hemodinámica canónica. Con el fin de resolver el sistema lineal bajo limitados, adicionalmente, la regularización de regresión cresta se utiliza para hacer cumplir poca densidad (véase la Figura 1a continuación). La técnica de regularización suprime el ruido y los artefactos y por lo tanto permite que nuestro método para estimar la topografía PRF con mayor fuerza.
Los métodos topográficos no forzar la forma PRF para tener una forma paramétrica cierto, y por lo tanto se puede descubrir la estructura real PRF. Un modelo paramétrico apropiado puede ser elegido en base a la topografía PRF. Por ejemplo, la topografía PRF se puede utilizar para separar el centro de PRF y envolvente, y luego el modelado centro de PRF posterior puede ser más preciso, reduciendo al mínimo la influencia de supresión de sonido envolvente, así como la influencia de otros artefactos potenciales que surgen en zonas distantes a la centro de PRF. Hemos llevado a cabo recientemente una comparación cuantitativa entre nuestro método y otros métodos que directa (es decir, antes de estimar la topografía) en forma isotrópica Gauss 1, anisotrópico de Gauss, y la diferencia de gaussianas isotrópico a la PRF 9. Se encontró que la Topogrmétodo basado en aphy superó estos métodos con respecto al modelado centro PRF por lograr una mayor varianza de la serie temporal de la señal BOLD explicado.
La estimación exacta de propiedades PRF en diversas áreas revela cómo cubren el campo visual y es importante para la investigación de la organización funcional de la corteza visual en particular en lo que se refiere a la percepción visual. Propiedades tales como el modo en que se han estudiado bien los cambios de tamaño PRF con excentricidad 1,10 y PRF organización envolvente centro de las 9 de la literatura humana. El método propuesto para estimar los resultados de la topografía PRF en el modelado más exacto parámetro PRF y es más probable que revelan regularidades desconocidos, no modela fácilmente a priori en los modelos paramétricos directos. Este enfoque será especialmente adecuado para el estudio de la organización PRF en pacientes con lesiones de la vía visual, para quienes estructura PRF no es necesariamente predecible a priori. A continuación se describe cómo estimar ªe PRF topografía y el uso de la topografía para modelar el centro de PRF.
Protocol
Representative Results
Discussion
En este artículo muestra cómo estimar la topografía de la población campos receptivos visuales en la corteza visual humana y cómo utilizarla para seleccionar un modelo paramétrico apropiado para el campo receptivo. Para una retinotopy éxito, se deben seleccionar un protocolo de estimulación apropiado y un método de análisis eficiente, y los parámetros experimentales del sujeto (movimiento y fijación) deben ser optimizados. Bar estímulos secuencialmente en movimiento a través del campo visual son un paradig…
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).
