皮質後のfMRI視野ローカライザーデータの対応を改善

Scientific Reports volume 12、記事番号: 14310 (2022) この記事を引用

749 アクセス

4 オルトメトリック

メトリクスの詳細

fMRI を使用して視覚システムを研究するには、多くの場合、ローカライザーパラダイムを使用して関心領域 (ROI) を定義する必要があります。しかし、大脳皮質にはかなりの個人差があるため、グループレベルの分析では重大な混乱を引き起こします。皮質ベースのアライメント (CBA) 技術は、個人間の巨視的解剖学的ばらつきを確実に低減します。しかし、網膜局所的に組織化された視覚領域内に視野の特定の部分をマッピングする視野ローカライザーパラダイムについては、その有用性が評価されていません。私たちは、50 人の参加者の各視覚象限の相同部分をマッピングして、注意を強化する視野ローカライザーとして CBA を評価しました。 CBAとボリュームベースのアライメントおよびマクロ解剖学的アライメントを含まない表面ベースの分析を比較しました。 CBA は、アクティベーションの重複の確率を最も大きく増加させました (最大 86%)。グループレベルでは、CBA は垂直 ROI 対称性を維持しながら、ROI サイズを最も一貫して増加させました。全体として、我々の結果は、表面ベースの解析による信号対雑音比の増加に加えて、マクロ解剖学的位置合わせにより統計的検出力が大幅に向上することを示しています。これらの発見は、グループ分析の文脈における視覚系の研究における CBA の有用性を裏付け、拡張します。 CBA は、個人間の巨視的解剖学的変動が異常に増加した精神神経疾患を研究する場合に特に関連性があります。

視覚システムには、ますます特殊化する視覚領域にわたってさまざまな解像度の多数の地形表現が含まれています1。機能的磁気共鳴画像法 (fMRI) は、これらの地形表現を完全にマッピングするため、または地形内で特定の視覚領域や網膜位置を特定するためのさまざまな方法を提供します。これらのアプローチは、視覚系の基本的な特性の詳細な研究1だけでなく、視覚的注意や作業記憶などの高次の認知プロセスに対するこれらの領域の役割を研究するためにも不可欠です2、3、4、5、6。。これは、精神神経疾患における視覚機能障害とその認知的影響のトランスレーショナル研究にも及びます 7,8。

fMRI ベースの視覚マッピングの方法、つまり、特定の機能特性に基づいて視覚系の関心領域を定義する技術は、網膜局所マッピング、視野ローカライザー、および機能ローカライザーパラダイムの 3 つの広いカテゴリに分類されます。網膜部位マッピングとより高度な集団受容野 (pRF) マッピングにより、初期視覚野の完全な描写が可能になります 1,9,10。逆に、視野ローカライザーパラダイムは、網膜局所的に組織化された視覚野内の外接領域をマッピングできます 11,12。最後に、機能的ローカライザーは、紡錘状顔面領域 (FFA)、海馬傍領域 (PPA)、線条体外領域、側方後頭複合体 (LOC) などの高次視覚領域を検出できます。これらはクラスター化されており、特定の領域の処理に特化しています。複雑な視覚情報のカテゴリー1、13、14。ほとんどの fMRI 研究では、サイズと位置の両方に関して皮質領域の高い個人間の解剖学的変動が重要な課題となっています 15,16,17,18,19,20,21,22,23。たとえば、一次視覚野 (V1) のサイズは個人間で約 2 倍異なる可能性があることが示されています 17。さらに、位置に関する解剖学的変動は、線条体外の視覚野で特に顕著であることが示されています24。この重大な交絡により、グループレベルで視覚領域を確実にマッピングする能力が低下します。

この問題を軽減する 1 つの方法は、単一被験者の関心領域 (ROI) をプールし、同時にデカルト座標系の各点におけるその ROI の全体的なグループベースの確率を制約として使用することです 25、26、27。このような単一被験者ベースの分析は、標準的なグループベースのアプローチと比較して感度と機能分解能を向上させますが、実際には巨視的解剖学的ばらつきを軽減するわけではありません。さらに、機能コネクトミクスネットワーク解析などの全脳手法を用いて高次の認知プロセスに直接関与する視覚野と他の皮質領域との間の相互作用を研究することは、単一被験者ベースの戦略を妨げる可能性がある。

通常、グループベースの解析では、Talairach29 空間や MNI30 空間などの共通のデカルト座標系に対する構造および機能イメージングデータの空間正規化が必要です。最も基本的な形式では、ボリュームベースの空間正規化では、脳の全体的な範囲を標準的な脳テンプレートに一致させる線形変換が使用されます。タライラック空間への変換は解剖学的ランドマークに依存しますが、MNI 空間への変換では、完全にデータ駆動型の構造画像の平均的なテンプレート脳への位置合わせを利用します 30。これらの空間正規化アプローチは本質的に脳の整列をもたらしますが、基礎となるアルゴリズムは相同な脳構造を整列させるために特に最適化されていません。逆に、より洗練された方法では、強度の違いによって導かれる非線形ワーピングアルゴリズムを使用して、巨視的解剖学的位置合わせを改善します 31。したがって、これらの方法はすべて、ボリュームベースのアライメント (VBA) 技術として分類できます。ただし、線形 VBA と非線形 VBA はどちらも、大脳皮質のトポロジカルな特性や、溝や脳回などの幾何学的特徴をほとんど無視します。その結果、VBA 手法では、かなりの量の個人間の解剖学的ばらつきが残存することになります 32,33。

表面ベースの手順は、重要な代替アプローチを構成します。表面ベースの空間正規化では、通常、測地座標系が使用されます。これにより、大脳皮質の 2 次元表現が可能になり、従来のデカルト座標系よりもはるかに高い程度で皮質の地形が尊重されます 18,34。このアプローチには、VBA に比べて 2 つの主な利点があります。まず、表面ベースの空間正規化により、データの読み出しや空間平滑化などのデータの前処理を皮質組織に制限することができます。これにより、白質および脳脊髄液による信号の汚染が大幅に減少し、体積空間では近位であるが表面空間ではかなり離れた皮質領域からの汚染もほとんど排除されます。全体として、このアプローチにより信号対雑音比 (SNR) が向上します。したがって、表面空間での空間平滑化は、体積空間での空間平滑化よりも優れています 19,35。表面ベースの空間正規化の 2 番目の利点は、大脳皮質の完全なデータ駆動型のマクロ解剖学的位置合わせを追加するために、個々の皮質の折り畳みパターンを使用できることです 34。 VBA 技術と比較して、これらの皮質ベースのアラインメント (CBA) 方法は、細胞構築の境界を尊重しながら、皮質構造の解剖学的対応を大幅に改善します 36。したがって、CBA は個人間の解剖学的変動の顕著な減少につながります 18,34,37,38,39。

重要なのは、これまでの研究では、基本的に VBA の代用として前者のアプローチを使用して、マクロ解剖学的アライメントの前後で表面ベースのデータのみを比較することが多かった 19,40 。ただし、この比較は CBA の 2 番目の利点、つまり VBA の代わりにマクロ解剖学的位置合わせを使用することのみを反映しています。ただし、この場合、両方のデータセットが信号汚染の減少から同等に恩恵を受けるため、CBA の完全な効果が過小評価されている可能性があります。サーフェスベースの解析のこの最初の利点の影響を単独で評価するには、巨視的解剖学的位置合わせを行わずに VBA とサーフェスベースの解析を比較する必要があります。この中間的なアプローチを「VBA を使用した表面ベースの分析」(SBAV) と呼びます。したがって、CBA の両方の利点を評価するには、VBA、SBAV、および CBA の 3 つのアプローチを比較する必要があります。

上で概説した有利な特性により、CBA メソッドは、特に視覚システム向けの VBA に代わるアプローチとして提案されています 26。いくつかの研究では、特定のビジュアルマッピング手法に対する VBA 手法と CBA 手法の影響を比較しています。網膜局所マッピングでは、CBA 後の V1 と V2 の両方における機能的重複の改善が実証されています 34,41。機能的ローカライザーデータの場合、CBA は被験者全体にわたるオブジェクト処理領域 LOC、FFA、および PPA の重複を大幅に増加させます 19、42、43、44。逆に、特定の網膜位置をマッピングする視野ローカライザーパラダイムに対する CBA の影響は研究されていません。したがって、CBAの有用性は、視覚的マッピング法の3つの主要カテゴリのうちの2つ、すなわち、主に細胞構築特性（V1など）または機能特性（FFAなど）によって定義される領域全体をマッピングする方法で実証されています。逆に、CBA が視野ローカライザーパラダイムによってマッピングされた ROI の位置合わせをどの程度改善できるかは不明のままです。このようなパラダイムは、初期視覚野における単純な視覚刺激の局所処理の詳細な研究に必要です11、12、45、46、47。視野内の正確な関心領域をカバーする点滅するチェッカーボードは、主にこの目的に使用されます。チェッカーボードは、初期視覚野 (V1 ～ V3) で特に強力な BOLD 信号の増加につながります 48。結果として得られるローカライザーマップの忠実度を最大化するために、視野ローカライザーパラダイムは通常、タスクの要求によって引き起こされる注意の変調によって視覚領域全体の応答の信頼性が大幅に向上するという事実を利用します。これは、単純なターゲット検出タスクを追加することで実現できます49。

私たちは、高次の認知プロセスの研究に適した ROI を定義することを目的として、このような注意強化型視野ローカライザーパラダイムを使用して、初期視覚領域全体の各視覚象限の外接位置をマッピングしました。我々は、ターゲット脳として動的グループ平均を使用する CBA 法を選択しました19。したがって、皮質折り畳みパターンが偶然グループ平均から大幅に逸脱している可能性がある個々の脳に基づいた静的 CBA ターゲットの交絡の可能性を排除しました。

私たちの主な目標は、視野ローカライザーパラダイムに対する CBA の効果を調べることでした。より具体的には、我々は、マクロ解剖学的位置合わせが、グループレベルでそのようなパラダイムによって輪郭を描かれる網膜局所的に組織化された視覚野内のサブ領域のマッピングの信頼性を向上させるかどうかを判断することを目的とした。この目的を達成するために、単一被験者の完全な ROI の分析に加えて、単一被験者の ROI ピーク頂点、つまり各視覚象限の各被験者で最も強い活性化レベルを示す単一頂点の対応も調べました。ピーク頂点は ROI の中心の適切な近似値であり、マクロ解剖学的位置合わせの影響をより正確に評価および視覚化できるため、この分析を実行しました。他のローカライザーパラダイムクラスに関する以前の発見と、後後頭葉皮質における比較的良好な構造と機能の対応に基づいて、完全なROIとピーク頂点の両方について初期視覚野内のサブ領域を位置合わせする場合、SBAVと比較してCBAの利点が観察されると期待しました。

私たちの 2 番目の目標は、SBAV の効果を調べることでした。より具体的には、マクロ解剖学的位置合わせを行わずに、表面ベースの機能データの読み取りと前処理の影響を評価することを目的としました。ここでは、VBA と比較して SBAV の SNR が全体的に向上し、それに対応してすべての視覚象限のグループ ROI サイズが全体的に増加すると予想しました。特に、いくつかの研究は、相同な初期視覚野の視覚四分円または半視野による受容野サイズなどの異なる応答特性を示しています。たとえば、以前の研究では、下部視覚半野における行動パフォーマンスの向上とBOLD信号の振幅の増加が報告されています50、51、52、53。したがって、私たちは、CBA後のグループ分析で上部視覚半野と下部視覚半野の間の違いを観察できるかどうかにも興味がありました。

全体として、この研究の目的は、視覚系の研究における CBA の評価における重要なギャップを埋めることでした。視野ローカライザーは、高次の認知プロセスに対する視覚系の寄与を調査するために重要であるため、私たちの結果は、基礎神経科学研究とトランスレーショナル神経科学研究の両方における視覚認知の研究に影響を与えるはずです。

4 つの視覚象限のグループレベルのマッピングにより、3 つの位置合わせ技術 (VBA、SBAV、CBA) の顕著な違いが明らかになりました (図 1、表 1、2)。右下の視覚象限では、ROI サイズは VBA から SBAV に大幅に増加しましたが、CBA では減少しました (表 2)。左下の視覚象限では、ROI サイズは VBA から SBAV にわずかに減少しましたが、CBA では大幅に増加しました。左上の視覚象限では、ROI サイズは VBA から SBAV に大幅に増加し、CBA ではさらに増加しました。右上の視覚象限では、ROI サイズは VBA から SBAV までわずかに増加し、CBA では大幅に増加しました。したがって、4 つの視覚象限 ROI のうち 2 つで、クラスターサイズが継続的に増加するパターンが示され、位置合わせ技術全体での大幅な位置選択性の拡大を反映しています。さらに、左下の視覚象限の ROI サイズは VBA から SBAV に比べてわずかに減少しましたが、CBA の ROI サイズも断然最大でした。さらに、CBA 後の右下視覚象限では ROI サイズが減少しましたが、SBAV では、この ROI は、側頭皮質の後部をも含む、どのアライメント技術の ROI よりもはるかに大きな範囲を示しました。

視覚象限のグループ分析。 (a) VBA の結果。マップと平均タイムコースはボリューム空間で計算されました。地図は、位置合わせされていない平均的な表面表現に投影されました。 (b) SBAV の結果。地図と平均時間経過は表面空間で計算されました。地図は位置合わせされていない表面表現に投影されました。 (c) CBA の結果。地図と平均時間経過は表面空間で計算されました。地図は整列した平均的な表面表現に投影されました。全体として、4 つの視覚象限 ROI のうち 2 つでクラスターサイズが継続的に増加するパターンが示され、これは位置合わせ技術全体での重要な位置選択性の範囲の増加を反映しています。さらに、左下の視覚象限の ROI サイズは VBA から SBAV に比べてわずかに減少しましたが、CBA の ROI サイズも断然最大でした。右下の視覚象限の ROI のみが、CBA 後にクラスターサイズの減少を示しました。平均時間経過 (平均の標準誤差を含む) は、対象の位置については強い BOLD 信号の増加が見られ、他の 3 つの位置については BOLD 信号の増加が見られないという明らかな位置選択性を示しました。 ROI/グラフの色: 水色 = 右下 (LR) 視覚四分円、オレンジ = 左下 (LL) 視覚四分円、赤 = 左上 (UL) 視覚四分円、紺色 = 右上 (UR) 視覚四分円。

グループ ROI 内では、平均時間経過は明確な位置選択性を示し、線形混合モデルの否定的な結果が示すように、アライメント技術によるさらなる影響は受けませんでした (表 3)。特に、非対称指数（AI）は、SBAV と比較して、VBA および CBA の上半視野 ROI と下半視野 ROI の両方の垂直方向の対称性が著しく大きいことを明らかにしました（表 4）。 CBA 後、下部視覚半視野の ROI サイズは上部視覚半視野よりもかなり大きくなりました (表 1)。

3 つのデータセットすべてについて、以前のグループ分析で定義したように、活性化重複の最大確率は一貫して各 ROI の中心に位置していました (図 1、表 1、5)。 VBA データの場合、確率マップ (PM) は、コア ROI の周囲で機能活性化が比較的広範囲に広がっていることを示しました (図 2a、表 5)。アクティベーションの重複の最大確率は 55% でした。 SBAV データの場合、PM はコア ROI の周囲でさらに広い範囲の機能活性化を示しました (図 2b、表 5)。活性化重複の最大確率は 66% でした。 CBAデータの場合、PMはコアROIの周囲の機能活性化の広がりの顕著な減少を示し、それに対応してコアROIの中心での重複の最大確率が増加しました（図2c、表5）。活性化重複の最大確率は 86% でした。

確率マップ (PM)。活性化の確率を示す PM は、各視覚象限の被験者間で重複します。グレーから白のカラーコードは、単一被験者マップの活性化の重複の確率を示し、活性化の重複の確率が最小 10% で閾値化されています。単一被験者マップは、p < 0.05 (未補正) で閾値処理されました。また、クラスターレベルのしきい値として 100 頂点を適用しました。 (a) VBA の PM は、最大 55% のアクティブ化重複の最大確率を示しました。 (b) SBAV の PM は、最大 66% の活性化重複の最大確率を示しました。 (c) CBA の PM は、最大 86% の活性化重複の最大確率を示しました。

確率差分マップ (PDM) は、マクロ解剖学的アライメントアプローチの個々の方法論的要素の異なる影響を明らかにしました。

標準的なボリュームベースのアライメントと比較して、純粋な表面ベースの機能データの読み出しと前処理の場合、対応する PDM (SBAV マイナス VBA) は、中心 ROI の周囲で活性化オーバーラップの確率が最大 30% 増加することを示しました。逆に、中央グループ ROI に対応する位置では、活性化重複の確率が最大 19% 減少することがほとんど観察されました (図 3a、表 6)。注目すべきことに、変化は広範囲に及んでおり、一部は後側頭葉皮質および頭頂葉皮質にまで及んでいた。巨視的解剖学的アライメントを追加した場合、対応する PDM (CBA マイナス SBAV) は、中央 ROI で 44% という活性化重複の確率の最大増加を示しました (図 3b、表 6)。逆に、より多くの末梢後頭領域では、活性化の重複の確率が最大 32% 減少しました。全体として、SBAV から VBA を除いた比較に比べて、変更の範囲はかなり広範ではありませんでした。両方の方法論的要素の相加的影響について、対応する PDM (CBA マイナス VBA) は、中央 ROI で 52% という活性化重複の確率の最大増加を示しました (図 3c、表 6)。逆に、より末梢の後頭部領域、ならびに後側頭葉および頭頂皮質では、活性化の重複の確率が最大 36% 減少しました。全体として、これらの効果の空間的広がりは、他の 2 つの比較の空間的広がりの間に収まりました。

確率差マップ (PDM)。 PDM は、各視覚象限に対する全体的なマクロ解剖学的位置合わせアプローチの個々のステップの異なる影響を示します。 PDM は、単一主題マップから派生した PM を使用して生成されました。 PM にはしきい値がありませんでした。カラーコードは活性化の重複の違いを示します。カラーコードの茶色から白は、より高度な調整方法の機能活性化の重複の度合いが高いことを示します。カラーコードの青から緑は、あまり高度ではない調整方法での機能活性化の重複の度合いが高いことを示します。 PDM は、最小確率差 5% で閾値処理されました。 (a) 標準的なボリュームベースのアライメント (SBAV マイナス VBA) と比較した、表面ベースの機能データの読み出しと前処理の影響は、広範囲にわたる活性化によって特徴付けられ、活性化の重複の確率が周囲で最大 30% 増加しました。中心 ROI が減少し、中心 ROI に対応する位置での活性化オーバーラップの確率が最大 19 % 減少します。 (b) マクロ解剖学的アライメント (CBA マイナス SBAV) の追加の影響はそれほど広範囲ではありませんでしたが、中心 ROI の位置での活性化重複の確率が最大 44% 増加し、活性化重複の確率が減少することを特徴としていました。中心 ROI 付近では最大 32%。 (c) 両方の方法論要素 (CBA から VBA を引いたもの) の相加的影響は、中心 ROI の位置での活性化重複の確率が最大 52% 増加し、活性化重複の確率が最大 52% 減少することによって特徴付けられました。中央 ROI 付近では 36%。

被験者間の ROI の検出成功率は次のとおりでした。右下の視覚象限 98% (被験者 50 人中 49 人)、左下の視覚象限 94% (被験者 50 人中 47 人)、左上の視覚象限 98% (被験者 49 人) 50 人の被験者のうち 45 人）、右上の視覚象限 90% (50 人の被験者のうち 45 人)。グループレベルのPM、単一被験者レベルのピーク頂点分布マップ（図4）をミラーリングすると、SBAVと比較してCBAの空間変動が減少していることが示されました。さらに、CBA では、SBAV と比較して、各視覚象限の頂点ごとに重複する単一被験者の ROI ピーク頂点の数が増加していることが観察されました (表 7)。

SBAV および CBA データセットの単一被験者のピーク頂点分布マップ。 SBAV および CBA データの表面空間内の各視覚象限の単一被験者のピーク頂点をマッピングしました。次に、単一被験者のピーク頂点の頂点ごとの数を計算しました。カラーコードは、頂点ごとに重複する単一サブジェクトのピーク頂点の数を示します。マクロ解剖学的アライメント (CBA) 後、頂点ごとに重複する単一被験者の ROI ピーク頂点の数が増加することが観察されました。巨視的解剖学的位置合わせ (SBAV および CBA) の前後における各視覚象限の後頭頂点あたりの単一被験者のピーク頂点の数は 1 ～ 5 の範囲でした。したがって、数値が大きいほど、単一被験者の ROI ピーク頂点の位置合わせ精度が向上していることを示します。 LR 右下視覚四分円、LL 左下視覚四分円、UL 左上視覚四分円、UR 右上視覚四分円。

私たちの研究の目的は、網膜局所的に組織化された視覚領域内の外接領域をマッピングするために使用される注意強化視野ローカライザーパラダイムに対する CBA の有用性を評価することでした。私たちのパラダイムは、初期視覚野全体にわたって各視覚象限の相同領域を確実にマッピングしました。予想通り、CBA はマクロ解剖学的変動を顕著に減少させ、機能レベルで多くの有益な効果をもたらしました。これは明らかに SBAV で観察された効果を上回っていました。 VBA および SBAV と比較して、CBA は視覚象限全体にわたるグループ ROI 分析において最も一貫した改善をもたらしました (図 1)。

SBAV では、VBA と比較して、4 つの視覚象限のうち 3 つでグループ ROI サイズの増加が観察されました (図 1、表 1、2)。 CBA では、VBA と比較して、4 つの視覚象限すべてでグループ ROI サイズの増加が観察されました。 CBA では、SBAV と比較して、4 つの視覚象限のうち 3 つでグループ ROI サイズの増加が観察されました。

これらの結果は、CBA が位置選択性を示す初期視覚野のサブ領域を検出する能力が向上していることを示しています。逆に、線形混合モデル分析では、アライメント技術全体で、対応する視覚象限 ROI 内の位置選択性の増加は観察されませんでした (表 3)。しかし、CBA は、ROI サイズの増加と、垂直方向だけでなく水平方向の対称性の維持の両方につながる唯一のアプローチでした (表 4)。

PM によって反映される 3 つの調整技術にわたる活性化の重複確率の変化に関しては、明確なパターンが現れました。アクティベーションの重複の確率はステップごとに徐々に増加し、CBA の最大値は 86% に達しました。 SBAV の場合、影響は弱く、かなり広範囲に及んでおり、主に脳の末梢領域に影響を及ぼしました。同様に、CBA と SBAV の比較では、PDM は、グループ ROI に対応する中心位置で活性化重複の確率が最大 44% 増加することを示しました。これにより、かなり集中した活性化パターンが得られましたが、反対の効果がより周辺の頂点で現れました (図 3)。これは、初期視覚野の周辺における空間的重なりの減少に起因するものではない可能性が最も高いです。むしろ、これは、CBA が、VBA 後のマクロ解剖学的対応の悪さと SBAV による一般的な SNR の増加に起因する偽の拡散活性化を一貫して低減していることを示しています。また、VBA と SBAV が初期視覚野の位置と範囲を誤って表現している可能性があることも示唆しています。この概念は、SBAV と CBA の間のグループ ROI の重心の変化によって裏付けられます。これは、左下の視覚象限で特に顕著でした (表 1)。まとめると、これらの発見は、グループレベルで初期視覚領域を研究する場合、CBA が統計的検出力を大幅に向上させることを示しています。当然のことながら、CBA のこの効果は、接続性分析など、よりグローバルに焦点を当てた研究にも及ぶはずです 35,54。

さらに、CBA の特有の利点は、SBAV と比較して、視覚象限ごとの単一被験者の ROI ピーク頂点位置の変動が顕著に減少していることから明らかでした (図 4、表 7)。これは、グループレベルの結果が改善された主な理由として、CBA によって達成された巨視的解剖学的および機能的な被験者間の変動の減少を示しています。私たちの調査結果は、機能データを体積空間から表面空間に変換すると、非神経組織からの信号の混入が減少することですでに統計検出力が向上し、SNR が向上することを裏付けています。したがって、SBAV を VBA のプロキシとして使用すると、CBA の実際の利点が過小評価されることになります。我々の調査結果は、CBA アプローチのみが SNR の改善と巨視的解剖学的変動の低減の両方から恩恵を受けることを示しています。したがって、我々のデータは、評価された方法の中で、CBA が視覚系の研究に最も有利な位置合わせ技術であるという概念を裏付けています。このような解釈は、初期視覚野に特徴的なグループ ROI の垂直方向の対称性を保存できたのは SBAV ではなく CBA だけだったという事実によっても裏付けられており、これは VBA ではすでに明らかでした (表 4)。この不一致は、SBAV によって引き起こされる非特異的な SNR の増加に起因する可能性が最も高く、本質的に貧弱な巨視的解剖学的配置と組み合わせると、すべての視覚象限の機能的重複が一貫して改善されません。

VBA の場合、左右の下部視覚象限で最大のグループ ROI が観察されましたが、この効果は SBAV および CBA 後に変化しました (図 1a、表 1)。 SBAVの場合、左上および右下の視覚象限で最大のグループROIが観察されましたが、これはCBA後に持続しませんでした（図1b、c、表1）。注目すべきことに、いくつかの研究では、初期視覚野における神経生理学的パラメーターに対する水平効果が報告されています55,56。我々の観察は、これらの発見が、真の機能的差異ではなく、マクロ解剖学的変動における左右差によって少なくとも部分的に説明できるのではないかという疑問を提起する。

逆に、CBA を利用したグループ分析により、より公平な方法で各視覚象限の応答特性を比較することができました。私たちは、下部視覚半視野のより大きなグループ ROI を観察しました。被験者の 50% 以上で定義できるすべての領域を含む CBA ベースの視覚系の確率アトラスでは、背側 V1 および V2 の確率 ROI も腹側 V1 および V2 の確率 ROI よりも著しく大きかったのに対し、 V343 では効果があまり明確ではありませんでした。これらの結果は我々自身の発見と一致しており、上部視覚半野を表す腹側後頭皮質におけるCBA後のより高い残存解剖学的変動に起因する可能性がある。あるいは、それらは、受容野のサイズや全体の領域のサイズなどの応答特性の実際の違いによるものである可能性があります。後者の解釈は、すでに網膜レベルで受容体密度の違いの形で上部視覚半野と下部視覚半野の間の機能的差異を示す研究によって支持されている 57,58。錐体密度は、下部視野からの情報を処理する網膜の上部でより高かった。逆に、下部部分ではより高いロッド密度が観察されました。さらに、Eickhoff et al. V2 と V357 の受容体密度の背腹非対称性と、V2 と V3 の腹側部分の GABA-A およびムスカリン性 M3 受容体の密度が高いことを報告しました。さらに、pRF マッピングとは受容野の形状に基本的な違いがあるという証拠があります 59。マッピングされた領域のアスペクト比とサイズの両方を推定すると、視覚野の背側部分によって表される下部視覚半野と比較して、視覚野の腹側部分によって表される上部視覚半野では、より楕円形の受容野の形状が観察されました。さらに、形状識別において下部視覚半野における行動上の利点、およびより高い BOLD 信号変化と MEG/EEG 応答のピーク振幅の証拠があります 50,52,53,60,61。これらの発見を総合すると、それぞれ上部視覚半野と下部視覚半野を表す初期視覚野の機能的構造に明らかな違いがあることが実証されています。これは、後頭葉の背側部分によって表される下部視覚半野が背側視覚路とより密接に関連しているのに対し、後頭葉の腹側部分によって表される上部視覚半野は腹側視覚路とより密接に関連しているという事実に起因すると考えられています。視覚経路62,63。さらに、pRF マッピングとは受容野の形状に基本的な違いがあるという証拠があります 59。ここで、視覚野の腹側部分によって表される上部視覚半野では、視覚野の背側部分によって表される下部視覚半野と比較して、受容野のサイズの増加とより楕円形の形状が観察されました。これは、下部視野が空間の正確な位置特定と表現に特化していることを意味します。下方視覚半視野におけるより大きなＲＯＩの我々の観察は、これらの発見と一致している。したがって、我々の結果は、CBAが初期視覚野における機能的および行動的非対称性の研究をグループレベルに拡張するのに適したツールであることを示唆しています。

現在の研究の重要な制限の 1 つは、時間の制約により相補的な網膜マッピングデータが欠如していることです。このデータにより、初期の視覚領域の境界を描写し、個々の単一被験者の ROI を含む正確な視覚領域を正確に特定できるようになったでしょう。網膜局所マッピング研究は、視覚ローカライザーによって引き起こされる単一の被験者のピーク活性化が、一貫して同じ視覚領域に位置しないことを示しています。ほとんどのローカライザーパラダイムは、V1 ではなく V2 または V312 でピーク活性化を示します。したがって、単一被験者のピーク活性化が一貫して同じ視覚皮質領域に属していない可能性が非常に高くなります。現在のデータセットでは、個々の視覚野がどの程度正確に CBA と一致しているか、また視覚皮質階層の個々のレベルが異なった影響を受けたかどうかを判断することはできません。ただし、踵骨溝に隣接し、後頭極にまたがるグループ ROI の位置は、それらが主に V2 と V3 で構成されていることを示しています。同様に、CBA後、後頭皮質の同じ部分での重複の確率の同等の増加が観察されました。これは少なくとも、視覚領域全体にわたる CBA の比較的一貫した利点を示唆していますが、この問題をより明確に解決するには、網膜局所マッピングを含むより詳細な研究が必要です。

さらに、十分な注視を確保するためにアイトラッキングは使用しませんでした。また、継続的な注視をさらに促進する注視十字を中心とした追加の注意制御タスクも含めませんでした。この省略は、精神科患者集団にとって適切な難易度を維持するために意図的に行われました。 4 つの視覚象限すべてにわたって、初期視覚野で信頼できる活性化を見つける平均成功率は 95 (90 ～ 98)% でした。不十分な固定は、少数の被験者で信頼できる活性化を見つけることができなかった部分的に説明できるかもしれません。

最後に、VBA データセットのいくつかのプロパティは、SBAV および CBA データセットとは異なります。採用されている 3 次元空間平滑化アルゴリズムと 2 次元空間平滑化アルゴリズムの間には固有の違いがあるため、ボリュームベースとサーフェスベースの前処理パラメータを完全に一致させることはできませんでした。重要なのは、機能データを含むボクセルと頂点の数が同一ではなく、グループ結果のボンフェローニ補正に異なる影響を与えたことです。 VBA データセットの分析スペースが小さい (SBAV および CBA データセットのサイズの 69%) ため、対応する VBA のボンフェローニ補正の最終統計しきい値はそれほど厳密ではありません。 VBA データセットに対するこの偏りのため、SBAV および CBA データセットに含まれる追加の処理ステップの有益な効果は過小評価されるべきです。この一次仮説を確認するための不利な統計的閾値にもかかわらず、CBA の利点を実証できたという事実は、このアライメント技術の優位性を強調しています。

私たちの研究は、健康な集団の視覚系をマッピングする以上の意味も持っています。視覚処理障害は、ADHD、統合失調症、自閉症スペクトラム障害などの神経発達性精神障害の顕著な特徴であり、次のような重要な高次の認知プロセスを混乱させる可能性もあります7,8,64,65,66,67,68,69,70,71。ワーキングメモリ72、73、74。現在のローカライザーパラダイムは、視覚情報処理の局所的な障害や、初期視覚野と高次の認知プロセスをサポートする脳ネットワークの間の相互作用の障害を調査するのに役立ちます。ここで、CBA は、真のグループ差異と真の機能的差異を測定するために、統合失調症などの疾患における巨視的解剖学的差異の増加による交絡効果を軽減するのに特に関連します 37,75。一方で、CBAは、巨視的解剖学的多様性の増加自体の神経発達の基盤を調査するためにも重要である可能性があります。この目的を達成するには、遺伝子発現プロファイル 76 および細胞および受容体の構造 77,78 に関する情報を含む確率的アトラスを含めることが価値があるでしょう。

私たちの CBA アプローチは、皮質湾曲情報のみに依存して巨視的解剖学的変動を軽減しました。この方法の主な利点の 1 つは、十分な品質と解像度の構造的脳スキャンのみが必要なため、大部分の fMRI データセットに対して実現可能であることです。同等の手法の中で、CBA は最もデータ主導型で客観的なアプローチです。しかし、巨視的解剖学的変動の達成可能な低減は、脳の構造と脳の機能の間の可変かつ不完全な相関によって制限されます 34,39。その結果、より高度な方法では、機能活性化または接続パターンを使用して脳全体にわたる巨視的解剖学的配置を改善するなど、解剖学的変動をさらに低減するために直交機能データをさらに利用します20,79,80。さらに、相対的なミエリン含有量や機能的静止状態ネットワークのマップなど、皮質の折り畳みパターンよりも皮質領域に密接に関連付けられた「領域特徴」を使用して皮質データを位置合わせする、より複雑なアプローチが提案されています81。これらの方法は、視覚機能ローカライザーを含むさまざまなパラダイムに対して、巨視的解剖学的変動性の適切な追加の低減を提供することが示されています。今後の研究では、網膜マッピングと視野ローカライザーについてもこれらの方法を評価する必要があります。さらに、初期の聴覚野については、細胞構築的に定義された領域の確率的アトラスの追加使用により、標準的な CBA の結果がさらに向上することが実証されています 82。原理的には、このようなアプローチは視覚システムでは容易に実現可能です。

要約すると、グループレベルでの視野ローカライザーデータの分析において、VBAと比較したCBAの明らかな利点が実証されました。これは、初期視覚野全体にわたる被験者間の空間変動の大幅な減少によって示されます。私たちの発見は、視覚的マッピング技術の他の主要なカテゴリーを評価した以前の CBA 研究を拡張します。これらは、fMRI 研究の大部分で VBA 法の使用によって生じる情報と統計的検出力の損失を強調しています。したがって、CBA および同等の方法は、精神神経疾患における視覚情報処理とその障害を詳細に研究するための標準手順として真剣に考慮されるべきです。

すべての参加者は、ゲーテ大学医学部の倫理審査委員会によって承認された研究プロトコールに従って、研究に参加することについて書面によるインフォームドコンセントを与えた。我々は、承認されたガイドラインとヘルシンキ宣言に従ってすべての実験手順を実施しました。個人は参加に対して報酬を受け取りました。年齢が 18 歳から 43 歳（平均 = 24 歳）の 51 人の健康なボランティア（女性：男性 = 28:23）を募集しました。参加者は全員非喫煙者で、神経疾患や精神疾患の病歴がなく、視力が正常または正常に矯正されたと報告しました。参加者の 1 名は、ドイツ版エディンバラ利き手調査によると左利きでした 83。

被験者は、高次認知機能における視覚野の役割を調査する大規模研究の一環として、プレゼンテーション（神経行動システム、バージョン18.0）を使用して実装された注意強化型視野ローカライザーパラダイム（図5a）を実行しました。このタスクは、一連の点滅する白黒の丸い形の市松模様の刺激で構成されていました (点滅周波数 = 7.5 Hz)。チェッカーボード刺激は、4 つの異なる場所の 1 つで 2000 ミリ秒間ランダムに出現しました (標準試験)。各位置は、4 つの視覚象限の 1 つにおける相同位置をマッピングしました。通常の試行間間隔 (ITI) は 0 ミリ秒でした。ただし、10〜14回の試行ごとに1回（全体で11回）、ITIは2000ミリ秒に増加しました（長期ITI）（図5b）。私たちのパラダイムは、単純なターゲット検出タスクを特徴としていました。 36 回のトライアル中に、チェッカーボードの中央に位置する 2 つの正方形の色が 133 ミリ秒間黄色に変わりました (ターゲットトライアル)。参加者はターゲットを検出したら、できるだけ早く左手の親指で応答ボックスのボタンを押す必要がありました。パラダイムは合計 144 件のトライアルで構成され、36 件のターゲットトライアル、108 件の標準トライアルが 4 つの場所に均等に分散されました (図 5b)。この 25% のターゲット確率により、平均して 4 回の試行ごとに 1 つのターゲット試行が発生しました (範囲 3 ～ 5 試行) (図 5b)。タスク全体を通じて、黒い X 字型の固定十字が画面の中央に表示されました。参加者は、固定十字を継続的に固定するように指示されました。最初の試行の前に、固定十字のみが 10 秒間表示されました。最後の試行の後、固視十字のみが 20 秒間表示されました。パラダイムの合計継続時間は 340 秒でした (図 5b)。分析の目的のために、4 つの刺激位置ごとに 1 つずつ、合計 4 つの条件を定義しました。各参加者は測定前にタスクを練習しました。

視野ローカライザーのパラダイム。 (a) このパラダイムは、参加者の視覚象限の相同位置にランダムに表示される、ちらつきのある白黒のチェッカーボードで構成されていました。トライアルの 25% では、中央に位置する 2 つの四角形の色が 133 ミリ秒間黄色に変わりました。参加者はそれに気づいたら応答ボックスのボタンを押す必要がありました。参加者は、画面の中央に表示される黒い X 字型の注視十字を継続的に注視するように指示されました。チェッカーボードは 2000 ミリ秒間表示されました。通常の試行間間隔 (ITI) は 0 ミリ秒でした。 (b) 10 ～ 14 回のトライアルごとに、ITI は 2000 ミリ秒まで延長されました。このタスクは 144 のトライアル (25% のターゲットトライアル) で構成されました。その前後に 10 秒間の固定十字の提示が行われました。

ゲーテ大学脳画像センターにある Siemens 3T MAGNETOM Trio スキャナで、グラジエントエコー 2D EPI シーケンス (32 軸方向スライス、TR = 2000 ms、TE = 30 ms、FA = 90°、FoV = 192) を使用して機能的 MRI データを取得しました。 × 192 mm2、ボクセルサイズ = 3 × 3 × 3 mm3、ギャップ = 1 mm、有効スライス厚 = 4 mm)。スライスを前交連と後交連に平行に配置しました。機能画像は、170 ボリュームの取得を含む 1 回の実行で取得されました。各機能実行の直前に、EPI 歪み補正のための位相エンコード方向の切り替え (前から後ではなく後から前) を除き、同じパラメータでこの 2D EPI シーケンスの 6 ボリュームが取得されました。皮質の再構築および機能的 MRI データとの位置合わせのための解剖学的 MRI データは、磁化準備型急速勾配エコー (MP-RAGE) シーケンスを使用した高解像度の T1 強調 3D ボリュームで取得されました (192 矢状スライス、TR = 1900 ミリ秒) 、TE = 3.04 ミリ秒、TI 900 ミリ秒、FA = 9°、FoV = 256 × 256 mm2、ボクセルサイズ = 1 × 1 × 1 mm3)。刺激の提示は常に fMRI シーケンスと同期していました。頭の動きは枕によって最小限に抑えられました。タスクはビーマーによってヘッドコイルに取り付けられたミラーに投影されました。 MRI データは、BrainVoyager 20.684、NeuroElf Matlab ツールボックス (www.neuroelf.net)、および Matlab で作成されたカスタムソフトウェアを使用して前処理および分析されました。スキャン内の動きが過剰であるため、1 人の被験者を除外する必要がありました。

構造データの前処理には、画像強度の不均一性を最小限に抑えるための背景のクリーニング、脳の抽出、およびバイアスフィールドの補正が含まれていました84。バイアスフィールド補正では、特異値分解ベースの最小二乗低次（ルジャンドル）多項式を使用した「表面フィッティング」アプローチを採用し、3D 画像空間全体の低周波変動をモデル化しました85。 3次の多項式を使用し、これを白質に属するものとしてラベル付けされたボクセルのサブセットに適合させました。多項式の推定パラメータを使用してバイアスフィールドが構築され、データから削除されました。私たちのアプローチは、自動白質ラベリング86を使用した 1 回の反復と、手動白質ラベリングを使用した 4 回の反復で構成されていました。

続いて、構造データがタライラッハ座標空間に変換されました29。これには、前交連（AC）と後交連（PC）、および大脳の境界の手動によるラベル付けが含まれていました。次に、これらのランドマークを使用して、AC-PC 平面内で各脳を回転させ、続いて区分的線形変換を行って各脳を共通のタライラック「比例グリッド」システムに適合させました。タライラック座標空間への変換が実行されたのは、その後の自動セグメンテーション手順では、皮質下構造の除去や皮質半球の切断など、初期の脳セグメンテーションに解剖学的知識が活用されるためです 87。この手順のためのデータを準備するために、側脳室の手動充填を実行しました。白色灰白質境界に沿った構造スキャンの自動セグメンテーション87に基づいて、皮質半球は折り畳まれたトポロジカルに正しいメッシュ表現に再構築され、これをテッセレーションして表面再構成を生成し、個々の皮質折り畳みパターンを反映する曲率マップを計算しました。その後、表面の再構成は歪みが補正された球面表現に変形されました。最後に、折り畳まれたメッシュ表現と球状メッシュ表現の両方が標準の頂点数 (半球あたり 40,962 頂点、平均頂点距離: 1.5 mm) までダウンサンプリングされました。これらの標準化されたメッシュ表現をすべてのサーフェスベースの処理ステップに使用しました。

次に、50 人の参加者全員の個々の曲率マップに基づいて、各半球ごとに個別に高解像度のマルチスケール皮質ベースのアライメント手順を適用しました。この CBA アプローチは、対象者全体で対応する脳回と脳溝を確実に位置合わせする 84 もので、最初の剛体位置合わせステップとその後の非剛体位置合わせステップ 19 で構成されます (図 6a、b)。最初のステップでは、各球の皮質折り畳みパターンが、グローバル回転によって単一のターゲット球の皮質折り畳みパターンに厳密に位置合わせされます。リジッド CBA は、最も顕著な解剖学的ランドマークのみを含む高度に平滑化された曲率マップ上でのみ動作します。個々の球の曲率とターゲット球の間の重複度が最も高い回転パラメータを、後続の非剛体 CBA の開始点として使用しました。

完全にデータ駆動型の CBA アプローチ。 CBA は、単一のターゲット脳に対する厳密なアラインメントと、反復的に更新されるグループ平均脳に対する非線形アラインメントで構成されていました。 (a) 最終 CBA の不偏平均ターゲット脳を生成するためだけに初期 CBA を実行しました。最初の厳格な CBA には、すべての参加者の中からランダムに選択された脳を使用しました。 (b) 最終的な CBA では、固定 CBA の最初の CBA 中に作成された不偏の平均ターゲット脳を使用しました。 (c) 各半球の巨視的解剖学的位置合わせの前後で平均的な表面表現を生成し、その後、これを統合、膨張させて、適切なデータセットの分析と視覚化に使用しました。上の行は、CBA を適用する前のグループ平均の球面、折り畳まれた、および膨張したメッシュ表現を示しています。下の行は、CBA を適用した後のグループ平均の球面、折り畳まれた、および膨張したメッシュ表現を示しています。

ノンリジッド CBA では、粗いものから細かいものへのマッチング戦略が採用されており、リジッド CBA 中に使用される詳細レベルから開始して 4 つのレベルの曲率平滑化で順次動作します。後続の各レベルには、ほぼ完全な曲率情報に至るまで、ますます詳細な解剖学的詳細が含まれます。重要なのは、非剛体 CBA は、反復モーフィングを通じて各皮質折り畳みパターンを動的に更新されるグループ平均に合わせることです。特定のアライメント段階で全半球の平均曲率からターゲット曲率マップを生成するこの移動ターゲットアプローチは、折り畳みパターンがコホート平均から大幅に逸脱する可能性がある、個々のターゲット脳の次善の選択によって起こり得る交絡効果を回避します。

特に、厳格な CBA は通常、完全なコホートからランダムに抽出された単一の脳をターゲット脳として利用します。ただし、この脳の折り畳みパターンは、コホート平均から大きく逸脱している可能性もあります。この潜在的な混乱にも対処するために、我々は最初に、剛体および非剛体の両方の巨視的解剖学的配置を含む予備的なCBAを実施した（図6a）。次に、2 回目の最終 CBA を実施しました。ここでは、予備的な CBA から得られた整列された平均脳を、厳格な整列ステップの公平なターゲットとして使用しました (図 6b)。最後の非剛体 CBA の後、個々の脳の両半球を統合して、グローバルな表面ベースの分析空間を作成しました。

さらに、各半球について、元の位置合わせされていない折り畳まれたメッシュ表現から平均的な表面表現を作成し、その後、これをマージし、膨張させて、データ分析と視覚化に使用しました。最終的な剛体および非剛体CBAの変換行列を折り畳まれたメッシュ表現に適用した後、これらのステップを繰り返し、マクロ解剖学的位置合わせの構造効果の正確な表現を生成しました（図6c）。

T1 平衡化を可能にするために、各機能実行の最初の 4 容量を廃棄しました。機能的 MRI データの最初のボリュームベースの前処理には、sinc 補間を使用したスライスタイミング補正と sinc 補間を使用した 3D 動き補正が含まれていました。次に、Opposite Phase Encoding 法に基づく補正を使用して、エコープラナーイメージング歪み補正を実行しました88,89。 EPI 歪み補正された機能データは、変換されていない抽出された脳に同時登録されました。これは、表面ベースの分析用に最適化された境界ベースの位置合わせアルゴリズムを利用して達成されました90。完全にクリーン化された未変換の構造データへの相互登録後、sinc 補間を使用した構造データのタライラック変換中に生成された変換行列を適用することにより、機能データがタライラック座標空間に変換されました。この変換により、機能データの元のボクセルサイズ (3 × 3 × 3 mm3) が保存されました (図 7)。

一連の機能データの前処理、構造データと機能データの再登録、および空間変換操作を使用して、研究で使用した 3 つの機能データセット (VBA、SBAV、および CBA) を生成しました。 VBA の場合、スライススキャン時間補正、3D 動き補正、エコープラナーイメージング歪み補正、3D 空間スムージング、時間的ハイパスフィルターによる線形トレンド除去など、すべてのデータ前処理操作をボリューム空間で実行しました。最後に、機能データが構造データに同時登録され、タライラック空間に変換されました。 SBAV と CBA については、ボリューム空間でのエコープラナー画像歪み補正に至るまでのすべてのデータ前処理操作を実行しました。ここでは、機能データの構造データへの同時登録とタライラック空間への変換に続いて、表面空間への変換が行われました。次に、表面空間で時間ハイパスフィルターを使用して 2D 空間スムージングと線形トレンド除去を実行しました。 CBA のみについては、その後、マクロ解剖学的位置合わせを適用しました。

次に、体積関数データは、三重線形補間を使用して頂点法線に沿った - 1 ～ + 3 mm のデータを組み込んだ個々の皮質表面再構成でサンプリングすることにより、表面空間に変換されました。その後の表面空間での fMRI データの前処理は、最近傍補間 (1 回の反復) を使用した空間平滑化から始まりました。標準化された頂点距離 1.5 mm に基づいて、これは、半値全幅 (FWHM) が 3 mm の 2D ガウススムージングカーネルに近似します。視野ローカライザーの精度の損失を防ぐために、最小限の空間スムージングを選択しました。空間平滑化の後に、線形トレンド除去と高速フーリエ変換 (ハイパス 0.00903 Hz) を使用した時間ハイパスフィルター処理が続きました。折り畳まれたトポロジー的に正しい表面再構成から球面表現への頂点間の参照に基づいて、完全に前処理された機能データを共通の球面座標系にマッピングしました (図 7)。最後に、分析に皮質頂点のみを含む表面ベースの解剖学的マスクを機能データに適用しました。これらのマスクは、表面再構成の正中線にマッピングされた皮質下構造、つまり視床と大脳基底核の一部を除外しました。機能データ分析とそれに続く表面空間でのボンフェローニ補正では、合計 76,132 個の頂点が得られました。

VBA と SBAV を比較するための純粋なボリュームデータセットを生成するために、EPI 歪み補正後の前処理も、サーフェスベースの前処理について上で概説したステップとパラメータを可能な限り忠実に反映したボリューム空間で実行されました。まず、表面ベースの空間スムージングの程度に近似する、FWHM 3 mm の 3D ガウススムージングカーネルを使用して空間スムージングを適用しました。次に、表面ベースの前処理と正確に一致するパラメータを使用して、高速フーリエ変換 (ハイパス 0.00903 Hz) を使用して、線形トレンド除去と時間ハイパスフィルター処理を適用しました (図 7)。このデータセットは表面空間に変換されておらず、解剖学的マスクも含まれていません。機能データ分析とその後のボリューム空間でのボンフェローニ補正では、合計 52,504 ボクセルが得られました。したがって、VBA の解析空間は、SBAV および CBA の解析空間の 69% のサイズでした (52,504 ボクセル対 76,132 頂点)。この違いにより、SBAV および CBA (p = 0.00000066) と比較して、VBA のボンフェローニ補正統計閾値 (p = 0.00000095) が緩くなります。注目すべきことに、グループレベルで VBA と比較した CBA の仮説上の優位性を確認することが困難になったにもかかわらず、この差を修正しませんでした。

全体として、3 つの異なる機能データセットを生成しました。1 つは完全に前処理され、ボリュームスペース (VBA) で調整されたボリュームベースのデータセットです。表面ベースのデータセット。最終の前処理ステップである空間スムージングと時間フィルタリングは、表面空間での変換後にのみ適用されますが、マクロ解剖学的位置合わせ (SBAV) は行われません。もう 1 つは表面ベースのデータセットで、SBAV データセットとまったく同じ方法で前処理され、マクロ解剖学的アライメント (CBA) も利用されました (図 7)。したがって、これらのデータセットの一次解析は、それぞれ体積空間 (VBA) と表面空間 (SBAV、CBA) で実行されました。これら 3 つのデータセット間の計画された直接比較により、マクロ解剖学的位置合わせアプローチのさまざまなステップの効果を評価することができました。 VBA データセットと SBAV データセットを比較して、マクロ解剖学的アライメントを一定に保ちながら、表面ベースの前処理の影響を個別に評価しました。前処理パラメーターを一定に保ちながら、マクロ解剖学的アライメントの影響を個別に評価するために、SBAV データセットと CBA データセットを比較しました。最後に、VBA データセットと CBA データセットを比較して、サーフェスベースの前処理とマクロ解剖学的位置合わせの両方の複合的な影響を評価しました。

BOLD 信号の多重線形回帰を使用して、複数の被験者の統計分析を実行しました。単一の位置における各チェッカーボード刺激シーケンスの提示は、合成 2 ガンマ関数と畳み込まれた各試行のボリュームをカバーする理想的なボックスカー関数によってモデル化されました。これらの予測子は、実験の計画マトリックスを構築するために使用されました。個々の統計マップは、各ボクセルを特定の予測子のセットに対応するベータ値に関連付けることによって生成され、一般線形モデルの最小二乗平均解に基づいて計算されました。結果として得られた個々の統計マップは、要約統計アプローチを使用して、第 2 レベルの変量効果グループ分析に入力されました。

グループレベルでの 4 つの視覚象限のマッピングに焦点を当てた分析を実行しました。各視覚象限のグループレベルの ROI を定義するために、他の 3 つの象限に対する各象限の個別の重み付きコントラストを計算しました。関心のある位置に 3 の重みを割り当てます。たとえば、(βQuad_1 × 3)/(βQuad_2 + βQuad_3 + βQuad_4) (p < 0.05、Bonferroni 補正)。これにより、重要な位置選択性を示す脳領域を検出することができました。得られたグループレベルの ROI ごとに、4 つの条件すべてについて平均時間経過 (平均の標準誤差を含む) を抽出しました。この分析は 3 つのデータセット (VBA、SBAV、CBA) すべてに対して実行されました。 VBA データセットの場合、機能データの元の解像度 (ボクセルサイズ: 3 × 3 × 3 mm3) を使用して、この解析を完全にボリューム空間で計算しました。図6cの上段に示すように、結果のマップを位置合わせされていない平均表面表現、つまりCBA前の膨張メッシュ表現に投影しました。この目的を達成するために、体積機能マップは、三線形補間を使用して、グループ平均表面脳の頂点法線に沿って - 1 ～ + 3 mm のデータを組み込んだ平均皮質表面でサンプリングすることにより、表面空間に変換されました。

この変換により、SBAV および CBA の結果と同等の VBA 結果の視覚化と定量化を達成することを目的としました。 3 つのデータセットをすべて比較できるようにするために、体積関数マップのこの変換は、前処理中に SBAV および CBA データセットに対して行われた関数データの表面空間への変換を厳密に反映しました。したがって、頂点の数に基づいて、表面空間内のすべてのデータセットのすべての ROI のクラスターサイズを評価することができました。また、表面空間に変換する前に、VBA 結果のボクセル数も抽出しました。ただし、このパラメーターは他のデータセットとの比較には適しておらず、調査結果の包括的なレポートを確実にするためにのみ含まれています。

3 つのデータセット間で位置選択性が異なるかどうかを判断するために 2 つのアプローチを使用しました。まず、有意な位置選択性を示す初期視覚野の範囲の違いを評価するために、関心のある各位置の ROI サイズ、つまり頂点の数を比較しました。データセット全体で。この目的を達成するために、次の式を使用して、位置合わせ方法間でグループ ROI サイズの定量的変化を比較しました: {(size_ROIQuad[AMm] − size_ROIQuad[AMn])/size_ROIQuad[AMn]} × 100。ここで、Quad は、対象の視覚的象限にインデックスを付けます。 (LR、LL、UL、UR)。 AM はアライメント方法 (VBA、SBAV、CBA) を指します。下付き文字 n と m は AM を指定します。m はそれほど高度ではない AM を指し、n は比較的高度な AM を指します。したがって、正の値は、より高度な位置合わせ方法による ROI サイズの増加、つまり位置選択性の増加を示します。次に、各視覚象限の ROI 内の位置選択性の強さがアライメント技術全体で変化するかどうかをテストするために、R (バージョン R 4.1.2) を使用して、視覚象限ごとにランダムな切片を持つ個別の線形混合モデルを実行しました。各 ROI 内の位置選択性の程度を計算するために、各視覚象限 (「対象位置」) の単一被験者の t 値を、他の 3 つの視覚象限の単一被験者の t 値と対比しました。たとえば、(tQuad_1 × 3)/(tQuad_2 + tQuad_3 + tQuad_4)、位置合わせ方法ごとに個別に計算します。各被験者のこれらのコントラストの結果を従属変数として使用し、アライメント方法 (VBA、SBAV、および CBA) を独立変数として使用しました。多重比較を補正するために、ボンフェローニ補正を使用して p 値を調整しました。したがって、線形混合モデルにおける顕著な効果は、特定の視覚象限の位置合わせ方法全体にわたる位置選択性の関連する変化を示していると考えられます。

最後に、グループレベルの ROI の水平および垂直対称性に対する 3 つの位置合わせアプローチの影響を評価するために、次の式を使用して ROI サイズ、つまり ROI の各ペア間の頂点の数に基づいて確立された非対称指数 (AI)91 を計算しました。次の式: (|sizeROI_1 – sizeROI_2|/sizeROI_1 + sizeROI_2) × 100。垂直 AI を計算するために、垂直軸で向かい合う ROI の頂点の数を比較しました。したがって、垂直 AI については、左右の視覚象限を比較しました。水平 AI を計算するために、水平軸で向かい合う ROI の頂点の数を比較しました。したがって、水平 AI については、上部視覚象限と下部視覚象限を比較しました。

機能活性化の変動性と巨視的解剖学的アライメントによって誘発される可能性のある変化を定量化して視覚化するために、PM の使用が提案されています。 PM は、不一致、つまり、特定の (視覚的) 領域の位置に関する個人間の差異を評価するのに特に役立ちます 92,93。位置選択的活性化パターンの空間的一貫性を定量化するために、3 つのデータセット (VBA、SBAV、CBA) すべての視覚象限ごとに PM を生成しました。これらのマップは、単一被験者の分析で重要な課題関連活動を示した被験者の相対数を表しています。この目的を達成するために、グループ分析で使用したのと同じ加重コントラストに基づいて単一被験者の t マップを生成しましたが、より緩やかな統計的しきい値 (p < 0.05 未補正) に設定しました。 PM は、特定の頂点における個々の t マップでしきい値を超える活性化を示した被験者の数を数え、この値を被験者の総数で割って、結果に 100 を乗算することによって計算されました。VBA データセットの場合、次のように計算しました。これらすべてのステップは体積空間で行われ、体積グループマップについて上で概説したのと同じパラメーターを使用して、最終的な PM を表面空間に変換します。最後に、アクティブ化重複の確率が少なくとも 10% になるようにすべての PM をしきい値に設定しました。また、主要な関心領域、つまり視覚的な象限に焦点を当てるために、クラスターレベルのしきい値 100 頂点を適用しました。さらに、各視覚象限および分析方法について、活性化オーバーラップの確率 10% のしきい値を超える、対応する確率マップ内の頂点の数を数えました。私たちの目標は、各分析方法が活性化の重複の確率に関連する影響を及ぼした初期視覚野の範囲を定量化して比較することでした。

さらに、さまざまなアライメント方法に起因する位置選択的活性化パターンの空間的一貫性の変化を定量化することも目的としました。この目的を達成するために、元のしきい値なしの PM を使用して、最小確率差 5% でしきい値を設定して、各視覚象限の PDM を計算しました。結果として得られる 3 つの PDM は、全体的なアプローチのさまざまな側面を捉えています。つまり、ボリュームベースのアライメント (SBAV マイナス VBA) と比較した表面ベースの機能データの読み出しと前処理の影響、マクロ解剖学的アライメント (CBA マイナス SBAV) の適用による追加の影響、および両方の方法の相加的な影響 (CBA から VBA を引いたもの)。さらに、各視覚象限の活性化オーバーラップの確率の差のプラス 5 またはマイナス 5 % のしきい値を超える、対応する PDM 内の頂点の数を数えました。私たちの目的は、解析手法の比較のために、活性化の重複確率の違いが観察された初期視覚野の範囲を定量化して比較することでした。

単一被験者レベルの分析では、まず、グループ分析で使用したのと同じ加重コントラストを使用して、マクロ解剖学的アライメントの前後、つまり SBAV と CBA に対して各被験者の ROI を独立して定義しました。より緩やかな統計的しきい値を適用しました (p < 0.05 未補正)。次に、SBAV と CBA について、各被験者の 4 つの視覚象限 ROI のピーク頂点、つまり t 値が最も高い頂点を決定しました。各視覚象限の単一被験者の ROI ピーク頂点の重なりに対する巨視的解剖学的位置合わせの影響を具体的に評価するために、SBAV および CBA の視覚象限ごとにすべてのピーク頂点をマッピングしました。正確に重なり合う単一被験者のピーク頂点の数の変化を定量化するために、後頭頂点ごとに SBAV と CBA のピーク頂点の数を数えました。我々は、PM 分析および PDM 分析に加えてこの分析を実行し、単一被験者の ROI の空間的対応に対する巨視的解剖学的位置合わせの影響をより直接的に評価および視覚化しました。我々は、単一被験者の ROI ピーク頂点の重なりに対する CBA データセットに導入された巨視的解剖学的位置合わせの影響を単独で研究することに特に興味を持っていたため、この特定の分析を SBAV と CBA の間の比較に限定しました。 VBA と SBAV には両方とも巨視的解剖学的位置合わせが含まれていませんでしたが、両方のデータセットは他の多くの前処理ステップで異なっていたため、この特定の問題を研究するには SBAV と CBA を直接比較するのが最も適切です。

この研究の結果を裏付けるデータは、合理的な要求に応じて責任著者である RAB から入手できます。

Wandell, BA、Dumoulin, SO、Brewer, AA 人間の皮質における視野マップ。ニューロン 56、366 ～ 383。 https://doi.org/10.1016/j.neuron.2007.10.012 (2007)。

論文 CAS PubMed Google Scholar

Corbetta, M. & Shulman, GL 脳における目標志向型および刺激主導型の注意の制御。ナット。神経科学牧師。 3、201–215。 https://doi.org/10.1038/nrn755 (2002)。

論文 CAS PubMed Google Scholar

Das, M.、Bennett, DM & Dutton, GN 重要な視覚機能としての視覚注意: 視覚注意障害の症状、診断、管理の概要。 Br. Ｊ．Ｏｐｈｔｈａｌｍｏｌ． 91、1556 ～ 1560 年。 https://doi.org/10.1136/bjo.2006.104844 (2007)。

記事 PubMed PubMed Central Google Scholar

de Haan, B.、Bither, M.、Brauer, A. & Karnath, HO 複数のターゲット環境における空間的注意とターゲット検出の神経相関。セレブ。コーテックス 25、2321 ～ 2331。 https://doi.org/10.1093/cercor/bhu046 (2015)。

論文 PubMed Google Scholar

Goodale, M. & Milner, D. 1 つの脳、2 つの視覚システム。 Psychologist 19、660–663 (2006)。

Google スカラー

Bergmann, J.、Genç, E.、Kohler, A.、Singer, W. & Pearson, J. 一次視覚野の神経解剖学は視覚的な作業記憶を制限します。セレブ。皮質 26、43 ～ 50。 https://doi.org/10.1093/cercor/bhu168 (2014)。

論文 PubMed Google Scholar

リー、J.ら。 fMRI は、統合失調症と双極性障害における物体に対する異常な神経適応の証拠です。ハム。脳マップ。 40、1608 ～ 1617 年。 https://doi.org/10.1002/hbm.24472 (2019)。

論文 PubMed Google Scholar

シルバースタイン、SMら。統合失調症における視覚統合のfMRI検査。Ｊ．Ｉｎｔｅｇｒａｔｅ．神経科学。 8、175–202。 https://doi.org/10.1142/s0219635209002113 (2009)。

論文 PubMed Google Scholar

Dumoulin, SO & Wandell, BA 人間の視覚野における人口受容野推定値。ニューロイメージ 39、647–660。 https://doi.org/10.1016/j.neuroimage.2007.09.034 (2008)。

論文 PubMed Google Scholar

ミシガン州セレーノら。機能的磁気共鳴画像法によって明らかになった人間の複数の視覚野の境界。サイエンス (ニューヨーク州ニューヨーク) 268、889–893。 https://doi.org/10.1126/science.7754376 (1995)。

記事 ADS CAS Google Scholar

Harrison, SA & Tong, F. デコーディングにより、初期視覚野の視覚作業記憶の内容が明らかになります。自然 458、632–635。 https://doi.org/10.1038/nature07832 (2009)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Peters, B.、Kaiser, J.、Rahm, B. & Bledowski, C. 人間の視覚野と頭頂葉の活動は、作業記憶におけるオブジェクトベースの注意を明らかにします。 J. Neurosci. 35、3360–3369。 https://doi.org/10.1523/jneurosci.3795-14.2015 (2015)。

論文 CAS PubMed PubMed Central Google Scholar

Downing、PE、Chan、AW、Peelen、MV、Dodds、CM & Kanwisher、N. 視覚野におけるドメイン特異性。セレブ。コルテックス 16、1453 ～ 1461 年。 https://doi.org/10.1093/cercor/bhj086 (2006)。

論文 CAS PubMed Google Scholar

Kanwisher, N.、McDermott, J. & Chun, MM 紡錘形顔領域: 顔の知覚に特化した人間の線条体外皮質のモジュール。 J. Neurosci. 17、4302–4311。 https://doi.org/10.1523/jneurosci.17-11-04302.1997 (1997)。

論文 CAS PubMed PubMed Central Google Scholar

Brett, M.、Johnsrude, IS & Owen, AM 人間の脳における機能の局在化の問題。ナット。神経科学牧師。 3、243–249。 https://doi.org/10.1038/nrn756 (2002)。

論文 CAS PubMed Google Scholar

Desai, R.、Liebenthal, E.、Possing, ET、Waldron, E. & Binder, JR 聴覚皮質活性化の局在化のための体積測定と表面ベースの位置合わせ。ニューロイメージ 26、1019–1029。 https://doi.org/10.1016/j.neuroimage.2005.03.024 (2005)。

論文 PubMed Google Scholar

ドハティ、RF 他。人間の視覚野における視覚野 V1/2/3 の視野表現と位置。 J.Vis. 3、586–598。 https://doi.org/10.1167/3.10.1 (2003)。

論文 PubMed Google Scholar

Fischl, B.、ミシガン州セレーノ、AM デイル皮質表面ベースの分析。 II: インフレーション、平坦化、およびサーフェスベースの座標系。ニューロイメージ 9、195–207。 https://doi.org/10.1006/nimg.1998.0396 (1999)。

論文 CAS PubMed Google Scholar

フロストとゲーベル。構造と機能の対応の測定: マクロ解剖学的位置合わせ後の特殊な脳領域の空間的変動。ニューロイメージ 59、1369 ～ 1381 年。 https://doi.org/10.1016/j.neuroimage.2011.08.035 (2012)。

論文 PubMed Google Scholar

フロストとゲーベル。機能に基づいた皮質ベースのアライメント: 皮質全体のマクロ解剖学的および ROI ベースの機能アライメントのための統合アプローチ。ニューロイメージ 83、1002–1010。 https://doi.org/10.1016/j.neuroimage.2013.07.056 (2013)。

論文 PubMed Google Scholar

Steinmetz, H.、Fürst, G. & Freund, HJ 定位比例座標内のペリシルビウスおよびカルカリンの解剖学的ランドマークのバリエーション。午前。 J. Neuroradiol. 11、1123–1130 (1990)。

CAS PubMed PubMed Central Google Scholar

ヴァン・エッセンDC 他大脳皮質の表面ベースの分析のための統合ソフトウェアスイート。混雑する。医学。知らせる。准教授 8、443–459。 https://doi.org/10.1136/jamia.2001.0080443 (2001)。

論文 ADS PubMed PubMed Central Google Scholar

Zilles、K.ら。人間の大脳皮質における溝の定量的分析: 発達、地域的異質性、性差、非対称性、被験者間の変動性および皮質構造。ハム。脳マップ。 5、218–221。 https://doi.org/10.1002/(SICI)1097-0193(1997)5:4%3c218::AID-HBM2%3e3.0.CO;2-6 (1997)。

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0193%281997%295%3A4%3C218%3A%3AAID-HBM2%3E3.0.CO%3B2-6" aria-label="Article reference 23" data-doi="10.1002/(SICI)1097-0193(1997)5:43.0.CO;2-6">論文 CAS PubMed Google Scholar

Bridge, H. 視覚脳のマッピング: その方法と理由。 Eye (Lond) 25、291–296。 https://doi.org/10.1038/eye.2010.166 (2011)。

記事 CAS Google Scholar

Fedorenko, E.、Hsieh, PJ、Nieto-Castañón, A.、Whitfield-Gabrieli, S. & Kanwisher, N. 言語の fMRI 研究のための新しい方法: 個々の被験者で機能的に ROI を定義。 J. Neurophysiol. 改訂 104 、1177 ～ 1194 年。 https://doi.org/10.1152/jn.00032.2010 (2010)。

記事 PubMed PubMed Central Google Scholar

Julian, JB、Fedorenko, E.、Webster, J.、Kanwisher, N. 腹側視覚経路の関心領域を機能的に定義するためのアルゴリズム手法。ニューロイメージ 60、2357–2364。 https://doi.org/10.1016/j.neuroimage.2012.02.055 (2012)。

論文 CAS PubMed Google Scholar

Nieto-Castañón, A. & Fedorenko, E. 被験者固有の機能ローカライザーにより、複数被験者分析の感度と機能解像度が向上します。ニューロイメージ 63、1646 ～ 1669 年。 https://doi.org/10.1016/j.neuroimage.2012.06.065 (2012)。

論文 PubMed Google Scholar

スミス、SMら。静止状態の fMRI からの機能的コネクトミクス。トレンド認知度科学。 17、666–682。 https://doi.org/10.1016/j.tics.2013.09.016 (2013)。

記事 PubMed PubMed Central Google Scholar

Talairach, J. & Tournoux, P. 人間の脳の同一平面上定位アトラス: 3 次元比例システム: 脳イメージングへのアプローチ (Thieme、1988)。

Google スカラー

エバンス、AC et al. 305 の MRI ボリュームからの 3D 統計的神経解剖学的モデル。 1993 年の IEEE 会議記録、核科学シンポジウムおよび医用画像会議、1813 ～ 1817 巻、1813 (1993)。

クライン、Ａ．ら。体積ベースおよび表面ベースの脳画像登録方法の評価。ニューロイメージ 51、214–220。 https://doi.org/10.1016/j.neuroimage.2010.01.091 (2010)。

論文 PubMed Google Scholar

ゴーシュ、SS 他 4 ～ 11 歳の小児の発達認知神経科学研究における体積ベースおよび表面ベースの脳画像登録の妥当性を評価します。ニューロイメージ 53、85–93。 https://doi.org/10.1016/j.neuroimage.2010.05.075 (2010)。

論文 PubMed Google Scholar

Nieto-Castanon, A.、Ghosh, SS、JA トゥールヴィル、FH ギュンター関心領域に基づく機能画像データの分析。ニューロイメージ 19、1303–1316。 https://doi.org/10.1016/s1053-8119(03)00188-5 (2003)。

論文 PubMed Google Scholar

Fischl, B.、Sereno, MI、Tootell, RB & Dale, AM 高解像度の被験者間平均化と皮質表面の座標系。ハム。脳マップ。 8、272–284。 https://doi.org/10.1002/(sici)1097-0193(1999)8:4%3c272::aid-hbm10%3e3.0.co;2-4 (1999)。

3.0.co;2-4" data-track-action="article reference" href="https://doi.org/10.1002%2F%28sici%291097-0193%281999%298%3A4%3C272%3A%3Aaid-hbm10%3E3.0.co%3B2-4" aria-label="Article reference 34" data-doi="10.1002/(sici)1097-0193(1999)8:43.0.co;2-4">論文 CAS PubMed PubMed Central Google Scholar

Brodoehl, S.、Gaser, C.、Dahnke, R.、Witte, OW & Klingner, CM 表面ベースの分析により、皮質活性化パターンと接続結果の特異性が向上します。科学。議員 10、5737。https://doi.org/10.1038/s41598-020-62832-z (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

フィッシュル、B.ら。皮質の折り畳みパターンと細胞構造の予測。セレブ。コーテックス 18、1973 ～ 1980 年。 https://doi.org/10.1093/cercor/bhm225 (2008)。

論文 PubMed Google Scholar

Anticevic、A. et al. 統合失調症患者の機能的神経画像データの表面ベースの分析とボリュームベースの分析の比較。ニューロイメージ 41、835–848。 https://doi.org/10.1016/j.neuroimage.2008.02.052 (2008)。

論文 PubMed Google Scholar

Pantazis、D. et al. 皮質表面登録のためのランドマークベースの方法と自動方法の比較。ニューロイメージ 49、2479–2493。 https://doi.org/10.1016/j.neuroimage.2009.09.027 (2010)。

論文 PubMed Google Scholar

ワシントンDCのヴァン・エッセンとハワイ州ドゥルーリー表面ベースのアトラスを使用した人間の大脳皮質の構造および機能分析。 J. Neurosci. 17、7079–7102。 https://doi.org/10.1523/jneurosci.17-18-07079.1997 (1997)。

記事 PubMed PubMed Central Google Scholar

Frost, MA、Esposito, F. & Goebel, R. マクロ解剖学的な位置合わせ後の静止状態ネットワークの対応を改善。ハム。脳マップ。 35、673–682。 https://doi.org/10.1002/hbm.22191 (2014)。

論文 PubMed Google Scholar

Hinds、OP et al. 表面座標系の皮質ひだから V1 の位置を正確に予測します。ニューロイメージ 39、1585 ～ 1599 年。 https://doi.org/10.1016/j.neuroimage.2007.10.033 (2008)。

論文 PubMed Google Scholar

Weiner, KS et al. 皮質ベースのアライメントと交差検証を使用して、海馬傍の場所領域の最も可能性の高い位置を定義します。ニューロイメージ 170、373–384。 https://doi.org/10.1016/j.neuroimage.2017.04.040 (2018)。

論文 PubMed Google Scholar

Rosenke, M.、van Hoof, R.、van den Hurk, J.、Grill-Spector, K. & Goebel, R. 人間の後頭側頭視覚野の確率的機能アトラス。セレブ。 Cortex https://doi.org/10.1093/cercor/bhaa246 (2020)。

記事 PubMed PubMed Central Google Scholar

Huang, T.、Chen, X.、Jiang, J.、Zhen, Z. & Liu, J. 大規模な機能ローカライザーデータから構築された人間の動作複合体の確率的アトラス。ハム。脳マップ。 40、3475–3487。 https://doi.org/10.1002/hbm.24610 (2019)。

記事 PubMed PubMed Central Google Scholar

Di Russo, F.、Martínez, A. & Hillyard, SA 視空間的注意中のイベント関連の皮質活動のソース分析。セレブ。皮質 13、486 ～ 499。 https://doi.org/10.1093/cercor/13.5.486 (2003)。

論文 PubMed Google Scholar

Di Russo, F.、Martínez, A.、Sereno, MI、Pitzalis, S. & Hillyard, SA 視覚誘発電位の初期成分の皮質源。ハム。脳マップ。 15、95–111。 https://doi.org/10.1002/hbm.10010 (2002)。

論文 PubMed Google Scholar

Shigihara, Y.、Hoshi, H. & Zeki, S. 市松模様の刺激によって生じる初期の視覚皮質反応。ニューロイメージ https://doi.org/10.1016/j.neuroimage.2016.03.078 (2016)。

論文 PubMed Google Scholar

クラフト、A.ら。 fMRI ローカライザー技術: 人間の視覚野における単一網膜位置の効率的な取得と機能特性。ニューロイメージ 28、453–463。 https://doi.org/10.1016/j.neuroimage.2005.05.050 (2005)。

論文 PubMed Google Scholar

Bressler、DW & Silver、MA 空間的注意により、後頭葉と頭頂葉の fMRI 網膜マッピング信号の信頼性が向上します。ニューロイメージ 53、526–533。 https://doi.org/10.1016/j.neuroimage.2010.06.063 (2010)。

論文 PubMed Google Scholar

Anderson, J.、Cameron, E.、Levine, M. 視野の不均一性を定量化する方法。ヴィス。解像度 105、25。https://doi.org/10.1016/j.visres.2014.09.010 (2014)。

記事 Google Scholar

Liu, T.、Heeger, DJ & Carrasco, M. 視覚的な垂直子午線非対称性の神経相関。 J.Vis. 6、1294–1306。 https://doi.org/10.1167/6.11.12 (2006)。

論文 PubMed Google Scholar

オコネル、C.ら。拡散尖度 MRI と機能的 MRI による人間の脳における視野の非対称性の構造的および機能的相関。 NeuroReport 27、1225–1231。 https://doi.org/10.1097/wnr.0000000000000682 (2016)。

記事 PubMed PubMed Central Google Scholar

Rubin, N.、nakayama, K. & Shapley, R. 視覚半野の下部と上部の錯覚輪郭の知覚が強化されます。サイエンス 271、651–653。 https://doi.org/10.1126/science.271.5249.651 (1996)。

論文 ADS CAS PubMed Google Scholar

Bullmore, E. & Sporns, O. 複雑な脳ネットワーク: 構造および機能システムのグラフ理論分析。ナット。神経科学牧師。 10、186–198。 https://doi.org/10.1038/nrn2575 (2009)。

論文 CAS PubMed Google Scholar

Chen, H.、Yao, D. & Liu, Z. fMRI BOLD 応答の分析による空間視野の非対称性に関する研究。ブレイントポグル。 17、39–46。 https://doi.org/10.1023/b:brat.0000047335.00110.6a (2004)。

論文 PubMed Google Scholar

Loughnane, GM、Shanley, JP、Lalor, EC & O'Connell, RG 上部視野と下部視野における反対側の視空間非対称性の行動学的および電気生理学的証拠。皮質 63、220–231。 https://doi.org/10.1016/j.cortex.2014.09.003 (2015)。

論文 PubMed Google Scholar

Eickhoff, SB、Rottschy, C.、Kujovic, M.、Palomero-Gallagher, N. & Zilles, K. 受容体マッピングによって明らかにされた人間の視覚野の組織原理。セレブ。コーテックス 18、2637 ～ 2645。 https://doi.org/10.1093/cercor/bhn024 (2008)。

記事 PubMed PubMed Central Google Scholar

カリフォルニア州クルシオ & カリフォルニア州アレン人間の網膜の神経節細胞のトポグラフィー。 J.コンプ。ニューロール。 300、5-25。 https://doi.org/10.1002/cne.903000103 (1990)。

論文 CAS PubMed Google Scholar

Silson、EH、Reynolds、RC、Kravitz、DJ & Baker、CI 腹側および背側の初期視覚野における視覚空間の差分サンプリング。 J. Neurosci. 38、2294–2303。 https://doi.org/10.1523/jneurosci.2717-17.2018 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

ハグラー、DJ Jr. 視覚誘発反応における視野の非対称性。 J.Vis. 14、13。 https://doi.org/10.1167/14.14.13 (2014)。

記事 PubMed PubMed Central Google Scholar

Schmidtmann, G.、Logan, AJ、Kennedy, GJ、Gordon, GE & Loffler, G. 物体の形状に対する明確な下方視野の好み。 J.Vis. 15、18。 https://doi.org/10.1167/15.5.18 (2015)。

論文 PubMed Google Scholar

Thomas、NA & Elias、LJ 知覚の非対称性における上部視野と下部視野の違い。脳解像度 1387、108–115。 https://doi.org/10.1016/j.brainres.2011.02.063 (2011)。

論文 CAS PubMed Google Scholar

Zito, GA、Cazzoli, D.、Müri, RM、Mosimann, UP & Nef, T. 形状と運動の知覚における上部視覚半野と下部視覚半野における行動の違い。フロント。振る舞い。神経科学。 10、128–128。 https://doi.org/10.3389/fnbeh.2016.00128 (2016)。

記事 PubMed PubMed Central Google Scholar

Bakroon, A. & Lakshminarayanan, V. 自閉症スペクトラム障害における視覚機能: 批判的なレビュー。クリン。経験値オプトム。 99、297–308。 https://doi.org/10.1111/cxo.12383 (2016)。

論文 PubMed Google Scholar

バトラーPDほか統合失調症における初期段階の視覚処理の機能不全。午前。 J.精神医学 158、1126–1133。 https://doi.org/10.1176/appi.ajp.158.7.1126 (2001)。

論文 CAS PubMed Google Scholar

Butler, PD、Silverstein, SM & Dakin, SC 統合失調症における視覚知覚とその障害。バイオル。精神医学 64、40–47。 https://doi.org/10.1016/j.biopsych.2008.03.023 (2008)。

記事 PubMed PubMed Central Google Scholar

チェン、CY 他注意欠陥多動性障害を持つ子供の視覚空間注意。チャングンメッド。 J. 25, 514–521 (2002)。

PubMed Google Scholar

ヘイル、TS 他。 ADHD における視覚ネットワークの非対称性とデフォルトモードネットワーク機能: fMRI 研究。フロント。精神医学 5、81。https://doi.org/10.3389/fpsyt.2014.00081 (2014)。

記事 PubMed PubMed Central Google Scholar

サンス＝セルベラ、P.、牧師＝セレズエラ、G.、ゴンザレス＝サラ、F.、タラガ＝ミンゲス、R.、フェルナンデス＝アンドレス、M.-I。自閉症スペクトラム障害および/または注意欠陥多動性障害を持つ子供の家庭および教室における感覚処理。フロント。サイコル。 8、1772–1772。 https://doi.org/10.3389/fpsyg.2017.01772 (2017)。

記事 PubMed PubMed Central Google Scholar

Seymour, RA、Rippon, G.、Gooding-Williams, G.、Schoffelen, JM & Kessler, K. 自閉症スペクトラム障害における視覚系の振動結合性の調節不全。ブレイン 142、3294–3305。 https://doi.org/10.1093/brain/awz214 (2019)。

記事 PubMed PubMed Central Google Scholar

清水、バーモント州、ブエノ、OF、ミランダ、MC ADHD を持つ子供の感覚処理能力。ブラズ。Ｊ．Ｐｈｙｓ．それで。 18、343–352。 https://doi.org/10.1590/bjpt-rbf.2014.0043 (2014)。

記事 PubMed PubMed Central Google Scholar

ビットナー、RA 他。若年性統合失調症における作業記憶機能障害がいつ、どこで発生するか - 機能的磁気共鳴画像研究。セレブ。コーテックス 25、2494 ～ 2506。 https://doi.org/10.1093/cercor/bhu050 (2015)。

論文 PubMed Google Scholar

Butler, PD、Thompson, JL、Seitz, AR、Deveau, J. & Silverstein, SM 統合失調症患者の視覚的知覚矯正: 理論的根拠、方法、および 3 つのケーススタディ。精神科医。リハビリ。 J. 40、43–52。 https://doi.org/10.1037/prj0000212 (2017)。

論文 PubMed Google Scholar

ヘンシェル、C.ら。統合失調症の青年における作業記憶機能障害に対する初期段階の視覚処理障害の寄与: 事象関連電位と機能的磁気共鳴画像法を用いた研究。アーチ。 Gen. Psychiatry 64、1229–1240。 https://doi.org/10.1001/archpsyc.64.11.1229 (2007)。

論文 PubMed Google Scholar

Manoach, DS 統合失調症における作業記憶遂行中の前頭前野の機能不全: 矛盾する所見の調整。統合失調症。解像度 60、285–298。 https://doi.org/10.1016/s0920-9964(02)00294-3 (2003)。

論文 PubMed Google Scholar

French, L. & Paus, T. Allen Human Brain Atlas から生成された皮質トランスクリプトームの FreeSurfer ビュー。フロント。神経科学。 https://doi.org/10.3389/fnins.2015.00323 (2015)。

記事 PubMed PubMed Central Google Scholar

ガルバン、O.F.ら。個人間の位置合わせのための新しい方法を使用して、聴覚皮質の確率論的な細胞構築アトラスを改善します。イーライフ 9、e56963。 https://doi.org/10.7554/eLife.56963 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Hawrylycz、MJ et al. 成人の脳トランスクリプトームの解剖学的に包括的なアトラス。自然 489、391–399。 https://doi.org/10.1038/nature11405 (2012)。

論文 ADS CAS PubMed PubMed Central Google Scholar

サブンク、MR 他人間の皮質解剖学的構造の機能ベースの被験者間の調整。セレブ。コーテックス 20、130 ～ 140。 https://doi.org/10.1093/cercor/bhp085 (2009)。

論文 PubMed Central Google Scholar

Conroy、BR、Singer、BD、Guntupalli、JS、Ramadge、PJ & Haxby、JV 機能的接続を使用した人間の皮質解剖学の被験者間の位置合わせ。ニューロイメージ 81、400–411。 https://doi.org/10.1016/j.neuroimage.2013.05.009 (2013)。

論文 PubMed Google Scholar

グラッサー、MF 他。人間の大脳皮質のマルチモーダルな区画。自然 536、171–178。 https://doi.org/10.1038/nature18933 (2016)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ガルバン、O.F.ら。個人間の位置合わせのための新しい方法を使用して、聴覚皮質の確率論的な細胞構築アトラスを改善します。 Elife 9、25。https://doi.org/10.7554/eLife.56963 (2020)。

記事 Google Scholar

オールドフィールド、RC 利き手の評価と分析: エジンバラの目録。神経心理学 9、97–113。 https://doi.org/10.1016/0028-3932(71)90067-4 (1971)。

論文 CAS PubMed Google Scholar

Goebel, R.、Esposito, F. & Formisano, E. Brainvoyager QX による機能画像解析コンテスト (FIAC) データの分析: 単一被験者から皮質的に整列したグループの一般線形モデル分析と自己組織化グループ独立成分分析まで。ハム。脳マップ。 27、392–401。 https://doi.org/10.1002/hbm.20249 (2006)。

記事 PubMed PubMed Central Google Scholar

Sled, JG、Zijdenbos, AP、Evans, AC、第 15 回医用画像情報処理国際会議議事録、459 ～ 464 (Springer-Verlag、1997)。

Hou, Z.、Huang, S.、Hu, Q.、および Nowinski, WL MR 脳画像の強度の不均一性を修正するための高速かつ自動的な方法。医学。画像計算。計算します。支援する。介入 9、324–331。 https://doi.org/10.1007/11866763_40 (2006)。

論文 PubMed Google Scholar

Kriegeskorte, N. & Goebel, R. 解剖学的 MR ボリューム内の皮質シートをトポロジー的に正しくセグメンテーションするための効率的なアルゴリズム。ニューロイメージ 14、329–346 (2001)。

記事 CAS Google Scholar

ファン、Xら。クロザピン治療を受けた統合失調症患者における補助的アリピプラゾールの代謝効果。アクタ精神科医。スキャン。 127、217–226。 https://doi.org/10.1111/acps.12009 (2013)。

論文 CAS PubMed Google Scholar

Breman、H. et al. Biomedical Image Registration (Špiclin、Ž et al.編) 122–130 (Springer、2020)。

Google Scholar の章

Greve, DN & Fischl, B. 境界ベースのレジストレーションを使用した正確かつ堅牢な脳画像の位置合わせ。ニューロイメージ 48、63–72。 https://doi.org/10.1016/j.neuroimage.2009.06.060 (2009)。

論文 PubMed Google Scholar

Heckemann、RA et al. アルツハイマー病および軽度認知障害における自動形態計測。ニューロイメージ 56、2024 ～ 2037 年。 https://doi.org/10.1016/j.neuroimage.2011.03.014 (2011)。

論文 PubMed Google Scholar

Wang, L.、Mruczek, RE、Arcaro, MJ & Kastner, S. 人間の皮質における視覚地形の確率マップ。セレブ。コーテックス 25、3911 ～ 3931。 https://doi.org/10.1093/cercor/bhu277 (2015)。

論文 CAS PubMed Google Scholar

山本洋他表面ベースの登録後の人間の視覚野軌跡の不一致と不確実性: 確率マップとエントロピーマップ。ハム。脳マップ。 33、121–129。 https://doi.org/10.1002/hbm.21200 (2012)。

論文 PubMed Google Scholar

リファレンスをダウンロードする

著者らは、データ収集に関してご協力をいただいた Deliah Macht、Christina Raab、Leonie Winkler-Lauble に深く感謝いたします。 CV Barnes-Scheufler は、フランクフルト・アム・マイン工科大学からの「main doctus」奨学金によって支援されました。 E. Raspor は、ドイツ学術交流サービス (DAAD) からのドイツの博士課程プログラムへの研究助成金によって支援されました。

Projekt DEAL によって実現および組織されたオープンアクセス資金調達。

フランクフルト大学病院精神科、心療内科、精神療法および脳画像センター、ゲーテ大学、フランクフルト・アム・マイン、ドイツ

ミシャル・クバド、キャサリン・V・バーンズ＝ショフラー、エヴァ・ラスポール、ララ・ロズラー、カルメン・スキベック、アンドレアス・リーフ、ロバート・A・ビットナー

ライプニッツレジリエンス研究所、ドイツ、マインツ

マイケル・フォーム

オランダ神経科学研究所、アムステルダム、オランダ

ララ・レスラー & ライナー・ゲーベル

フランクフルト大学病院医療心理研究所、ゲーテ大学、フランクフルト・アム・マイン、ドイツ

ベンジャミン・ピーターズ

ザッカーマン心脳行動研究所、コロンビア大学、ニューヨーク州、米国

ベンジャミン・ピーターズ

マーストリヒト大学、心理神経科学学部、認知神経科学科、マーストリヒト、オランダ

ライナー・ゲーベル

エルンスト・シュトルングマン神経科学研究所（ESI）、マックス・プランク協会と協力（ドイツ、フランクフルト・アム・マイン）

ロバート・A・ビットナー

PubMed Google Scholar でこの著者を検索することもできます

すべての著者は、作品の構想や設計、あるいはデータの取得、分析、解釈に多大な貢献をしました。 ARとRABは資金を獲得した。 RAB、BP、MS、LR が実験を計画しました。 MQ、CVB-S.、LR、RAB がデータを取得しました。 ER と RG は分析ツールを提供しました。 MQ、CS、RAB がデータを分析しました。 MQ と RAB は文献調査を行い、原稿の初稿を書きました。すべての著者が原稿に貢献し、改訂しました。著者全員が最終原稿を読んで承認しました。

ロバート・A・ビットナーへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Qubad, M.、Barnes-Scheufler, CV、Schaum, M. 他皮質ベースのマクロ解剖学的アライメント後の fMRI 視野ローカライザーデータの対応が改善されました。 Sci Rep 12、14310 (2022)。 https://doi.org/10.1038/s41598-022-17909-2

引用をダウンロード

受信日: 2021 年 7 月 1 日

受理日: 2022 年 8 月 2 日

公開日: 2022 年 8 月 22 日

DOI: https://doi.org/10.1038/s41598-022-17909-2

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

ニュース

皮質後のfMRI視野ローカライザーデータの対応を改善