同步TMS-fMRI研究脑功能网络的指南

news2024/11/15 10:45:58

导读

经颅磁刺激(TMS)可直接激活人脑新皮层中的神经元,并已被证明是认知神经科学因果假设检验的基础。通过同时使用TMS和fMRI,皮层TMS对远端皮层和皮层下结构活动的影响可以通过改变TMS输出强度来量化。然而,TMS在fMRI时间序列中产生了显著的波动,在解读研究结果之前需要谨慎对待它们复杂的相互作用。本文提出了同步TMS-fMRI的方法学挑战,并提供了在实验设计和后处理中尽量减少诱发伪影的指南。本研究主要考察两种前额叶-纹状体神经环路:在健康的人类参与者中,初级运动皮层(M1)投射到壳核和外侧前额叶皮层(PFC)投射到尾状核。结果发现,随着刺激强度的增加,TMS参数化地增加了目标区域和皮层下投影的BOLD信号。总之,这项工作提供了克服同步TMS-fMRI常见挑战的实际步骤,并演示了如何使用TMS-fMRI来研究脑功能网络。

前言

经颅磁刺激(TMS)通过在靠近头皮的大脑局部区域诱导电场来直接调控大脑皮层的因果关系。由于其高空间(<1cm)和时间分辨率(<1ms),该方法被证明对于测试神经振荡的因果作用和大脑特定区域神经活动的精确时间是至关重要的。此外,TMS对脑区的影响被认为可以改变结构和功能连接的大脑区域网络中的活动。通过将TMS与同步或并发fMRI相结合,可以实证研究TMS对局部和远处大脑活动的影响。

磁共振成像扫描依赖于均匀磁场。因此,人们早就认识到强磁场和TMS同步应用所产生的信号破坏程度。目前已在努力解决TMS和fMRI之间复杂的相互作用。然而,尽管同步TMS-fMRI已经问世近20年,但迄今为止,只有不到100项实验研究使用了该技术。这种有前景的方法发展缓慢,最可能的原因是对运行中的TMS线圈如何影响MRI信号的理解不完全,以及缺乏解决不必要伪影的最有效设置和方法的共识。有几个因素阻碍了同步TMS-fMRI的标准化,包括现有的MRI扫描仪、接收线圈和控制TMS脉冲传递的设备在技术特性上的内在差异。尽管存在这些因素,但更好地理解常见挑战和基本原理可以提高同步TMS-fMRI应用和后续数据预处理的一致性。

本研究对同步TMS-fMRI中不同来源的伪影进行了全面、详细的调查。在此基础上,研究者提出了在连续fMRI中进行TMS的方法学框架,从而在实验设计和后处理中最大限度地减少诱发的伪影。首先,回顾了进行TMS-fMRI实验研究的硬件和具体步骤。其次,探索了TMS与fMRI交织的技术,并总结了在fMRI数据采集过程中TMS产生的即时伪影。虽然许多先前发表的同步TMS-fMRI研究使用了TMS与fMRI交替采集,但本研究探索了在连续MRI中使用TMS以减少数据采集的低效性。第三,本研究描述了在后处理过程中出现的典型伪影,并给出了伪影剔除建议。本研究提出的理论原则和实践步骤也广泛适用于其他进行同步TMS-fMRI研究的研究人员,无论硬件或软件的技术差异如何。最后,本研究通过实验来证明使用这些方法靶向两个不同的额叶皮层区域,并研究了TMS的局部效应和神经激活扩散到每个区域的已知纹状体投射。

材料和方法

在加州大学伯克利分校的Henry H. Wheeler Jr.脑成像中心使用西门子3T MAGNETOM Trio (Erlangen,Germany)采集同步TMS-MRI数据。TMS使用MagVenture公司(Farum,Denmark)生产的MR兼容的8型Mri-B91 TMS线圈和MagPro X100,MagOption运行的软件版本为7.1.1。使用Rogue Research公司的BrainSight v2.2.11(Montreal,Canada)和Northern Digital Polaris Spectra infrared long-range camera (Waterloo,Ontario,Canada)以及定制的磁共振兼容组件进行3D立体定位跟踪(称为神经导航)。

设备和程序

①fMRI数据采集

覆盖全脑的MR序列为T2∗加权单次激发平面回波成像(EPI)序列,包括40个3.5×3.5×3.0mm体素层,层间距离10%,2s重复时间(TR),降序采集,相位编码方向为前后,20ms回波时间(TE),60°翻转角度(FA),脂肪预饱和。为了建立关于自旋-晶格弛豫的稳态,在每个时间序列开始时获得了两个虚拟体积数据。将前两个volumes从分析中排除,以进一步确保自旋-晶格弛豫。

在TMS-fMRI扫描前,使用西门子12通道头部线圈采集数据,采用T1加权磁化制备的快速梯度回波(MP-RAGE)序列,各向同性体素为1mm,重复时间为2.3s,反转时间900ms,以加速因子为2的广义自动校准部分并行采集(GRAPPA)进行并行成像。首选具有快速获取详细解剖扫描能力的接收线圈,因为该图像用于神经导航。此外,由于解剖扫描的主要用途是神经导航,建议提供足以确保耳朵和鼻子都在3D图像内的视场,因为这三个身体部位用于立体定向配准。

②MR接收线圈

TMS-fMRI中接收线圈的选择是至关重要的,因为它直接影响可以刺激和成像的大脑区域。标准的头部容积线圈,如西门子12通道线圈,内径约25cm,仅在头部前面开放访问。这无法提供足够的空间让TMS线圈在参与者的头皮周围移动,最终限制了可刺激脑区的位置。为了克服这一限制,在本研究的fMRI实验中,研究者使用了一个定制的圆极化、仅接收鸟笼射频线圈(RAPID BioMedical,Rimpar,Germany)。这个鸟笼接收线圈的内径(29.8cm)比标准的头部容积线圈(25.0cm)大,并且它的背面是打开的(图1A)。因此,该接收线圈允许TMS线圈灵活地绕着头皮移动,电缆从鸟笼线圈的后面穿过。由于TMS对大脑活动的影响不仅限于TMS的作用部位,而且是全脑网络范围内的,所以量化TMS对整个皮层和皮层下的影响对于理解TMS的全部影响至关重要。因此,本研究选择了一种获取全脑fMRI的方法。 

在本研究的设置中,TMS线圈连接到一个定制的支撑臂上(图1A,B)。这个定制的TMS支撑臂由塑料制成,配重装置由一个MR兼容的塑料盒组成,盒内有沙子(重量:5.7-5.8kg;尺寸:25.1cm×35.2cm×7.7cm)。钩子将TMS线圈臂支撑固定在病床上。该臂包括6个自由度:沿磁体主轴的3个平移,外加提供3个独立旋转轴的TMS线圈装置(图1B)。以背侧、外侧和前部皮层为靶点,TMS线圈可以很容易地定位于头部顶部、侧面和前部。无论TMS线圈相对于头部的位置如何,研究人员应确保参与者的头部没有压力,因为在实验过程中,这种压力会使头部越来越不舒服。用于将头部包裹到接收线圈中的缓冲垫,不仅可以减少头部运动,而且这些缓冲垫也承担了稳定头皮的额外作用。

图1.同步TMS-fMRI装置。

为了准确定位感兴趣的部位,在MRI室内使用了神经导航(图1C)。将远程红外摄像机的磁性支架替换为定制的塑料支架,使摄像机可以在患者的床脚使用。一台运行BrainSight的iMac电脑被放在MRI室的门口,并用塑料链固定在墙上,以避免其在强磁场中被吸走。根据BrainSight提供的头部和线圈跟踪器的尺寸定制并3D打印头部和线圈跟踪器,用于MRI(图1D,E)。头部跟踪器与参与者的头带相连。至关重要的是,跟踪器可以从基座上拆卸下来,并且可在MR接收线圈内重新连接。同样,TMS线圈跟踪器可以从TMS线圈中取出,然后重新连接到MR线圈中。所有项目都被标记为MR兼容,并对所有用户和参与者进行了仔细筛选。在MR线圈上安装了一个定制的镜像系统,以使参与者能够看到反向投影屏幕(AVOTEC,Stuart,FL,USA),其中包括一个可自选的眼动跟踪装置(AVOTEC),该装置在本研究中未使用。本研究在MR环境中进行神经导航的程序包括三个阶段(表1),并在之前获得的高分辨率解剖图像中计算感兴趣的区域后进行。

表1.MRI室内的神经导航用于精确定位。

使用鸟笼线圈的一个优点是,它允许对大脑皮层的大部分背侧和前部区域进行TMS,例如,外侧前额叶皮层(PFC;图1F)或初级运动皮层(M1;图1G)。对于后侧部位(如下顶内沟),应用颈垫将头部抬起,使TMS线圈置于头部下方(图1H)。在测试中,除了小脑和腹内侧前额叶皮层(VMPFC)外,我们能够定位头皮上的大部分传统TMS定位位点。经颅磁刺激到VMPFC的位置太靠前了,以至于前额和MR接收线圈之间的空间受到限制,尽管参与者不需要看到屏幕,或者如果可以构建一个镜像系统,那么使用与本文类似的设置,TMS到VMPFC原则上是可行的。

同步TMS-fMRI中的信号伪影

TMS包括在参与者的头皮上产生短暂而强烈的磁场。当在MRI扫描仪内执行时,TMS和MRI硬件可以通过几种方式进行交互。最明显的是,强磁场的TMS脉冲与核磁化相互作用,干扰了MR成像。这种相互作用的精确结果取决于TMS脉冲时的磁化强度以及TMS磁场大小和空间异质性等因素。此外,即使在TMS线圈不主动发送脉冲时,也可能出现伪影。线圈的存在会导致局部信号从磁化率梯度失相,以及射频场传输时的阴影。MR脉冲序列和图像处理工具的开发没有考虑到这些因素。最后,TMS控制电子器件可能存在效率低下的问题,这在可行的约束条件下是不可避免的,这无意中导致TMS线圈在脉冲之间产生了弱磁场。

表2列出了当TMS线圈位于MRI扫描仪孔内时,或当TMS线圈在fMRI采集过程中传输脉冲时,fMRI数据中可能出现的伪影。表2中列出的伪影并不是所有的,而是根据其物理来源进行分类的。这里没有列出这些伪影的严重程度,因为它们受到特定硬件选择和实验设置的强烈影响(例如,TMS线圈相对于参与者头部的位置)。本研究已经给出了每个潜在伪影的近似时间尺度,但是这些估计也会受到这些因素的影响。

表2.数据采集过程中,由于与并行TMS相互作用而可能产生的MRI伪影。

对同步TMS-fMRI伪影的详细研究表明,很难从泄漏电流、振动和接收线圈的铃流信号中分离出残余伪影。这三种效应都会在TMS脉冲后的几毫秒内衰减。研究者认为泄漏电流仍然是TMS后的主要伪影,尽管MagVenture系统进行了升级,通过在TMS电路中插入一个继电器二极管组合来降低泄漏电流。虽然泄漏电流磁场强度比TMS脉冲小几个数量级,并且从刺激大脑的角度来看影响很小,但在EPI过程中,泄漏电流伪磁场足以扰动磁化。由于fMRI实验经常测量BOLD信号的细微变化,这些泄漏电流可以在TMS线圈附近产生显著的局部图像扰动,特别是在TMS脉冲后的10-20ms内。研究者将这种延迟与本实验中使用的具体时间结合起来考虑,并注意到这种延迟还允许恢复TMS线圈的任何振动,TMS线圈内的电场放电,以及恢复接收线圈电子器件的铃流信号。

由于MRI的时间分辨率较低,TMS电源的泄漏电流、MRI扫描仪部件中的涡流以及TMS线圈响应脉冲的振动所产生的伪影对MRI图像的影响几乎无法区分。每个伪影源都会在TMS线圈的3D位置周围产生信号衰减。空间局部化的衰减返回到离伪影源更远的基线。

一些先前发表的TMS-fMRI实验在多层EPI volume的每个层之间添加了延迟(层间隙;图2A)。在这种称为层间交错的TMS-fMRI框架中,单个脉冲或TMS序列可以在与间隙时间兼容的间隔内发送,即每整数个EPI层发送一个脉冲或短脉冲。然而,这种方法减少了在给定时间内可以收集到的fMRI数据量。或者,可以在MR采集的每个volume之间增加扫描延迟(volume间隙;图2B),研究者将这种方法称为volume交错。无论是否使用TMS脉冲,EPI序列的每个volume都必须包括延迟,而不是只在特定volume之前,以避免干扰MRI信号的T1稳态。这种方法还减少了单位时间内收集的fMRI数据量。研究者在这里提出了一个时序范式,在连续EPI时间序列中的某些安全事件期间应用TMS脉冲(图2C),从而消除了间隙EPI采集的需要,并允许以通常的速率收集fMRI数据。确定为连续TMS-fMRI间隔时间的安全EPI采集事件是Crusher梯度。

图2.连续fMRI中TMS定位Crusher梯度。

Crusher梯度是磁场片断,旨在打乱不需要的磁化阶段。主要有两个目标。脂肪饱和射频脉冲后的立即Crusher梯度设计是为了消除相干脂肪信号,并在读出k空间时使脂肪信号最小化。在二维k空间读出后的层采集结束时,Crusher梯度被设计用来确保在激发和检测下一个层之前,前一个层的信号完全消失。TMS线圈产生的双相脉冲磁场在时间上是不对称的,因此第二相比第一相略弱。双相TMS脉冲作为Crusher梯度比扫描仪施加的约40mT Crusher梯度大6个数量级。具有讽刺意味的是,使用TMS脉冲改善不需要的MR信号的破坏可能会导致一种情况,即在TMS-fMRI期间获得的BOLD信号相对于没有TMS的BOLD信号具有更好的信噪比,例如,使用TMS可能会减少残留的头皮脂肪信号所产生的明显N/2鬼影。针对Crusher梯度的技术困难在于这些梯度是短暂的,在标准西门子实现中约为3ms。为了可靠地锁定Crusher梯度,需要亚毫秒级的TMS精确定时。针对Crusher周期,还需要特别注意在施加TMS脉冲后留下的任何TMS伪影。

本研究的连续TMS-fMRI定时解决方案确认了潜在的伪影源,并考虑了EPI期间TMS具有显著不同影响的三个阶段:①脂肪饱和与层激发的RF脉冲,②k空间平面采样的梯度阶段,以及③重置层间MR信号或破坏由脂肪抑制脉冲产生的相干性Crusher梯度(图2D)。为了研究TMS对EPI各时相的影响,向功能生物医学信息学研究网络(FBIRN)标准凝胶模型提供了单脉冲TMS。TMS脉冲每三个volume发送一次,TMS的精确时间为体模中心附近的层采集阶段。TR为2s,共采集40层,每层采集时间为50ms。因此,在EPI序列过程中发送了51个脉冲,其中每个脉冲在不同的1ms层采集间隔内发送。计算每个TMS脉冲的时序定向MR层内的平均信号,并与前一个volume的平均信号进行比较。该分析旨在定量说明TMS对每个层采集周期的MR信号的影响。

预处理和伪影去除

在统计分析之前,需要对fMRI数据进行预处理。TMS线圈内的涡流/泄漏电流或机械振动会干扰TMS以外的多个volumes的局部MR信号,然而,这些线圈伪影在大多数已发表的同步TMS-fMRI研究中并未得到解决。在没有显式建模的情况下,不能排除由于局部失真造成的假阳性变化。由于TMS线圈下的伪影,因而TMS在该部位的有效性难以得到验证,导致研究集中在TMS的远端效应。目前关于TMS是否会引起被刺激部位的神经活动(如BOLD信号)仍然存在争议,最近的一篇综述论文声称,除非靶向M1,否则TMS不会增加BOLD信号。本研究方法通过独立成分分析(ICA)来表征和回归与线圈伪影相关的fMRI数据,并使用标准化的方法来验证某个区域的BOLD信号不是由假阳性驱动的。

尽管TMS在第一次Crusher梯度时的效果肉眼不可见,但本研究将TMS期间获得的每个层替换为前一个和后一个volume中相同层的平均值。虽然插值失去了一些时间分辨率,但由于不包括volume延迟或层延迟,在精度上的净增益是保留的。此外,被TMS时间扰动的层可以被选择为不感兴趣的区域。在插值层之后,应用FSL的MELODIC算法,该算法执行ICA,将信号分解为各种信号源或独立成分(ICs)。接下来,运行一般线性模型(GLM)来预测接近瞬时的信号下降(因变量),典型的TMS伪影使用每个IC的时间序列作为自变量。该伪影时间序列在无TMS的情况下为0,在有TMS的情况下为负1。在识别出与预测伪影时间过程有较大解释差异(大于10%)的IC后,手动检查了每个成分的空间相关性,并剔除了与TMS线圈放电相关的成分。10%的阈值是根据因子分析等其他技术的阈值惯例选择的,使用较低的阈值需要更多的手动检查。在一些参与者中,本研究还发现IC与TMS期间采集的层具有空间相关性。剔除定位于TMS线圈放电的IC后,除非另有说明,否则在Matlab的统计参数映射12(SPM12)工具箱中进行预处理。使用AFNI进行数据剔除,手动重新定位到前连合,时间层校正,使用刚体旋转重新对齐到平均功能图像,与解剖图像进行共配准,并使用全宽为4mm的半最大值高斯核对数据进行平滑。

实验设计

先前的正电子发射断层扫描(PET)证据表明,TMS到M1和PFC分别导致后壳核和背侧尾状核的多巴胺细胞外释放。这些发现与结构连接研究一致,研究发现额叶皮层和纹状体存在前后梯度,例如PFC优先投射到前部尾状核,M1优先投射到后部壳核。本研究进行了一项实验来测试同步TMS-fMRI程序的有效性,并考察了是否存在TMS线圈下局部活动增加和先验纹状体区域激活的证据。采用10Hz重复TMS(rTMS)同步采集fMRI数据,以右侧M1或右侧PFC的额前、中回为靶点。本研究假设,在睁眼休息状态下,TMS传递到右侧M1时会激活壳核,传递到右侧额前中回时会激活尾状核前部。本研究通过考察TMS对背侧纹状体各区域的影响来评估TMS的特异性。

本研究得到了加州大学伯克利分校人体受试者保护委员会的批准。15名参与者(年龄:18-29岁,平均年龄=21.6岁,标准差=2.5岁)参与了这项研究,其中包括两个fMRI sessions。在第一个session,获得了个体的全脑解剖图像和10min的睁眼静息态fMRI数据,同时要求参与者注视中央十字。这些数据通过12通道MR接收线圈收集。第二个session由同步TMS-fMRI实验组成,不同参与者的TMS位置不同:右侧M1(8名参与者)或PFC(7名参与者)。

结果

MRI等中心的TMS强度

在早期试验中,研究者观察到参与者对TMS强度的主观体验在MRI孔内比在孔外更大。为了测试TMS诱发电场的系统差异,研究者使用连接到示波器的探头(MagVenture MagProbe)记录了TMS脉冲引起的电动势(emf),同时在MRI扫描仪的等中心和边缘场中确定参与者的静息运动阈值。这个位置靠近MRI室的入口,距离MRI孔的入口约3m。探头连接到TMS线圈的中心,并在这两个位置都记录了电动势。本研究发现了一个系统性差异,即在3T磁体等中心内的TMS相对于边缘场位置产生的强度增加了约2μv。这一差异相当于MagVenture系统线圈输出的5%。因此,本研究认为预期的TMS强度应在扫描仪内降低5%。

Crusher梯度

在MRI层采集的每毫秒内进行TMS,并计算对所采集时间层中平均信号与下一个volume的影响(图2E,F)。RF脉冲期间的TMS在当前volume中产生伪影,但也会破坏后续多个volume的MR信号。在k空间读取过程中施加的TMS脉冲不可挽回地损坏了该时间层,但对后续层没有影响。这不是叠加在真实测量上的损坏信号,而是对信号读数的根本中断;因此,没有线性回归器可以恢复底层图像。如果需要在k空间读取期间施加TMS脉冲,研究者建议对该时间层的邻近volume进行线性插值。如果参与者在TMS前后volume内有明显的移动,插值可能会诱发其自身的伪影。如果插值时间层是由于运动而从大脑不同部位收集的数据均值,这将会产生空间和时间平滑效应。

在某些实验设计中,例如超过MRI时间层采集速率的高频节律性TMS,在读出梯度期间的TMS可能是不可避免的。在这种情况下,研究者建议将施加TMS的时间安排在对特定研究问题不太感兴趣的时间层采集期间。例如,如果实验不需要分析小脑的BOLD信号,而MR采集包括小脑中的时间层,则MR采集时可在这些小脑层中发送TMS脉冲。在对损坏的时间层进行插值后,对后续volume的干扰将是有限的。

在研究了TMS对整个MRI时间层采集的影响后,研究者确定了Crusher梯度作为发送TMS的最佳时间。Crusher梯度期间的TMS没有产生任何可见的失真(图2E的顶行),也没有在图像的平均信号中产生明显的变化(图2F)。为了确定这一定性观察是否具有统计学意义,本研究收集了一组同步TMS-fMRI数据,在时间层34、36、38和40的第一个Crusher梯度中,以10Hz的频率发送4个脉冲。在48个TMS序列中,本研究计算了TMS期间收集的volume中每个层之间相对于TMS后收集的volume中的平均信号差异(图2G)。对每个层进行t检验,并将显著性阈值设置为0.05。结果发现TMS产生了显著的信号差异,其中TMS期间获得的四个层的信号差异最大,以及TMS对每个volume(35、37、39和下一volume的第1、3、5层)后获得的层的残留影响具有统计学意义。这些发现表明,在TMS过程中,设备中存在泄漏电流只是层采集影响的一小部分。鉴于此,研究者在采集小脑时间层的同时进行了TMS,并对TMS期间和TMS后立即采集的每个层的数据进行了插值(图2H)。

独立成分分析去除TMS线圈伪影

TMS脉冲伪影可干扰TMS以外的多个TRs的局部MR信号。为了建模并去除所有由涡流/泄漏电流或机械振动驱动的TMS线圈伪影,首先使用基于GLM的方法来识别这些伪影,然后将数据分解为IC,并回归出被识别为TMS线圈放电伪影的数据。由于线圈周围的信号下降是在TMS时发生的,因此在TMS时对典型HRF进行建模将导致假阳性。当信号下降回到基线时,信号的增加将模拟HRF的上升边缘(图3A),而标准的fMRI分析管道会将这种模式误认为是BOLD响应。当对有明显TMS线圈放电伪影的数据进行GLM时,将每个TMS脉冲视为与典型HRF卷积的事件,线圈伪影被错误地识别为显著的BOLD激活。当倒伽马函数以TMS序列的时间为中心来捕捉信号下降时,生成的对比图(图3B)显示TMS位置有明显的伪影,并延伸到TMS线圈位置的颅骨上方空间。FIR函数模型显示,该TMS线圈放电伪影随TMS强度的变化而变化,并在TMS后持续两个volumes以上。

图3.在fMRI数据预处理中去除TMS线圈放电局部伪影的步骤。

为了识别具有TMS线圈放电伪影的数据,研究者应用FSL的MELODIC算法将数据分解为ICs,然后运行GLM来预测每个IC的时间过程中近乎瞬时的信号下降。通过典型伪影形状解释IC时间进程中的差异足以识别出伪影数据(图3C)。通过检查其空间相关性,手动剔除与预测伪影时间过程具有高解释方差的ICs(图3D)。使用这种方法,从与TMS线圈放电伪影相关的数据中剔除ICs。值得注意的是,这些伪影的时间过程揭示了一个持续效应(图3E)。在TMS线圈下的两个感兴趣位置(即,M1和PFC)中,伪影包括BOLD信号的急剧下降,并在四个volumes后回到基线,在TMS后的第5个volume达到基线(图3F,G)。由于本研究的MR序列使用的TR为2s,因此,数据中的线圈放电伪影出现了8s。在去除与TMS线圈放电伪影相对应的IC后,在TMS目标部位可以看到典型的HRF模式(图3F,G)。

TMS对额叶纹状体环路的激活具有层次性

研究者进行了一项实验来验证同步TMS-fMRI程序是否足以捕获TMS位点和解剖连接的额叶纹状体环路的激活(图4A)。首先,假设对M1的TMS会在M1引起BOLD反应,而对PFC的TMS会在PFC引起BOLD反应。为了验证这一假设,研究者在目标区域和非目标区域使用被试间因素(TMS位点)和被试内因素(BOLD信号)进行了双因素方差分析。在分析TMS强度对BOLD信号的参数效应时,结果发现存在较小的交互作用,但不显著(图4B)。然而,BOLD信号估计的位点存在趋势水平主效应;M1显示TMS对M1和PFC都有较大的效应量,尽管这种效应仅对M1显著,而对PFC存在趋势水平(图5A,B)。事后t检验显示,PFC仅在TMS至PFC上激活,而在TMS至M1上未被激活。本研究结果表明,TMS至PFC扩散到更多的尾部区域(图4E),而TMS至M1未扩散至外侧PFC(图4D)。

图4.使用连续TMS-fMRI靶向额叶纹状体环路。

其次,本研究假设TMS到M1会在壳核的解剖连接部位引起BOLD信号反应,而TMS到PFC会在尾状核的背侧前部引起BOLD信号反应。基于先前的同步TMS-PET研究,本研究将分析限制在这些特定的纹状体靶点上。结果发现TMS位点和背侧纹状体的位置之间存在显著的交互作用(图4C)。事后t检验显示,TMS-M1对壳核BOLD信号有中等大小的影响,但不显著,对尾状核BOLD信号无影响。然而,壳核的参数响应大于尾状核,并且TMS输出的最高振幅显示壳核有显著的BOLD信号响应,而尾状核没有。同样,事后t检验显示,TMS-PFC在壳核和尾状核的BOLD信号均显著增加。TMS强度对BOLD信号的参数效应在壳核中遵循了预期的模式(即,随着TMS强度的增加,BOLD呈线性增加),但尾状核在低强度TMS中显示出BOLD信号的减少,而在高强度TMS中略有增加(图5C,D)。

图5.TMS增强所诱发的BOLD活动是TMS强度的函数。

结论

同步TMS-fMRI提供了一种“生理探测”方式来获得大脑网络中时间特异性功能连接的因果证据,而这是单凭fMRI技术所无法解决的。本文建立的方法学框架建立在先前研究的基础之上,为实现同步TMS-fMRI实验和跨实验室复制该环境提供了额外的基础。本研究结果表明,在连续fMRI中精心定制TMS和进行仔细的预处理可以产生无伪影的数据,而且能够可靠地证明目标区域及其相连区域的激活。通过合理地选择TMS时间,以及在fMRI数据预处理过程中充分去除已知伪影,可以极大地减少TMS诱发的伪影。虽然同步TMS-fMRI在技术上具有挑战性,但因果和相关方法的整合为促进我们对人脑的理解提供了一种强大的工具。例如,使用TMS的行为研究可以为刺激对认知的影响提供有价值的因果证据,但其无法表征刺激对神经活动的影响。然而同时收集fMRI数据可以解决这一问题,并且可用于研究新的问题,如TMS的生理效应,TMS对大脑和行为的影响,以及对构成认知功能基础的功能性大脑网络的因果影响。

原文:Riddle J, Scimeca JM, Pagnotta MF, Inglis B, Sheltraw D, Muse-Fisher C and D’Esposito M (2022) A guide for concurrent TMS-fMRI to investigate functional brain networks. Front. Hum. Neurosci. 16:1050605. doi: 10.3389/fnhum.2022.1050605

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/447781.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Google Earth Engine谷歌地球引擎GEE合并多个不同Asset的方法

本文介绍在GEE中,将多个存储有点要素的Asset加以合并,使得其成为一个Asset的方法。 本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第十五篇,更多GEE文章请参考专栏:GEE学习与应用…

银行数字化转型导师坚鹏:商业银行数字化风控(2天)

商业银行数字化风控 课程背景: 数字化背景下,很多银行存在以下问题: 不清楚商业银行数字化风控发展现状? 不清楚对公业务数字化风控工作如何开展? 不知道零售业务数字化风控工作如何开展? 课程特色…

web攻防-通用漏洞验证码识别复用调用找回密码重定向状态值

目录 一、知识点概述 二、找回密码过程中涉及到的安全问题 三、案例演示 <验证码回显> <修改Response状态值> <验证码爆破> 四、真实案例1 <更改状态值> <验证码接口调用> 五、真实案例2 <用户名重定向> 六、安全修复方案 一、…

C语言实现栈--数据结构

魔王的介绍&#xff1a;&#x1f636;‍&#x1f32b;️一名双非本科大一小白。魔王的目标&#xff1a;&#x1f92f;努力赶上周围卷王的脚步。魔王的主页&#xff1a;&#x1f525;&#x1f525;&#x1f525;大魔王.&#x1f525;&#x1f525;&#x1f525; ❤️‍&#x1…

【半个月实践】普通人如何利用ChatGPT变现?(附镜像网站)

前言1.PPT2.百度问答3.代写文章4.设计LOGO 前言 如今ChatGPT的话题爆火各大平台&#xff0c;所谈论的方向也各不相同&#xff0c;或许是ChatGPT使用方法、应用领域、前景趋势等等。而这必然也产生了信息差&#xff0c;使得大多数人可以利用ChatGPT变现。   而在这一开始&…

嵌入式QT (使用 Qt Designer 开发)

一、使用 UI 设计器开发程序 1.1、 在 UI 文件添加一个按钮 1.2、在 UI 文件里连接信号与槽 所谓信号即是一个对象发出的信号&#xff0c;槽即是当这个对象发出这个信号时&#xff0c;对应连接的槽就发被执行或者触发。 UI 设计器里信号与槽的连接方法一&#xff1a; 在主窗…

分类预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积长短期记忆网络多输入分类预测

分类预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积长短期记忆网络多输入分类预测 目录 分类预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积长短期记忆网络多输入分类预测效果一览基本介绍模型搭建程序设计参考资料 效果一览 基本介绍 MATLAB实现BO-CNN-LSTM贝叶斯优化卷积长短期记…

TCP长连接的连接池、容量控制与心跳保活

一、长连接与短连接 TCP 本身并没有长短连接的区别&#xff0c;长短与否&#xff0c;完全取决于我们怎么用它。 短连接&#xff1a;每次通信时&#xff0c;创建 Socket;一次通信结束&#xff0c;调用 socket.close()。这就是一般意义上的短连接&#xff0c;短连接的好处是管理…

FastReport .NET 2023.2.7 FastReport Crack

快速报告 .NET 适用于 .NET 7 的报告和文档创建库 v. 2023.2.7 适用于 .NET 7、.NET Core、Blazor、ASP.NET、MVC 和 Windows Forms 的全功能报告库。它可以在微软视觉工作室 2022 和 JetBrains Rider 中使用。 利用 .NET 7、.NET Core、Blazor、ASP.NET、MVC 和 Windows For…

yara规则--编写

编写 YARA 规则 — yara 4.2.0 文档 YARA规则易于编写和理解&#xff0c;并且它们的语法是 类似于 C 语言。这是您可以编写的最简单的规则 YARA&#xff0c;它什么都不做&#xff1a; rule dummy {condition:false } 一、规则标识符 每个规则都以关键字“ rule”开头&#xff0…

成功案例丨Fortinet为跨国汽配制造企业打造典型安全SD-WAN网络

某国际化汽车配件制造企业&#xff08;以下简称某企业&#xff09;为解决跨国数据传输难、单一网络费用贵等痛点&#xff0c;决定采用SD-WAN这一新的组网形式。Fortinet携手中企通信为其打造组网高效、云网一体化、集中管理和编排的安全SD-WAN网络&#xff0c;通过精准流量和应…

数据库实验 | 第5关:使用游标的存储过程

任务描述 本关任务&#xff1a; jdxx数据表有四个字段&#xff0c;分别是省份(sf)、城市(cs)、区县(qxmc)、街道(name)。 例如&#xff0c;查询天心区(qxmc)的所有字段的值结果如图所示 任务要求 建立存储过程 tjdq(in sf varchar(10)) 输入省份的名称&#xff0c;将该省份…

创建web项目-----idea

创建项目 file—new—projiect java enterprise—next next 修改项目名字&#xff0c;finish 在此窗口打开新建的项目&#xff0c;选择this Window 新建好项目后是这样子的 配置项目的tomcat环境 file—project structure project 配置jdk和编译输入目录 libraries配…

【数据结构与算法】图像——四叉树自适应模糊(ppm图像为例)

源于大作业~~ 目录 前言 一、实现算法 二、结果展示 三、算法框架 (1) QuadTreeNode.h (2) 结点扩展、细化模糊层次 (3) 模糊化图像四叉树转为图像 (4) 主函数代码 四、说明 五、结语 前言 一张图片常常会存在空间冗余&#xff0c;即一大部分区域的色彩值相同&am…

Node.js二:fs模块

一.fs模块概述 2.fs异步写入 /*** 新建一个文件夹&#xff0c;座右铭.txt&#xff0c;写入内容三人行必有我师焉*///1.导入fs模块 const fs require(fs);//2.写入文件 fs.writeFile(./座右铭.txt,三人行必有我师焉,err >{//err写入失败&#xff1a;错误对象&#xff0c;写…

搭建CDH错误记录(踩坑无数)

搭建CDH流程记录 如何搭建本地yum源 1.配置yum源这里使用 阿里源 http://mirrors.aliyun.com/repo/Centos-7.repo wget http://mirrors.aliyun.com/repo/Centos-7.repo2.安装http软件 yum install httpd -y3.配置httpd.conf vi /etc/httpd/conf/httpd.conf在 AddType appli…

【社区图书馆】vue的生命周期

目录 vue的生命周期 生命周期流程 Init Events & Lifecycle beforeCreate Init injections & reactivity created beforeMount Create vm $el and replace ‘el’ with it mounted beforeUpdate Virtual Dom re-render and patch updated beforeDestroy vm…

python+vue 大学生社团管理系统

本系统分为学生&#xff0c;管理员&#xff0c;社团负责人三个角色&#xff0c;学生可以注册登陆系统&#xff0c;查看社团&#xff0c;申请入团&#xff0c;查看参加社团活动&#xff0c;查看社团新闻&#xff0c;社团负责人对社团信息&#xff0c;入团审核&#xff0c;社团新…

Opencv+Python笔记(五)图像阈值化处理

图像阈值化可以理解为一个简单的图像分割操作&#xff0c;阈值又称为临界值&#xff0c;它的目的是确定出一个范围&#xff0c;然后这个范围内的像素点使用同一种方法处理&#xff0c;而阈值之外的部分则使用另一种处理方法或保持原样。 阈值处理有2种方式&#xff0c;一种是固…

ijkplayer解码流程源码解读

ijkplayer是一款基于ffmpeg的在移动端比较流行的开源播放器。FFmpeg是一款用于多媒体处理、音视频编解码的自由软件工程&#xff0c;采用LGPL或GPL许可证。 要想理解ijkplayer源码&#xff0c;首先得知道视频播放器的基本原理。 视频播放器播放一个互联网上的视频文件&#xf…