علوم اعصاب شناختی؛ روش های علوم اعصاب شناختی؛ علوم اعصاب محاسباتی

---

---

---

---

۳.۶ The Marriage of Function and Structure: Neuroimaging

۳.۶ هم‌بستگی عملکرد و ساختار: تصویربرداری عصبی

The most exciting advances for cognitive neuroscience have been provided by imaging techniques that enable researchers to identify the physiological changes in specific regions of the brain as people perceive, think, feel, and act (Raichle, 1994). The most prominent of these neuroimaging methods are positron emission tomography (PET) and functional magnetic resonance imaging (fMRI). These methods enable researchers to identify brain regions activated during specific tasks, testing hypotheses about functional anatomy.

هیجان‌انگیزترین پیشرفت‌ها برای علوم اعصاب شناختی توسط تکنیک‌های تصویربرداری به دست آمده است که محققان را قادر می‌سازد تا تغییرات فیزیولوژیکی در مناطق خاصی از مغز را در زمانی که افراد درک می‌کنند، فکر می‌کنند، احساس می‌کنند و عمل می‌کنند شناسایی کنند (Raichle, 1994). برجسته ترین این روش‌های تصویربرداری عصبی عبارتند از توموگرافی گسیل پوزیترون (PET) و تصویربرداری رزونانس مغناطیسی عملکردی (fMRI). این روش‌ها محققان را قادر می‌سازد تا نواحی مغز فعال شده در طول کارهای خاص را شناسایی کنند و فرضیه‌هایی را در مورد آناتومی عملکردی آزمایش کنند.

Unlike EEG and MEG, PET and fMRI do not directly measure neural events. Rather, they measure metabolic changes correlated with neural activity. Like all other cells of the human body, neurons require oxygen and glucose to generate the energy to sustain their cellular integrity and perform their specialized functions. The body’s circulatory system, with its network of blood vessels, distributes the necessary oxygen and glucose to the brain.

برخلاف EEG و MEG، PET و fMRI مستقیماً رویدادهای عصبی را اندازه گیری نمی کنند. در عوض، آنها تغییرات متابولیک مرتبط با فعالیت عصبی را اندازه گیری می کنند. مانند سایر سلول‌های بدن انسان، نورون‌ها برای تولید انرژی برای حفظ یکپارچگی سلولی و انجام وظایف تخصصی خود به اکسیژن و گلوکز نیاز دارند. سیستم گردش خون بدن با شبکه رگ‌های خونی خود، اکسیژن و گلوکز لازم را در مغز توزیع می کند.

As mentioned earlier, the brain is a metabolically demanding organ. The central nervous system uses approximately 20% of all the oxygen we breathe. Yet the amount of blood supplied to the brain varies only a little between times when the brain is most active and when it is quiescent. Thus, the brain must regulate how much or how fast blood flows to different regions, depending on need. When a brain area is active, increasing the blood flow to that region provides it with more oxygen and glucose at the expense of other parts of the brain. PET and fMRI can detect this change in blood flow, known as a hemodynamic response.

همانطور که قبلا ذکر شد، مغز عضوی است که از نظر متابولیک نیاز دارد. سیستم عصبی مرکزی تقریباً ۲۰ درصد از کل اکسیژنی را که تنفس می کنیم استفاده می کند. با این حال، مقدار خونی که به مغز می‌رسد بین زمان‌هایی که مغز بیشتر فعال است و زمانی که در حالت خاموش است، کمی متفاوت است. بنابراین، مغز باید بسته به نیاز، میزان یا سرعت جریان خون به مناطق مختلف را تنظیم کند. هنگامی که یک ناحیه مغز فعال است، افزایش جریان خون به آن ناحیه، اکسیژن و گلوکز بیشتری را به هزینه سایر قسمت‌های مغز برای آن تامین می کند. PET و fMRI می توانند این تغییر در جریان خون را که به عنوان پاسخ همودینامیک شناخته می شود، تشخیص دهند.

When considering these methods for recording neural activity, keep in mind that they are essentially correlational. In order to make causal inferences, we combine them with other methods, which we will discuss toward the end of the chapter.

هنگام در نظر گرفتن این روش‌ها برای ثبت فعالیت عصبی، به خاطر داشته باشید که آنها اساساً همبستگی هستند. به منظور استنتاج علّی، آنها را با روشهای دیگر ترکیب می کنیم که در پایان فصل به آنها خواهیم پرداخت.

FIGURE 3.28 Positron emission tomography.
(a) PET scanning enables the measurement of metabolic activity in the human brain. (b) In the most common form of PET, water labeled with radioactive oxygen, 150, is injected into the participant. As positrons break off from this unstable isotope, they collide with electrons. A by-product of this collision is the generation of two gamma rays, or photons, that move in opposite directions. The PET scanner measures these photons and calculates their source. Regions of the brain that are most active will increase their demand for oxygen; hence, active regions will have a stronger PET signal.

شکل ۳.۲۸ توموگرافی گسیل پوزیترون.
(الف) اسکن PET اندازه گیری فعالیت متابولیک در مغز انسان را امکان پذیر می کند. (ب) در رایج‌ترین شکل PET، آبی که با اکسیژن رادیواکتیو ۱۵۰ برچسب‌گذاری شده است، به شرکت‌کننده تزریق می‌شود. هنگامی که پوزیترون‌ها از این ایزوتوپ ناپایدار جدا می شوند، با الکترون‌ها برخورد می کنند. محصول جانبی این برخورد تولید دو پرتو گاما یا فوتون است که در جهت مخالف حرکت می کنند. اسکنر PET این فوتون‌ها را اندازه گیری می کند و منبع آنها را محاسبه می کند. مناطقی از مغز که بیشتر فعال هستند، تقاضای آنها برای اکسیژن را افزایش می دهند. از این رو، مناطق فعال سیگنال PET قوی تری خواهند داشت.

Positron Emission Tomography

توموگرافی انتشار پوزیترون

PET activation studies use radioactive-labeled compounds to measure local variations in cerebral blood flow that correlate with mental activity (Figure 3.28). The radiologist injects a radioactive substance, or tracer, into the blood- stream, which distributes it throughout the brain in step with its metabolic needs; the more active neural areas have a higher metabolic demand and thus receive more tracer. The PET scanner monitors the radiation emitted by the tracer.

مطالعات فعال سازی PET از ترکیبات نشاندار شده با رادیواکتیو برای اندازه گیری تغییرات موضعی در جریان خون مغزی که با فعالیت ذهنی مرتبط است، استفاده می کند (شکل ۳.۲۸). رادیولوژیست یک ماده رادیواکتیو یا ردیاب را به جریان خون تزریق می کند که آن را در سراسر مغز مطابق با نیازهای متابولیکی آن توزیع می کند. مناطق عصبی فعال تر تقاضای متابولیک بیشتری دارند و بنابراین ردیاب بیشتری دریافت می کنند. اسکنر PET تشعشعات ساطع شده توسط ردیاب را کنترل می کند.

A common tracer isotope used in PET studies is oxygen-15 (150), an unstable isotope with a half-life of 122 seconds. While a participant is engaged in a cognitive task, the researcher injects this isotope, in the form of water (H2O), into that person’s bloodstream. The 150 nuclei rapidly decay, each one emitting a positron. The collision of a positron with an electron creates two photons, or gamma rays. The two photons move in opposite directions at the speed of light, passing unimpeded through brain tissue, skull, and scalp. The PET scanner- essentially a gamma ray detector-determines where the collision took place.

یک ایزوتوپ ردیاب رایج مورد استفاده در مطالعات PET، اکسیژن-۱۵ (۱۵۰) است که یک ایزوتوپ ناپایدار با نیمه عمر ۱۲۲ ثانیه است. در حالی که یک شرکت کننده درگیر یک کار شناختی است، محقق این ایزوتوپ را به شکل آب (H2O) به جریان خون آن فرد تزریق می کند. ۱۵۰ هسته به سرعت تجزیه می شوند و هر کدام یک پوزیترون ساطع می کنند. برخورد پوزیترون با الکترون دو فوتون یا پرتو گاما ایجاد می کند. دو فوتون با سرعت نور در جهت مخالف حرکت می کنند و بدون مانع از بافت مغز، جمجمه و پوست سر عبور می کنند. اسکنر PET – اساساً یک آشکارساز پرتو گاما – محل برخورد را تعیین می کند.

Although all areas of the body use some of the radio- active oxygen, the fundamental assumption of PET is that there is increased blood flow to the brain regions that have heightened neural activity. Thus, PET activation studies measure relative activity, not absolute metabolic activity. In a typical PET experiment, the researcher administers the tracer at least twice: during a control condition and during one or more experimental conditions. The results are usually reported as a change in regional cerebral blood flow (rCBF) between the control and experimental conditions.

اگرچه تمام نواحی بدن از مقداری از اکسیژن رادیواکتیو استفاده می کنند، فرض اساسی PET این است که جریان خون در نواحی مغزی که فعالیت عصبی را افزایش می دهند، افزایش می یابد. بنابراین، مطالعات فعال‌سازی PET، فعالیت نسبی را اندازه‌گیری می‌کند، نه فعالیت متابولیک مطلق. در یک آزمایش معمولی PET، محقق حداقل دو بار ردیاب را اجرا می کند: در یک شرایط کنترل و در طول یک یا چند شرایط آزمایشی. نتایج معمولاً به عنوان تغییر در جریان خون مغزی منطقه ای (rCBF) بین شرایط کنترل و آزمایش گزارش می شود.

PET scanners are capable of resolving metabolic activity to regions, or voxels, of approximately 5 to 10 mm3. (Think of a voxel as a tiny cube, the three- dimensional analogue of a pixel) Although this volume includes only thousands of neurons, it is sufficient to identify cortical and subcortical areas of enhanced activity. It can even show functional variation within a given cortical area.

اسکنرهای PET می‌توانند فعالیت متابولیک را در مناطق یا وکسل‌های تقریباً ۵ تا ۱۰ میلی‌متر مکعب حل کنند. (یک وکسل را به عنوان یک مکعب کوچک، آنالوگ سه بعدی یک پیکسل در نظر بگیرید) اگرچه این حجم فقط هزاران نورون را شامل می شود، اما برای شناسایی نواحی قشر و زیر قشری با فعالیت افزایش یافته کافی است. حتی می تواند تغییرات عملکردی را در یک ناحیه قشر مشخص نشان دهد.

Recognizing that PET scanners can measure any radioactive agent, researchers have sought to develop specialized molecules that might serve as biomarkers of particular neurological disorders and pathologies. Historically, Alzheimer’s disease depended on a clinical diagnosis (and was frequently misdiagnosed) because only a postmortem analysis of brain tissue could confirm the presence of the disease’s defining beta-amyloid plaques and neurofibrillary tangles. A leading hypothesis for the cause of Alzheimer’s is that the production of amyloid, a ubiquitous protein in tissue, goes awry and leads to the characteristic plaques, though there is recent evidence against this hypothesis (Drachman, 2014; Freiherr et al., 2013). 

با درک این موضوع که اسکنرهای PET می توانند هر عامل رادیواکتیو را اندازه گیری کنند، محققان به دنبال توسعه مولکول‌های تخصصی هستند که ممکن است به عنوان نشانگرهای زیستی اختلالات و آسیب شناسی عصبی خاص عمل کنند. از نظر تاریخی، بیماری آلزایمر به تشخیص بالینی بستگی داشت (و اغلب اشتباه تشخیص داده می شد) زیرا تنها تجزیه و تحلیل پس از مرگ بافت مغز می توانست وجود پلاک‌های بتا آمیلوئید و گره‌های عصبی فیبریلاری را تایید کند. یک فرضیه اصلی برای علت آلزایمر این است که تولید آمیلوئید، پروتئینی که در همه جا در بافت وجود دارد، اشتباه می‌شود و منجر به پلاک‌های مشخصه می‌شود، اگرچه شواهد اخیر علیه این فرضیه وجود دارد (دراخمن، ۲۰۱۴؛ فریهر و همکاران، ۲۰۱۳).

FIGURE 3.29 Using PIB to look for signs of Alzheimer’s disease. PiB is a PET dye that binds to beta-amyloid. The dye was injected into a man with moderate symptoms of Alzheimer’s disease and into a cognitively normal woman of similar age. (a) The patient with Alzheimer’s disease shows significant binding of PiB in the frontal, posterior cingulate, parietal, and temporal cortices, as evidenced by the red, orange, and yellow coloring. (b) The control participant shows no uptake of PiB in her brain.

شکل ۳.۲۹ استفاده از PIB برای جستجوی علائم بیماری آلزایمر. PiB یک رنگ PET است که به بتا آمیلوئید متصل می شود. این رنگ به مردی با علائم متوسط ​​بیماری آلزایمر و به یک زن از نظر شناختی طبیعی با سن مشابه تزریق شد. (الف) بیمار مبتلا به بیماری آلزایمر اتصال قابل توجهی از PiB را در قشر پیشانی، سینگولیت خلفی، جداری و گیجگاهی نشان می‌دهد که با رنگ‌های قرمز، نارنجی و زرد مشهود است. (ب) شرکت کننده کنترل هیچ جذب PiB را در مغز خود نشان نمی دهد.

Motivated by a desire to diagnose and monitor Alzheimer’s in living individuals, Chester Mathis and William Klunk at the University of Pittsburgh set out to find a radioactive compound that would specifically label beta-amyloid. After testing hundreds of compounds, they identified a protein-specific, “C-labeled dye they could use as a PET tracer, which they called PiB, or Pitts burgh Compound B (Klunk et al., 2004). (Carbon-11 has a half-life of 20 minutes.) PiB binds to beta-amyloid (Figure 3.29), providing physicians with an in vivo assay of the presence of this biomarker.

با انگیزه‌ای برای تشخیص و پایش آلزایمر در افراد زنده، چستر ماتیس و ویلیام کلانک در دانشگاه پیتسبورگ به دنبال یافتن یک ترکیب رادیواکتیو بودند که به‌طور خاص بتا‌آمیلوید را نشانه‌گذاری کند. پس از آزمایش صدها ترکیب، آن‌ها یک رنگ مخصوص پروتئین “C-labeled” را شناسایی کردند که می‌توانستند به عنوان یک ردیاب PET استفاده کنند که آن را PiB یا ترکیب B پیتسبورگ نامیدند (کلانک و همکاران، ۲۰۰۴). (کربن-۱۱ نیمه‌عمر ۲۰ دقیقه‌ای دارد.) PiB به بتا‌آمیلوید متصل می‌شود (شکل ۳.۲۹) و به پزشکان این امکان را می‌دهد که آزمایشی زنده از وجود این نشانگر بیولوژیکی داشته باشند.

PET scans can now measure beta-amyloid plaques, thus adding a new tool for diagnosing Alzheimer’s. What’s more, physicians can screen asymptomatic patients and those with very early stages of cognitive impairment to predict their likelihood of developing Alzheimer’s. Being able to diagnose the disease definitively improves patient treatment and decreases the substantial risk of misdiagnosis. It also allows scientists to develop new experimental drugs designed either to disrupt the pathological development of plaques or to treat the symptoms of Alzheimer’s.

اسکن PET اکنون می تواند پلاک‌های بتا آمیلوئید را اندازه گیری کند، بنابراین ابزار جدیدی برای تشخیص آلزایمر اضافه می کند. علاوه بر این، پزشکان می توانند بیماران بدون علامت و کسانی که در مراحل اولیه اختلال شناختی هستند را غربالگری کنند تا احتمال ابتلای آنها به آلزایمر را پیش بینی کنند. توانایی تشخیص قطعی بیماری، درمان بیمار را بهبود می بخشد و خطر قابل توجهی از تشخیص اشتباه را کاهش می دهد. همچنین به دانشمندان این امکان را می دهد که داروهای آزمایشی جدیدی تولید کنند که برای ایجاد اختلال در رشد آسیب شناختی پلاک‌ها یا درمان علائم آلزایمر طراحی شده اند.

Functional Magnetic Resonance Imaging

تصویربرداری رزونانس مغناطیسی کاربردی

As with PET, fMRI exploits the fact that local blood flow increases in active parts of the brain. The procedure is essentially identical to the one used in traditional MRI. Radio waves cause the protons in hydrogen atoms to oscillate, and a detector measures local energy fields emitted as the protons return to the orientation of the magnetic field created by the MRI scanner. With fMRI, however, the magnetic properties of the deoxygenated form of hemoglobin, deoxyhemoglobin, are the focus of the imaging. Deoxygenated hemoglobin is paramagnetic (i.e., weakly magnetic in the presence of a magnetic field), whereas oxygenated hemoglobin is not. The fMRI detectors measure the ratio of oxygenated to deoxygenated hemoglobin; this value is referred to as the blood oxygen level-dependent (BOLD) effect.

مانند PET، fMRI از این واقعیت استفاده می کند که جریان خون موضعی در قسمت‌های فعال مغز افزایش می یابد. این روش اساساً مشابه روشی است که در MRI سنتی استفاده می شود. امواج رادیویی باعث نوسان پروتون‌های اتم‌های هیدروژن می‌شوند و یک آشکارساز میدان‌های انرژی محلی ساطع شده را با بازگشت پروتون‌ها به جهت میدان مغناطیسی ایجاد شده توسط اسکنر MRI اندازه‌گیری می‌کند. با این حال، با fMRI، خواص مغناطیسی شکل بدون اکسیژن هموگلوبین، دئوکسی هموگلوبین، تمرکز تصویربرداری است. هموگلوبین بدون اکسیژن پارامغناطیس است (یعنی در حضور میدان مغناطیسی ضعیف مغناطیسی است)، در حالی که هموگلوبین اکسیژن دار نیست. آشکارسازهای fMRI نسبت هموگلوبین اکسیژن‌دار به هموگلوبین فاقد اکسیژن را اندازه‌گیری می‌کنند. این مقدار به عنوان اثر وابسته به سطح اکسیژن خون (BOLD) نامیده می شود.

FIGURE 3.30 Functional MRI signal observed from cat visual cortex with a 4.7-tesla scanner.
The black bar indicates the duration of a visual stimulus. Initially there is a dip in the blood oxygen level-dependent (BOLD) signal, reflecting the depletion of oxygen from the activated cells. Over time, the BOLD signal increases, reflecting the increased hemodynamic response to the activated area. Scanners of this strength are now being used with human participants.

شکل ۳.۳۰ سیگنال MRI عملکردی مشاهده شده از قشر بینایی گربه با اسکنر ۴.۷ تسلا.
نوار سیاه نشان دهنده مدت زمان یک محرک بینایی است. در ابتدا یک افت در سیگنال وابسته به سطح اکسیژن خون (BOLD) وجود دارد که منعکس کننده کاهش اکسیژن از سلول‌های فعال شده است. با گذشت زمان، سیگنال BOLD افزایش می یابد که منعکس کننده افزایش پاسخ همودینامیک به ناحیه فعال شده است. اسکنرهایی با این قدرت اکنون برای شرکت کنندگان انسانی استفاده می شود.

Intuitively, one might expect the proportion of deoxygenated hemoglobin to be greater in the area surrounding active brain tissue, given the intensive metabolic costs associated with neural function. Results from fMRI, however, generally report an increase in the ratio of oxygenated to deoxygenated hemoglobin. This change occurs because as a region of the brain becomes active, the amount of blood directed to that area increases. The neural tissue is unable to absorb all of the excess oxygen. Functional MRI studies measure the time course of this process. Although neural events occur on a timescale measured in milliseconds, changes in blood flow occur much more slowly. In Figure 3.30, note that following the presentation of a stimulus (in this case, a visual stimulus), an increase in the BOLD response is observed after a few seconds, peaking 6 to 10 seconds later. Thus, with fMRI we can obtain an indirect measure of neuronal activity by measuring changes in the oxygen concentration in the blood.

به طور شهودی، با توجه به هزینه‌های متابولیکی شدید مرتبط با عملکرد عصبی، ممکن است انتظار داشته باشیم که نسبت هموگلوبین بدون اکسیژن در ناحیه اطراف بافت فعال مغز بیشتر باشد. نتایج حاصل از fMRI، با این حال، به طور کلی افزایش نسبت هموگلوبین اکسیژن‌دار به هموگلوبین بدون اکسیژن را گزارش می‌کنند. این تغییر به این دلیل رخ می دهد که با فعال شدن ناحیه ای از مغز، مقدار خون هدایت شده به آن ناحیه افزایش می یابد. بافت عصبی قادر به جذب تمام اکسیژن اضافی نیست. مطالعات عملکردی MRI، دوره زمانی این فرآیند را اندازه گیری می کند. اگرچه رویدادهای عصبی در مقیاس زمانی رخ می دهند که در میلی ثانیه اندازه گیری می شود، تغییرات در جریان خون بسیار کندتر رخ می دهد. در شکل ۳.۳۰، توجه داشته باشید که به دنبال ارائه یک محرک (در این مورد، یک محرک بینایی)، افزایش پاسخ BOLD پس از چند ثانیه مشاهده می شود که ۶ تا ۱۰ ثانیه بعد به اوج خود می رسد. بنابراین، با fMRI می‌توانیم با اندازه‌گیری تغییرات غلظت اکسیژن در خون، اندازه‌گیری غیرمستقیم فعالیت عصبی را به دست آوریم.

Functional MRI offers several advantages over PET. MRI scanners are much less expensive and easier to maintain, and fMRI uses no radioactive tracers, so it does not incur the additional costs, hassles, and hazards associated with handling these materials. Because fMRI does not require the injection of radioactive tracers, researchers can test the same individual repeatedly, either in a single session or over multiple sessions. Thus, it becomes possible to perform a complete statistical analysis on the data from a single participant. In addition, the images from fMRI data have better spatial resolution than is possible with PET. For these reasons, fMRI has led to revolutionary changes in cognitive neuroscience, with scanners commonplace now at research universities and articles using this method filling up the pages of neuroscience journals.

MRI عملکردی مزایای متعددی نسبت به PET دارد. اسکنرهای MRI بسیار ارزان‌تر و نگهداری آسان‌تر هستند، و fMRI از ردیاب‌های رادیواکتیو استفاده نمی‌کند، بنابراین هزینه‌ها، دردسرها و خطرات اضافی مربوط به کار با این مواد را متحمل نمی‌شود. از آنجایی که fMRI نیازی به تزریق ردیاب‌های رادیواکتیو ندارد، محققان می‌توانند یک فرد را به طور مکرر، چه در یک جلسه یا در چند جلسه آزمایش کنند. بنابراین، انجام یک تحلیل آماری کامل بر روی داده‌های یک شرکت‌کننده ممکن می‌شود. علاوه بر این، تصاویر حاصل از داده‌های fMRI وضوح فضایی بهتری نسبت به PET دارند. به این دلایل، fMRI منجر به تغییرات انقلابی در علوم اعصاب شناختی شده است، به طوری که اسکنرها در حال حاضر در دانشگاه‌های تحقیقاتی رایج هستند و مقالاتی که از این روش استفاده می کنند صفحات مجلات علوم اعصاب را پر می کنند.

FIGURE 3.31 Block design.
Functional MRI measures time-dependent fluctuations in oxygenation with good spatial resolution. The participant in this experiment viewed a field of randomly positioned white dots on a black background. The dots would either remain stationary (Stat.) or move along the radial axis (Mov.). The 40-second intervals of stimulation (shaded background) alternated with 40-second intervals during which the screen was blank (white background). (a) Measurements from primary visual cortex (V1) showed consistent increases during the stimulation intervals compared to the blank intervals. (b) In area MT, a visual region associated with motion perception (see Chapter 5), the increase was observed only when the dots were moving.

شکل ۳.۳۱ طراحی بلوک.
MRI عملکردی نوسانات اکسیژن رسانی وابسته به زمان را با وضوح فضایی خوب اندازه گیری می کند. شرکت‌کننده در این آزمایش، میدانی از نقاط سفید که به‌طور تصادفی در یک پس‌زمینه سیاه قرار گرفته بودند را مشاهده کرد. نقاط یا ثابت می مانند (Stat.) یا در امتداد محور شعاعی حرکت می کنند (Mov.). فواصل ۴۰ ثانیه ای تحریک (پس زمینه سایه دار) با فواصل ۴۰ ثانیه ای که در طی آن صفحه خالی بود (پس زمینه سفید) متناوب شد. (الف) اندازه‌گیری‌ها از قشر بینایی اولیه (V1) افزایش ثابتی را در طول فواصل تحریک در مقایسه با فواصل خالی نشان داد. (ب) در ناحیه MT، یک ناحیه بصری مرتبط با درک حرکت (به فصل ۵ مراجعه کنید)، افزایش تنها زمانی مشاهده شد که نقاط در حال حرکت بودند.

BLOCK DESIGN VERSUS EVENT-RELATED DESIGN

طراحی بلوک در مقابل طراحی مرتبط با رویداد

Functional MRI and PET differ in their temporal resolution, which has ramifications for study designs. PET imaging requires sufficient time for detecting enough radiation to create images of adequate quality. The participant must engage continuously in a single given experimental task for at least 40 seconds, and metabolic activity is averaged over this interval. Because of this time requirement, researchers must use block design experiments with PET.

MRI عملکردی و PET در وضوح زمانی متفاوت هستند، که برای طرح‌های مطالعه پیامدهایی دارد. تصویربرداری PET به زمان کافی برای تشخیص تابش کافی برای ایجاد تصاویر با کیفیت مناسب نیاز دارد. شرکت‌کننده باید حداقل به مدت ۴۰ ثانیه به طور مداوم در یک کار آزمایشی خاص شرکت کند و فعالیت متابولیک در این بازه به طور میانگین محاسبه می‌شود. به دلیل این نیاز زمانی، محققان باید از آزمایشات طراحی بلوک با PET استفاده کنند.

In a block design experiment (Figure 3.31), the researcher integrates the recorded neural activity over a “block” of time during which the participant performs multiple trials of the same type. For example, during some blocks of 40 seconds, the participant might view static dots, whereas in other 40-second blocks, the dots are moving about in a random fashion. The comparison can be either between the two stimulus conditions, or between these conditions and a control condition in which there is no visual stimulation. Because of the extended time requirement, the specificity of correlating activation patterns with a specific cognitive process suffers.

در یک آزمایش طراحی بلوک (شکل ۳.۳۱)، محقق فعالیت عصبی ثبت شده را در یک “بلوک” زمانی که در طی آن شرکت‌کننده آزمایش‌های متعددی از یک نوع انجام می‌دهد، ادغام می‌کند. به عنوان مثال، در طول برخی از بلوک‌های ۴۰ ثانیه ای، شرکت کننده ممکن است نقاط ثابت را مشاهده کند، در حالی که در بلوک‌های ۴۰ ثانیه ای دیگر، نقاط به صورت تصادفی حرکت می کنند. مقایسه می تواند بین دو شرایط محرک یا بین این شرایط و شرایط کنترلی باشد که در آن هیچ تحریک بصری وجود ندارد. به دلیل نیاز به زمان طولانی، ویژگی همبستگی الگوهای فعال سازی با یک فرآیند شناختی خاص آسیب می بیند.

Functional MRI studies can use either a block design, in which the experimenter compares the neural activations between experimental and control scanning phases, or an event-related design (Figure 3.32). As in ERP studies, the term event-related refers to the fact that, across experimental trials, the BOLD response links to specific events, such as the presentation of a stimulus or the onset of a movement. Although metabolic changes to any single event are likely to be hard to detect among background fluctuations in the brain’s hemodynamic response, we can obtain a clear signal by averaging over repetitions of these events. Because of the extended time course of the hemodynamic response, the BOLD responses to successive trials will overlap (Figure 3.32). However, sophisticated statistical methods can be used to determine the contribution of each event to the measured BOLD response.

مطالعات MRI عملکردی می‌تواند از یک طرح بلوکی استفاده کند، که در آن آزمایش‌کننده فعال‌سازی‌های عصبی را بین فازهای اسکن آزمایشی و کنترلی مقایسه می‌کند، یا یک طراحی مرتبط با رویداد (شکل ۳.۳۲). همانطور که در مطالعات ERP، اصطلاح مربوط به رویداد به این واقعیت اشاره دارد که در آزمایش‌های تجربی، پاسخ BOLD به رویدادهای خاصی مانند ارائه یک محرک یا شروع یک حرکت مرتبط است. اگرچه تشخیص تغییرات متابولیک در هر رویداد منفرد در میان نوسانات پس‌زمینه پاسخ همودینامیک مغز دشوار است، اما می‌توانیم با میانگین‌گیری بیش از تکرار این رویدادها، سیگنال واضحی به دست آوریم. به دلیل طولانی شدن دوره زمانی پاسخ همودینامیک، پاسخ‌های BOLD به کارآزمایی‌های متوالی همپوشانی دارند (شکل ۳.۳۲). با این حال، روش‌های آماری پیچیده را می توان برای تعیین سهم هر رویداد در پاسخ BOLD اندازه گیری شده استفاده کرد.

Event-related fMRI improves the experimental design because the researcher presents the experimental and control trials randomly. This approach helps ensure that the participants are in a similar attentional state during both types of trials, increasing the likelihood that the observed differences reflect the hypothesized processing demands rather than more generic factors, such as a change in overall arousal. Although a block design experiment is better able to detect small effects, researchers can use a greater range of experimental setups with event-related design; indeed, they can study some questions only by using event-related fMRI.

fMRI مرتبط با رویداد، طراحی آزمایشی را بهبود می بخشد زیرا محقق کارآزمایی‌های تجربی و کنترل را به صورت تصادفی ارائه می دهد. این رویکرد کمک می‌کند تا اطمینان حاصل شود که شرکت‌کنندگان در طول هر دو نوع کارآزمایی در وضعیت توجه مشابهی هستند، و این احتمال را افزایش می‌دهد که تفاوت‌های مشاهده‌شده منعکس‌کننده نیازهای پردازش فرضی به‌جای عوامل عمومی‌تر، مانند تغییر در برانگیختگی کلی باشد. اگرچه آزمایش طراحی بلوک بهتر می تواند اثرات کوچک را تشخیص دهد، محققان می توانند از طیف وسیع تری از تنظیمات آزمایشی با طراحی مرتبط با رویداد استفاده کنند. در واقع، آنها می توانند برخی از سوالات را فقط با استفاده از fMRI مربوط به رویداد مطالعه کنند.

FIGURE 3.32 Event-related design.
Unlike a block design, in which the stimuli for a given condition are clustered into blocks and the activity across the block is averaged, the event-related design randomizes the stimuli for different conditions, and the BOLD response to particular stimuli or responses can be extracted from the signal data. The measured BOLD response will include contributions from many different trials. Statistical methods are then used to extract the contribution related to each event.

شکل ۳.۳۲ طراحی مرتبط با رویداد.
بر خلاف طرح بلوک، که در آن محرک‌های یک شرایط معین به بلوک‌ها خوشه‌بندی می‌شوند و فعالیت در سراسر بلوک میانگین می‌شود، طراحی مرتبط با رویداد، محرک‌ها را برای شرایط مختلف تصادفی می‌کند و پاسخ BOLD به محرک‌ها یا پاسخ‌های خاص را می‌توان از داده‌های سیگنال استخراج کرد. پاسخ BOLD اندازه گیری شده شامل مشارکت‌های بسیاری از کارآزمایی‌های مختلف خواهد بود. سپس از روش‌های آماری برای استخراج سهم مربوط به هر رویداد استفاده می شود.

A powerful feature of event-related fMRI is that the experimenter can choose to combine the data from completed scans in many different ways. For example, consider memory failure. Most of us have had the frustrating experience of meeting someone at a party and then, just 2 minutes later, not remembering the person’s name. Did this happen because we failed to listen carefully during the original introduction, so the information never really entered memory? Or did the information enter our memory stores but then, after 2 minutes of distraction, we lost the ability to access it? The former would constitute a problem with memory encoding; the latter would reflect a problem with memory retrieval. Distinguishing between these two possibilities has been difficult, as evidenced by the thousands of articles on this topic that have appeared in cognitive psychology journals over the past 100 years.

یکی از ویژگی‌های قدرتمند fMRI مرتبط با رویداد این است که آزمایش‌کننده می‌تواند داده‌های اسکن‌های تکمیل‌شده را به روش‌های مختلف ترکیب کند. به عنوان مثال، نقص حافظه را در نظر بگیرید. بسیاری از ما تجربه ناامید کننده ای را داشته ایم که با کسی در یک مهمانی ملاقات کرده ایم و تنها ۲ دقیقه بعد نام آن شخص را به خاطر نمی آوریم. آیا این اتفاق به این دلیل رخ داد که ما در طول مقدمه اصلی نتوانستیم با دقت گوش کنیم، بنابراین اطلاعات واقعاً هرگز وارد حافظه نشد؟ یا اینکه اطلاعات وارد حافظه ما شد اما پس از ۲ دقیقه حواس پرتی، توانایی دسترسی به آن را از دست دادیم؟ اولی مشکلی در رمزگذاری حافظه ایجاد می کند. دومی مشکلی را در بازیابی حافظه منعکس می کند. تمایز بین این دو احتمال دشوار بوده است، همانطور که هزاران مقاله در این زمینه که در ۱۰۰ سال گذشته در مجلات روانشناسی شناختی منتشر شده است، نشان می دهد.

Anthony Wagner and his colleagues used event- related fMRI to take a fresh look at the question of memory encoding versus retrieval (A. D. Wagner et al., 1998). They obtained fMRI scans while participants were studying a list of words, where one word appeared every 2 seconds. About 20 minutes after the scanning session ended, they gave the participants a recognition memory test. On average, the participants correctly recognized 88% of the words that they had studied during the scanning session.

آنتونی واگنر و همکارانش از fMRI مرتبط با رویداد برای نگاهی تازه به مسئله رمزگذاری حافظه در مقابل بازیابی استفاده کردند (A. D. Wagner et al., 1998). آنها در حالی که شرکت کنندگان در حال مطالعه لیستی از کلمات بودند، اسکن fMRI گرفتند که در آن هر ۲ ثانیه یک کلمه ظاهر می شد. حدود ۲۰ دقیقه پس از پایان جلسه اسکن، آنها به شرکت کنندگان تست حافظه تشخیص دادند. به طور متوسط، شرکت کنندگان ۸۸ درصد از کلماتی را که در جلسه اسکن مطالعه کرده بودند به درستی تشخیص دادند.

The researchers then separated the trials according to whether the participant remembered or forgot a word. If the memory failure was due to retrieval difficulties, the two trials should have shown no differences in the fMRI response, since the researchers obtained the scans only while the participants were reading the words. If the memory failure was due to poor encoding, however, the researchers expected to see a different fMRI pattern following presentation of the remembered words compared to the forgotten words.

محققان سپس آزمایش‌ها را بر اساس اینکه شرکت‌کننده کلمه‌ای را به خاطر می‌آورد یا فراموش می‌کرد، از هم جدا کردند. اگر نارسایی حافظه به دلیل مشکلات بازیابی بود، دو کارآزمایی نباید تفاوتی در پاسخ fMRI نشان می‌دادند، زیرا محققان اسکن‌ها را تنها در زمانی که شرکت‌کنندگان در حال خواندن کلمات بودند به دست آوردند. با این حال، اگر خرابی حافظه به دلیل کدگذاری ضعیف باشد، محققان انتظار داشتند که پس از ارائه کلمات به خاطر سپرده شده در مقایسه با کلمات فراموش شده، الگوی fMRI متفاوتی ببینند.

The results clearly favored the encoding-failure hypothesis (Figure 3.33). The BOLD signal recorded from two areas, the prefrontal cortex and the hippocampus, was stronger following presentation of the remembered words. (As we will see in Chapter 9, these two areas of the brain play a critical role in memory formation.) Block design is a poor choice for a study like this, because with that method the signal is averaged over all the events within each scanning phase.

نتایج به وضوح از فرضیه رمزگذاری-شکست حمایت کردند (شکل ۳.۳۳). سیگنال BOLD ثبت شده از دو ناحیه، قشر جلوی مغز و هیپوکامپ، پس از ارائه کلمات به یاد مانده قوی تر بود. (همانطور که در فصل ۹ خواهیم دید، این دو ناحیه از مغز نقش مهمی در شکل‌گیری حافظه دارند.) طراحی بلوک انتخاب ضعیفی برای مطالعه‌ای مانند این است، زیرا با آن روش سیگنال در تمام رویدادهای هر مرحله اسکن میانگین می‌شود.

The massive amounts of data generated in fMRI studies have motivated researchers to develop sophisticated analysis tools-tools that go beyond simply comparing an experimental and control condition to ask whether patterns of activity contain information about cognitive states. One such method is multivoxel pattern analysis (MVPA), a pattern classification algorithm in which the researcher identifies the distributed patterns of neural activity consistently present for a particular event, task, stimulus, and so forth. These activation patterns can provide information about the functional role not just of brain areas, but of networks within and beyond them (see Section 3.7).

حجم عظیمی از داده‌های تولید شده در مطالعات fMRI، محققان را برانگیخته است تا ابزارهای تحلیلی پیچیده ای را توسعه دهند که فراتر از مقایسه ساده یک شرایط تجربی و کنترلی است تا بپرسند آیا الگوهای فعالیت حاوی اطلاعاتی در مورد حالات شناختی هستند یا خیر. یکی از این روش‌ها، تحلیل الگوی چندوکسلی (MVPA)، یک الگوریتم طبقه‌بندی الگو است که در آن محقق الگوهای توزیع‌شده فعالیت عصبی را شناسایی می‌کند که به طور مداوم برای یک رویداد خاص، کار، محرک و غیره وجود دارد. این الگوهای فعال‌سازی می‌توانند اطلاعاتی در مورد نقش عملکردی نه تنها نواحی مغز، بلکه شبکه‌های درون و فراتر از آن‌ها ارائه دهند (به بخش ۳.۷ مراجعه کنید).

Arielle Tambini and Lila Davachi (2013) used MVPA to ask whether consolidation continues in the hippocampus after something is learned. They first identified BOLD patterns across hippocampal voxels during encoding. Then they asked whether these same patterns persisted during periods of rest, when the participants did not receive stimulation. To test for the specificity of the content of memory, they asked the participants to perform two different encoding tasks-one in which they examined photos of faces, and another in which they examined photos of objects.

آریل تامبینی و لیلا داواچی (۲۰۱۳) از MVPA استفاده کردند تا بپرسند آیا تجمیع در هیپوکامپ بعد از یادگیری ادامه دارد یا نه. آن‌ها ابتدا الگوهای BOLD را در وکسل‌های هیپوکامپ در حین یادگیری شناسایی کردند. سپس از آن‌ها پرسیدند آیا این الگوها در زمان‌های استراحت که شرکت‌کنندگان هیچ گونه تحریکی دریافت نمی‌کردند، ادامه داشتند یا خیر. برای آزمایش خاصیت محتوای حافظه، از شرکت‌کنندگان خواستند دو کار مختلف یادگیری انجام دهند – یکی که در آن عکس‌های چهره‌ها را بررسی کردند و دیگری که در آن عکس‌های اشیاء را بررسی کردند.

The MVPA analysis revealed activation patterns during rest to be similar to those observed during encoding. Furthermore, the patterns were different for the faces and object photos. Thus, the researchers could predict from the brain activity which type of stimulus the participant was “thinking” about during the rest periods. Even more impressive, when tested on a subsequent memory test, the remembered items were the ones that had shown the strongest patterns during encoding and persistent activity in the post-encoding rest period.

تجزیه و تحلیل MVPA نشان داد که الگوهای فعال سازی در طول استراحت شبیه به آنهایی است که در هنگام رمزگذاری مشاهده می شود. علاوه بر این، الگوها برای عکس‌های چهره و اشیا متفاوت بود. بنابراین، محققان می‌توانند از روی فعالیت مغزی پیش‌بینی کنند که شرکت‌کننده در طول دوره‌های استراحت به کدام نوع محرک فکر می‌کند. حتی تاثیرگذارتر، زمانی که در تست حافظه بعدی مورد آزمایش قرار گرفت، موارد به خاطر سپردن مواردی بودند که قوی ترین الگوها را در طول رمزگذاری و فعالیت مداوم در دوره استراحت پس از رمزگذاری نشان داده بودند.

FIGURE 3.33 Event-related fMRI study showing memory failure as a problem of encoding. Both the left inferior frontal gyrus (LIFG) (a) and the left-hemisphere parahippocampal region (b) exhibit greater activity during encoding for words that were subsequently remembered compared to those that were forgotten. (A = parahippocampal region; B = fusiform gyrus.) Activity over the left visual cortex (c) and right motor cortex (d) was identical following words that subsequently were either remembered or forgotten. These results demonstrate that the memory effect is specific to the frontal and hippocampal regions.

شکل ۳.۳۳ مطالعه fMRI مربوط به رویداد که نقص حافظه را به عنوان یک مشکل رمزگذاری نشان می دهد. هم شکنج فرونتال تحتانی چپ (LIFG) (a) و هم ناحیه پاراهیپوکامپ نیمکره چپ (b) در هنگام رمزگذاری کلماتی که متعاقباً به خاطر سپرده شدند در مقایسه با موارد فراموش شده، فعالیت بیشتری نشان می دهند. (A = ناحیه پاراهیپوکامپ؛ B = شکنج دوکی شکل.) فعالیت روی قشر بینایی چپ (c) و قشر حرکتی سمت راست (d) کلمات زیر یکسان بودند که متعاقباً یا به خاطر سپرده شدند یا فراموش شدند. این نتایج نشان می‌دهد که اثر حافظه مختص نواحی فرونتال و هیپوکامپ است.

MAGNETIC RESONANCE SPECTROSCOPY

طیف سنجی رزونانس مغناطیسی

We can also use the MRI machine to measure other properties of brain tissue. One method, magnetic resonance spectroscopy (MRS), offers a tool to obtain, in vivo, information about the chemical composition of tissues (as opposed to the anatomical information obtained from standard, structural MRIs). We can do this because molecules have unique proton compositions that behave differently in a magnetic field. From the MRS data, researchers can estimate the 10 12 14 concentration of different neurochemicals in one brain area or the same neurotransmitter in multiple areas. They can also ask how these concentrations change during or after a person performs a task, similar to how they use fMRI research to measure task-dependent changes in the BOLD response. Because the signals for the neurotransmitters are quite weak, MRS scans require using large voxels and scanning times of about 10 minutes for each voxel.

ما همچنین می توانیم از دستگاه MRI برای اندازه گیری سایر خواص بافت مغز استفاده کنیم. یک روش، طیف‌سنجی تشدید مغناطیسی (MRS)، ابزاری را برای به دست آوردن اطلاعات در مورد ترکیب شیمیایی بافت‌ها (بر خلاف اطلاعات تشریحی به‌دست‌آمده از MRI‌های ساختاری استاندارد) ارائه می‌کند. ما می توانیم این کار را انجام دهیم زیرا مولکول‌ها دارای ترکیبات پروتون منحصر به فردی هستند که در یک میدان مغناطیسی رفتار متفاوتی دارند. از داده‌های MRS، محققان می توانند غلظت ۱۰ ۱۲ ۱۴ مواد شیمیایی عصبی مختلف را در یک ناحیه مغز یا همان انتقال دهنده عصبی را در مناطق مختلف تخمین بزنند. آن‌ها همچنین می‌توانند بپرسند که چگونه این غلظت‌ها در طول یا بعد از انجام یک کار تغییر می‌کنند، مشابه اینکه چگونه از تحقیقات fMRI برای اندازه‌گیری تغییرات وابسته به کار در پاسخ BOLD استفاده می‌کنند. از آنجایی که سیگنال‌های انتقال‌دهنده‌های عصبی بسیار ضعیف هستند، اسکن‌های MRS نیاز به استفاده از وکسل‌های بزرگ و زمان اسکن حدود ۱۰ دقیقه برای هر وکسل دارند.

The neurotransmitter gamma- aminobutyric acid (GABA) has been the focus of many MRS studies. One reason for its popularity is methodological: The signature of GABA is in a stable part of the MRS spectrum. The other is that it is also functional: GABA is the most prevalent inhibitory neurotransmitter in the cortex and has been linked to many psychiatric disorders. For example, one hypothesis suggests that an imbalance between excitatory and inhibitory neurotransmission is a central feature of the neurobiology of autism, and animal studies suggest that the imbalance is a result of disruptions in GABA pathways.

انتقال دهنده عصبی گاما آمینوبوتیریک اسید (GABA) تمرکز بسیاری از مطالعات MRS بوده است. یکی از دلایل محبوبیت آن روش شناختی است: امضای GABA در بخش پایداری از طیف MRS است. مورد دیگر این است که عملکردی نیز دارد: GABA شایع ترین انتقال دهنده عصبی بازدارنده در قشر مغز است و با بسیاری از اختلالات روانپزشکی مرتبط است. به عنوان مثال، یک فرضیه نشان می دهد که عدم تعادل بین انتقال عصبی تحریکی و مهاری یکی از ویژگی‌های اصلی نوروبیولوژی اوتیسم است و مطالعات حیوانی نشان می دهد که عدم تعادل نتیجه اختلال در مسیرهای GABA است.

To explore this hypothesis, Caroline Robertson and her colleagues (2016) employed a visual perception task in which the two eyes compete for control of perception. Binocular rivalry is a phenomenon that occurs when one image is presented to one eye and a different image to the other. We initially perceive one image and then, after a few seconds, our perception switches to the other image-and back and forth they go. The neural inputs to each eye appear to vie for dominance, presumably entailing a competition between excitatory and inhibitory processes in the visual cortex. Robertson demonstrated that individuals with autism perform differently from control participants on this task. The autistic individuals showed a slower rate of switching between the two images, as well as longer periods of mixed perception.

برای بررسی این فرضیه، کارولین رابرتسون و همکارانش (۲۰۱۶) از یک کار ادراک بصری استفاده کردند که در آن دو چشم برای کنترل ادراک با هم رقابت می کنند. رقابت دوچشمی پدیده ای است که زمانی رخ می دهد که یک تصویر به یک چشم و تصویری متفاوت به چشم دیگر ارائه شود. ما ابتدا یک تصویر را درک می کنیم و بعد از چند ثانیه، ادراک ما به تصویر دیگر تغییر می کند و آنها به عقب و جلو می روند. به نظر می رسد ورودی‌های عصبی هر چشم برای تسلط رقابت می کنند، که احتمالاً مستلزم رقابت بین فرآیندهای تحریکی و مهاری در قشر بینایی است. رابرتسون نشان داد که افراد مبتلا به اوتیسم در این کار متفاوت از شرکت کنندگان کنترل عمل می کنند. افراد اوتیستیک سرعت کمتری برای جابجایی بین دو تصویر و همچنین دوره‌های طولانی‌تری از ادراک مختلط را نشان دادند.

To examine the neurochemical correlates of this behavioral difference, the researchers focused on a voxel in the occipital lobe, using MRS to measure concentrations of GABA and an excitatory neurotransmitter, glutamate (Figure 3.34). The controls showed a correlation between GABA concentrations in the visual cortex and the rate of switching. This relationship was absent in the autistic individuals, even though they had the same average concentration of GABA. The researchers did not b find this difference between the groups for glutamate. These findings point to a possible link between a neurotransmitter and certain behavioral features of autism. Interestingly, it may not be the amount of the transmitter that is abnormal in autistic individuals, but rather how that transmitter is used (e.g., receptor sensitivity) or how it interacts with other transmitters.

برای بررسی همبستگی‌های عصبی شیمیایی این تفاوت رفتاری، محققان با استفاده از MRS برای اندازه گیری غلظت GABA و یک انتقال دهنده عصبی تحریکی، گلوتامات، بر روی یک وکسل در لوب پس سری تمرکز کردند (شکل ۳.۳۴). کنترل‌ها ارتباط بین غلظت GABA در قشر بینایی و سرعت سوئیچینگ را نشان دادند. این رابطه در افراد اوتیستیک وجود نداشت، حتی اگر میانگین غلظت GABA در آنها یکسان بود. محققان این تفاوت را بین گروه‌ها برای گلوتامات پیدا نکردند. این یافته‌ها به ارتباط احتمالی بین یک انتقال دهنده عصبی و برخی ویژگی‌های رفتاری اوتیسم اشاره می کند. جالب اینجاست که ممکن است مقدار فرستنده در افراد اوتیستیک غیرطبیعی نباشد، بلکه نحوه استفاده از آن فرستنده (مثلاً حساسیت گیرنده) یا نحوه تعامل آن با سایر فرستنده‌ها باشد.

FIGURE 3.34 Line spectra from MRS data.
(a) in a study of binocular rivalry, MRS data were acquired from a voxel centered over the visual cortex. The analysis focused on two neurotransmitters: GABA and glutamate. In the control individuals, GABA (b) and glutamate (c) levels strongly predicted the strength of perceptual suppression during binocular rivalry, the proportion of each trial spent viewing a dominant percept. In the individuals with autism, however, this relationship was observed only with glutamate. The lack of correlation between perception and GABA levels may be related to the lower switching rates in this group.

شکل ۳.۳۴ طیف خطی از داده‌های MRS.
(الف) در یک مطالعه رقابت دوچشمی، داده‌های MRS از یک وکسل در مرکز قشر بینایی به دست آمد. تجزیه و تحلیل بر روی دو انتقال دهنده عصبی متمرکز شد: GABA و گلوتامات. در افراد کنترل، سطوح GABA (b) و گلوتامات (c) قویاً قدرت سرکوب ادراکی را در طول رقابت دوچشمی پیش‌بینی کرد، نسبت هر آزمایشی که صرف مشاهده یک ادراک غالب شد. اما در افراد مبتلا به اوتیسم این رابطه فقط با گلوتامات مشاهده شد. فقدان همبستگی بین سطوح ادراک و GABA ممکن است به نرخ سوئیچینگ پایین در این گروه مرتبط باشد.

Limitations of Functional Imaging Techniques

محدودیت‌های تکنیک‌های تصویربرداری عملکردی

It is important to understand the limitations of imaging techniques such as PET and fMRI. First, PET and fMRI have poor temporal resolution compared with single-cell recordings or ERPs. PET is constrained by the decay rate of the radioactive agent (on the order of minutes), and fMRI is dependent on the hemodynamic changes that underlie the BOLD response (on the order of seconds). A complete picture of the physiology and anatomy of cognition usually requires integrating results obtained in ERP studies with those obtained in fMRI studies.

درک محدودیت‌های تکنیک‌های تصویربرداری مانند PET و fMRI بسیار مهم است. اول، PET و fMRI وضوح زمانی ضعیفی در مقایسه با ضبط‌های تک سلولی یا ERP دارند. PET توسط نرخ پوسیدگی عامل رادیواکتیو (به ترتیب چند دقیقه) محدود می شود، و fMRI وابسته به تغییرات همودینامیک است که زیربنای پاسخ BOLD (به ترتیب ثانیه) است. یک تصویر کامل از فیزیولوژی و آناتومی شناخت معمولاً مستلزم ادغام نتایج به دست آمده در مطالعات ERP با نتایج بدست آمده در مطالعات fMRI است.

Second, to relate function and structure, it is necessary to be able to map the data obtained with functional imaging methods such as fMRI or PET onto corresponding structural MRI scans. The structural scans can be a slice, a computerized 3-D image of the entire cortical sur- face, or an inflated cortical surface to better reflect the distance between areas in cortical space. These methods work because brains, in general, all have the same components. Just like fingerprints, however, no two brains are the same. They vary in overall size, in the size and location of gyri, in the size of individual regions, in shape, and in connectivity. This variation presents a problem for comparisons of the functional imaging data across individuals.

دوم، برای ارتباط عملکرد و ساختار، لازم است بتوانیم داده‌های به‌دست‌آمده با روش‌های تصویربرداری عملکردی مانند fMRI یا PET را روی اسکن‌های MRI ساختاری مربوطه نگاشت کنیم. اسکن‌های ساختاری می‌توانند یک برش، یک تصویر سه‌بعدی کامپیوتری از کل سطح قشر مغز یا یک سطح قشر متورم برای انعکاس بهتر فاصله بین نواحی در فضای قشر مغز باشند. این روش‌ها به این دلیل کار می کنند که مغزها، به طور کلی، همه اجزای یکسانی دارند. درست مانند اثر انگشت، با این حال، هیچ دو مغز یکسان نیستند. آنها در اندازه کلی، در اندازه و محل gyri، در اندازه مناطق جداگانه، در شکل و در اتصال متفاوت هستند. این تنوع مشکلی را برای مقایسه داده‌های تصویربرداری عملکردی در بین افراد ایجاد می کند.

One solution is to use mathematical methods to align individual brain images within a common space, building on the assumption that points deep in the cerebral hemi- spheres have a predictable relationship to the horizontal planes running through the anterior and posterior commissures, two large white matter tracts connecting the two cerebral hemispheres. In 1988, Jean Talairach and Pierre Tournoux published a standardized, three-dimensional, proportional grid system to identify and measure brain components despite their variability. Using the postmortem brain of a 60-year-old French woman, they divided the brain into thousands of voxels with dimensions in the millimeter range. Each voxel was given a 3-D Talairach coordinate in relation to the anterior commissure, on the x (left or right), y (anterior or posterior), and z (superior or inferior) axes. By using these standard anatomical landmarks, researchers can take structural MRI scans and morph them onto standard Talairach space as a way to combine information across individuals. A limitation with this approach, though, is that to fit brains to the standardized atlas, we must warp the images to fit the standard template.

یک راه‌حل این است که از روش‌های ریاضی برای هم‌راستا کردن تصاویر مغز فردی در یک فضای مشترک استفاده کنیم، با این فرض که نقاط عمیق در نیم‌کره‌های مغزی رابطه قابل پیش‌بینی با سطوح افقی که از طریق کمیشورهای قدامی و پس‌سر، دو مسیر بزرگ ماده سفید که دو نیم‌کره مغزی را به هم متصل می‌کند، دارند. در سال ۱۹۸۸، ژان تلاکر و پیر تورنو یک سیستم شبکه سه‌بعدی استاندارد و تناسبی را منتشر کردند تا اجزای مغز را با وجود تغییراتشان شناسایی و اندازه‌گیری کنند. با استفاده از مغز پس از مرگ یک زن فرانسوی ۶۰ ساله، آنها مغز را به هزاران وکسل با ابعاد در محدوده میلی‌متر تقسیم کردند. هر وکسل یک مختصات سه‌بعدی تلاکر به نسبت کمیشور قدامی، در محورهای x (چپ یا راست)، y (قدامی یا پس‌سر) و z (بالا یا پایین) اختصاص داده شد. با استفاده از این نقاط مرجع آناتومیک استاندارد، محققان می‌توانند اسکن‌های MRI ساختاری را بگیرند و آنها را به فضای استاندارد تلاکر تغییر شکل دهند تا به نوعی اطلاعات را بین افراد ترکیب کنند. یک محدودیت در این رویکرد، این است که برای تطبیق مغزها با اطلس استاندارد، باید تصاویر را به گونه‌ای تغییر شکل دهیم که با الگوی استاندارد مطابقت داشته باشند.

Functional imaging signals are also quite variable. To improve a signal, researchers apply data averaging procedures, smoothing the BOLD signals across neighboring voxels. The assumption is that this activation should be similar in neighboring voxels and that at least some of the variation is noise. However, it may well be that discontinuities arise because in one individual, neighboring voxels come from cortical regions that are on opposite sides of a sulcus. Thus, there is a cost to these smoothing techniques, especially when we analyze the data from different individuals with different anatomies. 

سیگنال‌های تصویربرداری عملکردی نیز کاملاً متغیر هستند. برای بهبود سیگنال، محققان از روش‌های میانگین‌گیری داده‌ها استفاده می‌کنند و سیگنال‌های BOLD را در وکسل‌های همسایه هموار می‌کنند. فرض بر این است که این فعال سازی باید در وکسل‌های همسایه مشابه باشد و حداقل بخشی از تغییرات نویز است. با این حال، ممکن است ناپیوستگی‌ها به این دلیل باشد که در یک فرد، وکسل‌های مجاور از نواحی قشری که در طرف مقابل یک شیار قرار دارند، می آیند. بنابراین، این تکنیک‌های هموارسازی هزینه‌ای دارد، به‌ویژه زمانی که داده‌های افراد مختلف با آناتومی‌های مختلف را تجزیه و تحلیل می‌کنیم.

A third difficulty arises on interpretation of the data from a PET or fMRI study. The data sets from an imaging study are massive, presenting challenging statistical problems. Choosing the proper significance threshold is important. Too high, and you may miss regions that are significant; too low, and you risk including random activations. Functional imaging studies frequently use what are termed “corrected” significance levels, implying that the statistical criteria have been adjusted to account for the many comparisons involved in the analysis.

مشکل سوم در تفسیر داده‌های یک مطالعه PET یا fMRI ایجاد می شود. مجموعه داده‌های یک مطالعه تصویربرداری عظیم هستند و مشکلات آماری چالش برانگیزی را ارائه می دهند. انتخاب آستانه اهمیت مناسب مهم است. خیلی زیاد است، و ممکن است مناطق مهم را از دست بدهید. بسیار کم است، و شما در معرض خطر فعال سازی تصادفی هستید. مطالعات تصویربرداری عملکردی اغلب از سطوح معنی‌داری «تصحیح‌شده» استفاده می‌کنند که به این معنی است که معیارهای آماری برای توضیح بسیاری از مقایسه‌های درگیر در تجزیه و تحلیل تنظیم شده‌اند.

Fourth, even with proper statistical procedures, comparisons between different experimental conditions are likely to produce many differences. This should be no surprise, given what we know about the distributed nature of brain function. For example, asking someone to generate a verb associated with a noun (experimental task) likely requires many more cognitive operations than just saying the noun (control task). Thus it is difficult to make inferences about each area’s functional contribution from neuroimaging data. We have to remember that correlation does not imply causation. In addition, neuronal input, not output, is the primary driver of the BOLD signal (Logothetis et al., 2001); therefore, an area showing increased activation may be downstream from brain areas that provide the critical computations.

چهارم، حتی با روش‌های آماری مناسب، مقایسه بین شرایط تجربی مختلف احتمالاً تفاوت‌های زیادی را ایجاد می‌کند. با توجه به آنچه در مورد ماهیت توزیع شده عملکرد مغز می دانیم، این نباید تعجب آور باشد. به عنوان مثال، درخواست از کسی برای ایجاد یک فعل مرتبط با یک اسم (کار آزمایشی) احتمالاً به عملیات شناختی بسیار بیشتری از گفتن یک اسم (کار کنترلی) نیاز دارد. بنابراین استنباط در مورد سهم عملکردی هر ناحیه از داده‌های تصویربرداری عصبی دشوار است. باید به خاطر داشته باشیم که همبستگی به معنای علیت نیست. علاوه بر این، ورودی عصبی، نه خروجی، محرک اصلی سیگنال BOLD است (Logothetis و همکاران، ۲۰۰۱). بنابراین، ناحیه‌ای که افزایش فعال‌سازی را نشان می‌دهد ممکن است در پایین دست مناطق مغزی باشد که محاسبات حیاتی را ارائه می‌کنند.

TAKE-HOME MESSAGES

پیام‌های کلیدی

▪️ Positron emission tomography (PET) measures metabolic activity in the brain by monitoring the distribution of a decaying radioactive tracer. A popular tracer for cognitive studies is 150 because the distribution of oxygen increases in neural regions that are active. Researchers can design tracers to target particular types of tissue. The PiB tracer was designed to bind to beta-amyloid, providing an in vivo assay of an important biomarker for Alzheimer’s disease.

▪️ توموگرافی گسیل پوزیترون (PET) فعالیت متابولیک در مغز را با نظارت بر توزیع یک ردیاب رادیواکتیو در حال پوسیدگی اندازه گیری می کند. یک ردیاب محبوب برای مطالعات شناختی ۱۵۰ است زیرا توزیع اکسیژن در نواحی عصبی فعال افزایش می یابد. محققان می توانند ردیاب‌هایی را برای هدف قرار دادن انواع خاصی از بافت طراحی کنند. ردیاب PiB برای اتصال به بتا آمیلوئید طراحی شده است، و یک سنجش in vivo از یک نشانگر زیستی مهم برای بیماری آلزایمر را ارائه می دهد.

▪️In functional magnetic resonance imaging (fMRI), the MRI scanner is configured to measure changes in the oxygen content of the blood (hemodynamic response). We assume these changes correlate with local changes in neural activity.

▪️در تصویربرداری رزونانس مغناطیسی عملکردی (fMRI)، اسکنر MRI برای اندازه‌گیری تغییرات در محتوای اکسیژن خون (پاسخ همودینامیک) پیکربندی شده است. ما فرض می کنیم این تغییرات با تغییرات موضعی در فعالیت عصبی مرتبط است.

▪️ In magnetic resonance spectroscopy (MRS), the MRI scanner is configured to target specific metabolites, providing a tool to measure the concentration of neurotransmitters.

▪️ در طیف‌سنجی تشدید مغناطیسی (MRS)، اسکنر MRI برای هدف قرار دادن متابولیت‌های خاص پیکربندی می‌شود و ابزاری برای اندازه‌گیری غلظت انتقال‌دهنده‌های عصبی فراهم می‌کند.

▪️Compared to methods that measure electrical signals, PET and fMRI have poor temporal resolution, averaging metabolic signals over seconds or even minutes. However, we can use them simultaneously to obtain images of the entire brain with reasonable spatial resolution.

▪️در مقایسه با روش‌هایی که سیگنال‌های الکتریکی را اندازه‌گیری می‌کنند، PET و fMRI وضوح زمانی ضعیفی دارند و میانگین سیگنال‌های متابولیک را در چند ثانیه یا حتی چند دقیقه به دست می‌آورند. با این حال، می‌توانیم از آنها به طور همزمان برای به دست آوردن تصاویری از کل مغز با وضوح فضایی مناسب استفاده کنیم.

۳.۷ Connectivity Maps

۳.۷ نقشه‌های اتصال

Functional imaging methods have provided cognitive neuroscientists with an amazing tool for functional localization. By carefully selecting experimental and control conditions, researchers can investigate the neural regions involved in almost any cognitive task. Just consider some- thing as fundamental as face perception, a task we will examine in detail in Chapter 6. Not only can we study the brain areas activated during face perception, but we can also make more subtle distinctions, asking which parts of the brain are active when we look at the faces of celebrities, or loved ones, or people from other racial groups. The results from these studies capture the public imagination: Barely a week goes by without an article appearing in the newspaper stating something like, “Scientists have found the part of the brain associated with romantic love!”

روش‌های تصویربرداری عملکردی ابزار شگفت‌انگیزی برای مکان‌یابی عملکردی در اختیار دانشمندان علوم اعصاب شناختی قرار داده است. با انتخاب دقیق شرایط تجربی و کنترلی، محققان می توانند مناطق عصبی درگیر در تقریباً هر کار شناختی را بررسی کنند. فقط چیزی به اندازه ادراک صورت را در نظر بگیرید، وظیفه ای که در فصل ۶ به تفصیل بررسی خواهیم کرد. نه تنها می توانیم نواحی مغز فعال شده در طول ادراک چهره را مطالعه کنیم، بلکه می توانیم تمایزات ظریف تری نیز قائل شویم، و بپرسیم که کدام قسمت‌های مغز وقتی به چهره افراد مشهور، یا عزیزان یا افرادی از گروه‌های نژادی دیگر نگاه می کنیم، فعال هستند. نتایج این مطالعات تخیل عمومی را به خود جلب می کند: به سختی یک هفته می گذرد که مقاله ای در روزنامه منتشر نمی شود که چیزی شبیه این را بیان می کند: “دانشمندان بخشی از مغز را یافته اند که با عشق رمانتیک مرتبط است!”

What we miss in such oversimplifications is the appreciation that brain regions do not work in isolation, but rather as part of a vastly complex, interconnected network. To understand how the brain supports any cognitive process, we need tools that can illuminate these patterns of connectivity. Over the past decade, considerable effort has gone into developing such tools, and this work has yielded different ways to describe connectivity maps. These maps, sometimes referred to as connectomes, are visualizations of structural or functional connections within the brain.

چیزی که ما در چنین ساده‌سازی‌های بیش از حد از دست می‌دهیم، درک این موضوع است که نواحی مغز به‌صورت مجزا کار نمی‌کنند، بلکه بیشتر به‌عنوان بخشی از یک شبکه بسیار پیچیده و به هم پیوسته کار می‌کنند. برای درک اینکه چگونه مغز از هر فرآیند شناختی پشتیبانی می کند، به ابزارهایی نیاز داریم که بتوانند این الگوهای اتصال را روشن کنند. در طول دهه گذشته، تلاش‌های قابل توجهی برای توسعه چنین ابزارهایی انجام شده است و این کار راه‌های مختلفی را برای توصیف نقشه‌های اتصال به دست آورده است. این نقشه‌ها که گاهی به آنها کانکتوم نیز گفته می شود، تجسم اتصالات ساختاری یا عملکردی در مغز هستند.

FIGURE 3.35 Constructing a human brain network.
A brain network can be constructed with either structural or functional imaging data. (1) Data from imaging methods such as anatomical MRI or fMRI are divided into nodes. With EEG and MEG, the sensors can serve as the nodes. (2) The correlations between all possible pairs of nodes are measured, and (3) an association matrix is generated to visualize the pairwise associations between the nodes. These correlations can be plotted to form a connectivity map, or connectome (4). The connectivity map shown here was constructed from a different fMRI data set than was used to construct the association matrix pictured in Step 3. Links are plotted between node pairs that exhibit significant functional correlations (i.e., connectivity). The size of each node indicates its number of links. Each of the colors, which highlight functional networks within the map, indicates the lobe of the brain that a node occupies.

شکل ۳.۳۵ ساخت شبکه مغز انسان.
یک شبکه مغزی را می توان با داده‌های تصویربرداری ساختاری یا عملکردی ساخت. (۱) داده‌های حاصل از روش‌های تصویربرداری مانند MRI تشریحی یا fMRI به گره‌ها تقسیم می شوند. با EEG و MEG، حسگرها می توانند به عنوان گره عمل کنند. (۲) همبستگی بین تمام جفت‌های احتمالی گره‌ها اندازه‌گیری می‌شود، و (۳) یک ماتریس ارتباطی برای تجسم پیوندهای زوجی بین گره‌ها ایجاد می‌شود. این همبستگی‌ها را می توان برای تشکیل یک نقشه اتصال یا اتصال (۴) ترسیم کرد. نقشه اتصال نشان داده شده در اینجا از مجموعه داده‌های fMRI متفاوتی ساخته شده است که برای ساخت ماتریس ارتباط تصویر شده در مرحله ۳ استفاده شده است. پیوندها بین جفت گره‌هایی رسم می شوند که همبستگی‌های عملکردی قابل توجهی را نشان می دهند (به عنوان مثال، اتصال). اندازه هر گره تعداد پیوندهای آن را نشان می دهد. هر یک از رنگ‌ها که شبکه‌های عملکردی درون نقشه را برجسته می‌کنند، لوب مغزی را که یک گره اشغال می‌کند، نشان می‌دهد.

A brain network can be constructed from either structural or functional imaging data. Its construction requires four steps, as depicted in Figure 3.35:

یک شبکه مغزی را می توان از داده‌های تصویربرداری ساختاری یا عملکردی ساخت. ساخت آن به چهار مرحله نیاز دارد، همانطور که در شکل ۳.۳۵ نشان داده شده است:

۱. Define the network nodes. Data from structural imaging methods such as anatomical MRI or fMRI are divided into nodes, visualized in a parcellation map. With EEG and MEG, the sensors can serve as the nodes.

۱. گره‌های شبکه را تعریف کنید. داده‌های حاصل از روش‌های تصویربرداری ساختاری مانند MRI تشریحی یا fMRI به گره‌هایی تقسیم می‌شوند که در یک نقشه تقسیم‌بندی مشاهده می‌شوند. با EEG و MEG، حسگرها می توانند به عنوان گره عمل کنند.

۲. Measure the correlation between all possible pairs of nodes, using the dependent variable of interest-for example, fractional anisotropy (a measure of diffusion) for DTI, or BOLD response for fMRI.

۲. همبستگی بین تمام جفت‌های احتمالی گره‌ها را با استفاده از متغیر وابسته علاقه اندازه‌گیری کنید – برای مثال، ناهمسانگردی کسری (معیار انتشار) برای DTI، یا پاسخ BOLD برای fMRI.

۳. Generate an association matrix by compiling all pairwise associations between the nodes.

۳. با کامپایل کردن همه پیوندهای زوجی بین گره‌ها، یک ماتریس ارتباط ایجاد کنید.

۴. Visualize the correlations in a connectivity map. One way to create these maps is to depict brain regions as nodes of a network and indicate connections as edges between them. The geometric relationships of the nodes and edges define the network and provide a visualization of brain organization.

۴. همبستگی‌ها را در یک نقشه اتصال تجسم کنید. یکی از راه‌های ایجاد این نقشه‌ها، به تصویر کشیدن نواحی مغز به عنوان گره‌های یک شبکه و نشان دادن اتصالات به عنوان لبه‌های بین آن‌ها است. روابط هندسی گره‌ها و لبه‌ها شبکه را تعریف می کند و تصویری از سازماندهی مغز را ارائه می دهد.

We can construct connectivity maps at many scales. On the micro scale, a node could be a single neuron. For instance, the only entire network of cellular neural connections that researchers have described is in the nematode worm Caenorhabditis elegans. The worm’s very limited nervous system enabled them to construct a connectivity map in which each node is a neuron, and to identify all of the connections. On the scale of the human brain, the nodes and edges typically represent anatomically or functionally defined units. For instance, the nodes might be clusters of voxels and the edges a representation of nodes that show correlated patterns of activation. In this manner, researchers can differentiate between nodes that act as hubs, sharing links with many neighboring nodes, and nodes that act as connectors, providing links to more distant clusters. Connectivity maps can also depict the relative strength, or weighting, of the edges.

ما می‌توانیم نقشه‌های اتصال را در مقیاس‌های مختلف بسازیم. در مقیاس میکروسکوپی، یک گره می‌تواند یک نورون تنها باشد. به عنوان مثال، تنها شبکه کامل ارتباطات عصبی سلولی که پژوهشگران توصیف کرده‌اند، در کرم نماتود Caenorhabditis elegans قرار دارد. سیستم عصبی بسیار محدود این کرم به آن‌ها این امکان را داد که یک نقشه اتصال بسازند که در آن هر گره یک نورون است و تمام ارتباطات را شناسایی کنند. در مقیاس مغز انسان، معمولاً گره‌ها و لبه‌ها واحدهای تعریف‌شده آناتومیکی یا کاربردی را نمایش می‌دهند. به عنوان مثال، گره‌ها ممکن است خوشه‌های وکسلی و لبه‌ها نمایش گره‌هایی باشند که الگوهای همبستگی از فعال‌سازی را نشان می‌دهند. به این ترتیب، پژوهشگران می‌توانند بین گره‌هایی که به عنوان‌هاب عمل می‌کنند، که با گره‌های همسایه بسیاری مرتبط هستند، و گره‌هایی که به عنوان متصل‌کننده فعالیت می‌کنند، که پیوندهایی به خوشه‌های دورتر می‌دهند، تمایز قائل شوند. نقشه‌های اتصال همچنین می‌توانند قوت نسبی یا وزن لبه‌ها را به تصویر بکشند.

Because neuroscientists can construct connectivity maps by using the data obtained from just about any neuroimaging method, such maps provide a valuable way to compare results from experiments using different methods (Bullmore & Bassett, 2011). For instance, connectomes based on anatomical measures, such as DTI, can be compared with connectomes based on functional measures, such as fMRI. Connectomes also provide ways to visualize the organizational properties of neural networks. For instance, three studies employing vastly different data sets to produce graphical models reported similar associations between general intelligence and connectivity measures of brain network efficiency (Bassett et al., 2009; Y. Li et al. 2009; van den Heuvel et al., 2009).

از آنجایی که دانشمندان علوم اعصاب می‌توانند با استفاده از داده‌های به‌دست‌آمده از تقریباً هر روش تصویربرداری عصبی، نقشه‌های اتصال بسازند، چنین نقشه‌هایی راه ارزشمندی برای مقایسه نتایج حاصل از آزمایش‌ها با استفاده از روش‌های مختلف ارائه می‌کنند (Bullmore & Bassett, 2011). به عنوان مثال، کانکتوم‌های مبتنی بر معیارهای تشریحی، مانند DTI، را می توان با کانکتوم‌های مبتنی بر معیارهای عملکردی، مانند fMRI مقایسه کرد. Connectomes همچنین راه‌هایی برای تجسم ویژگی‌های سازمانی شبکه‌های عصبی ارائه می دهد. به عنوان مثال، سه مطالعه با استفاده از مجموعه داده‌های بسیار متفاوت برای تولید مدل‌های گرافیکی، ارتباط مشابهی بین هوش عمومی و معیارهای اتصال کارایی شبکه مغز را گزارش کردند (Bassett et al., 2009; Y. Li et al. 2009; van den Heuvel et al., 2009).

Functional MRI data are especially useful for constructing connectivity maps because fMRI can efficiently collect data from across the entire brain for relatively long periods. A simple way to examine functional connectivity is to look at the correlation across time between any two voxels or clusters of voxels. We can correlate the BOLD time series for the pair of voxels to define how “connected” the two areas are: A high correlation, either positive or negative, means high connectivity. There are different ways of looking for distributed patterns of activation. For instance, we can look across the entire cortex and define for each region the areas that show the highest connectivity. Alternatively, we can do a more focused region of interest (ROI) analysis using a particular voxel as the seed, comparing its BOLD response with all the other voxels.

داده‌های عملکردی MRI به ویژه برای ساختن نقشه‌های اتصال مفید هستند زیرا fMRI می تواند به طور موثر داده‌ها را از سراسر مغز برای دوره‌های نسبتا طولانی جمع آوری کند. یک راه ساده برای بررسی اتصال عملکردی این است که به همبستگی در طول زمان بین هر دو وکسل یا خوشه‌های وکسل نگاه کنید. ما می‌توانیم سری‌های زمانی BOLD را برای جفت وکسل‌ها به هم مرتبط کنیم تا مشخص کنیم این دو ناحیه چقدر به هم مرتبط هستند: همبستگی بالا، مثبت یا منفی، به معنای اتصال بالا است. راه‌های مختلفی برای جستجوی الگوهای فعال سازی توزیع شده وجود دارد. به عنوان مثال، می‌توانیم کل قشر را نگاه کنیم و برای هر منطقه مناطقی را که بالاترین اتصال را نشان می‌دهند، تعریف کنیم. از طرف دیگر، می‌توانیم با استفاده از یک وکسل خاص به‌عنوان دانه، تجزیه و تحلیل منطقه مورد نظر متمرکزتر (ROI) را انجام دهیم و پاسخ BOLD آن را با تمام وکسل‌های دیگر مقایسه کنیم.

As you might imagine, connectivity analyses can quickly become a huge computational and statistical problem. Given that a whole-brain fMRI scan contains over 200,000 voxels, a full map involving just pairwise comparisons would require 40 billion correlations for each time point! To make things more tractable, we employ smoothing procedures to create a smaller set of larger voxels-a reasonable procedure, given that activity in neighboring voxels is usually highly correlated.

همانطور که ممکن است تصور کنید، تجزیه و تحلیل اتصال می تواند به سرعت به یک مشکل محاسباتی و آماری بزرگ تبدیل شود. با توجه به اینکه یک اسکن fMRI کل مغز حاوی بیش از ۲۰۰۰۰۰ وکسل است، یک نقشه کامل شامل مقایسه‌های زوجی به ۴۰ میلیارد همبستگی برای هر نقطه زمانی نیاز دارد! برای اینکه کارها قابل انعطاف‌تر باشد، از روش‌های هموارسازی برای ایجاد مجموعه‌ای کوچکتر از وکسل‌های بزرگتر استفاده می‌کنیم – یک روش معقول، با توجه به اینکه فعالیت در وکسل‌های همسایه معمولاً همبستگی بالایی دارد.

Perhaps the biggest growth industry in cognitive neuroscience over the past decade has been the use of resting-state fMRI (rs-fMRI) to study functional connectivity. As the name implies, the fMRI data for this procedure are collected while the participants are at rest, having been given this instruction: “Keep your eyes open and just relax.” You might imagine that the connectivity maps would vary greatly from one individual to another. “Just relax” might lead to very different cognitive states across individuals: One person might plan the dinner menu for the evening, another might daydream about a recent trip to Hawaii, and a third might wonder how possibly to relax while lying in a narrow tube that is emitting strange sounds! Hundreds of studies, however, have shown that resting-state data, obtained from as little as 6 minutes of scanning, produce highly reliable connectivity maps revealing what one could call the intrinsic functional connectivity of the human brain.

شاید بزرگترین صنعت رشد در علوم اعصاب شناختی در دهه گذشته استفاده از fMRI در حالت استراحت (rs-fMRI) برای مطالعه اتصال عملکردی بوده است. همانطور که از نام آن پیداست، داده‌های fMRI برای این روش در حالی که شرکت‌کنندگان در حال استراحت هستند، جمع‌آوری می‌شود و به آنها این دستورالعمل داده شده است: “چشمان خود را باز نگه دارید و فقط استراحت کنید.” ممکن است تصور کنید که نقشه‌های اتصال از فردی به فرد دیگر بسیار متفاوت است. «فقط استراحت کن» ممکن است به حالت‌های شناختی بسیار متفاوتی بین افراد منجر شود: یک نفر ممکن است منوی شام را برای عصر برنامه‌ریزی کند، دیگری ممکن است درباره سفر اخیر به‌هاوایی خیال‌پردازی کند، و سومی ممکن است تعجب کند که چگونه ممکن است در حالی که در یک لوله باریک دراز کشیده است که صداهای عجیبی منتشر می‌کند، استراحت کند! با این حال، صدها مطالعه نشان داده‌اند که داده‌های حالت استراحت، که از ۶ دقیقه اسکن به دست آمده‌اند، نقشه‌های ارتباطی بسیار قابل اعتمادی را تولید می‌کنند که می‌توان آن را اتصال عملکردی ذاتی مغز انسان نامید.

In one large-scale study, researchers collected rs- fMRI data from 1,000 individuals (Yeo et al., 2011). Depending on the criteria used to define a unique net- work, they found they could capture the activity patterns across 1,175 voxels with 7 to 17 networks (Figure 3.36). This pattern is highly reliable: The same picture emerged not only when the 1,000 individuals were separated into two groups of 500 brains each, but also when much smaller samples were used. These networks are also manifest in studies using experimental tasks (active-state scans), although the strength of a network depends on the task. For example, a medial network is most active in tasks that require self-reflection, whereas a frontoparietal network is active in tasks that require active monitoring of the environment.

در یک مطالعه در مقیاس بزرگ، محققان داده‌های rs-fMRI را از ۱۰۰۰ نفر جمع‌آوری کردند (Yeo et al., 2011). بسته به معیارهای مورد استفاده برای تعریف یک شبکه منحصر به فرد، آنها دریافتند که می توانند الگوهای فعالیت را در ۱۱۷۵ وکسل با ۷ تا ۱۷ شبکه ثبت کنند (شکل ۳.۳۶). این الگو بسیار قابل اعتماد است: تصویر مشابه نه تنها زمانی که ۱۰۰۰ فرد به دو گروه ۵۰۰ مغزی هر کدام تقسیم شدند، بلکه زمانی که از نمونه‌های بسیار کوچکتر استفاده شد نیز ظاهر شد. این شبکه‌ها همچنین در مطالعاتی که از وظایف آزمایشی استفاده می‌کنند (اسکن‌های حالت فعال) آشکار می‌شوند، اگرچه قدرت یک شبکه به کار بستگی دارد. به عنوان مثال، یک شبکه میانی در کارهایی که نیاز به بازتاب خود دارند بیشترین فعالیت را دارد، در حالی که یک شبکه frontoparietal در کارهایی فعال است که نیاز به نظارت فعال بر محیط دارد.

FIGURE 3.36 Network cortical parcellation.
(a) Seven main networks were identified from 500 discovery participants. These networks’ functional names (see the legend), commonly used in neuroimaging, are not meant to correspond exactly to the functions they indicate. In the “default” (“mind-wandering”) network, BOLD is especially prominent at rest and decreases when the participant is engaged in a task. Scans of the same seven networks, based on a replication sample of 500 scans, demonstrate how consistent this measure is. (b) An alternative parcellation shows 17 networks from the 500 discovery participants. The 17-network replication sample.

شکل ۳.۳۶ تقسیم بندی قشر شبکه.
(الف) هفت شبکه اصلی از ۵۰۰ شرکت کننده در کشف شناسایی شد. نام‌های عملکردی این شبکه‌ها (به افسانه مراجعه کنید)، که معمولاً در تصویربرداری عصبی استفاده می شود، قرار نیست دقیقاً با عملکردهایی که نشان می دهند مطابقت داشته باشد. در شبکه «پیش‌فرض» («سرگردان ذهن»)، BOLD به ویژه در حالت استراحت برجسته است و زمانی که شرکت‌کننده درگیر یک کار است، کاهش می‌یابد. اسکن‌های همان هفت شبکه، بر اساس نمونه تکراری ۵۰۰ اسکن، نشان می‌دهد که این اندازه‌گیری چقدر سازگار است. (ب) یک بسته بندی جایگزین ۱۷ شبکه از ۵۰۰ شرکت کننده کشف را نشان می دهد. نمونه تکرار شبکه ۱۷.

The evidence shows that brain networks are consistent across individuals. What about within an individual? Will the correlation patterns observed in one session correspond to those observed in a different session? And if so, can we use this information to predict differences between individuals? Emily Finn and her colleagues at Yale University (2015) obtained resting-state scans and active-state scans (during working memory, motor, language, and emotion tasks) from 126 individuals on two different days and created connectomes for each condition for each individual.

شواهد نشان می‌دهد که شبکه‌های مغز در بین افراد یکسان است. در درون یک فرد چطور؟ آیا الگوهای همبستگی مشاهده شده در یک جلسه با الگوهای مشاهده شده در یک جلسه دیگر مطابقت دارد؟ و اگر چنین است، آیا می توانیم از این اطلاعات برای پیش بینی تفاوت بین افراد استفاده کنیم؟ امیلی فین و همکارانش در دانشگاه ییل (۲۰۱۵) اسکن‌های حالت استراحت و اسکن‌های حالت فعال (در حین انجام وظایف حافظه کاری، حرکتی، زبان و احساسات) را از ۱۲۶ نفر در دو روز مختلف به‌دست آوردند و برای هر شرایط اتصالات ایجاد کردند.

To ask whether individuals have unique connectomes, the researchers compared the connectivity pattern from one condition (e.g., resting state on Day 1) to all 126 scans from another condition (e.g., resting state on Day 2). By correlating each pair of connectomes, they could identify the best match. Amazingly, for Resting State 1, the algorithm produced the right match (i.e., Resting State 2 from the same individual) on 117 of the 126 tests. The matches were also well above chance when the resting- state connectome was used to predict the connectivity maps for the other conditions (e.g., with the Day 2 working memory scans), although not quite as impressive. Thus, it appears that we each have very distinct connectivity patterns, or what the authors called a connectome fingerprint (should have been brainprint!).

محققان برای اینکه بپرسند آیا افراد اتصالات منحصر به فردی دارند، الگوی اتصال را از یک وضعیت (مثلاً حالت استراحت در روز اول) با تمام ۱۲۶ اسکن از شرایط دیگر (مثلاً وضعیت استراحت در روز دوم) مقایسه کردند. با همبستگی هر جفت اتصال، آنها می توانند بهترین تطابق را شناسایی کنند. به طور شگفت انگیزی، برای حالت استراحت ۱، الگوریتم مطابقت مناسب (یعنی حالت استراحت ۲ از همان فرد) را در ۱۱۷ آزمایش از ۱۲۶ آزمایش ایجاد کرد. زمانی که اتصال حالت استراحت برای پیش‌بینی نقشه‌های اتصال برای سایر شرایط (مثلاً با اسکن‌های حافظه کاری روز دوم) استفاده می‌شد، منطبق‌ها بسیار بالاتر از شانس بودند، اگرچه نه چندان چشمگیر. بنابراین، به نظر می‌رسد که هر یک از ما الگوهای اتصال بسیار متمایز یا همان چیزی که نویسندگان آن را اثر انگشت اتصال می‌نامند (باید اثر مغزی می‌بود!) داریم.

The researchers went on to ask whether connectivity patterns were predictive of cognitive abilities, and here they focused on problem-solving skills, called fluid intelligence. They employed a leave-one-out procedure, in which they omitted the data from one participant when building the model and then, later, compared that participant’s data to the completed model. Taking the data from 125 individuals, they asked how strongly each edge (connection between 256 x 256 voxels) correlated with fluid intelligence. Using these data, they built a model relating connectivity to intelligence, dubbed a connectogram. Then they fed the connectivity pattern for the 126th person into the model, generating a prediction of that person’s intelligence. They repeated this procedure for each of the 126 individuals. One individual’s connectogram is shown in Figure 3.37. The researchers were able to make good predictions of general intelligence using either the whole- brain connectome or just the connections within the frontoparietal network. The model was also successful when tested with rs-fMRI data from a new sample of participants. 

محققان در ادامه این سوال را مطرح کردند که آیا الگوهای ارتباطی توانایی‌های شناختی را پیش‌بینی می‌کنند یا خیر، و در اینجا آنها بر مهارت‌های حل مسئله، به نام هوش سیال، تمرکز کردند. آنها از یک روش ترک یک بیرون استفاده کردند، که در آن داده‌های یک شرکت‌کننده را هنگام ساخت مدل حذف کردند و سپس، داده‌های آن شرکت‌کننده را با مدل تکمیل‌شده مقایسه کردند. با گرفتن داده‌های ۱۲۵ نفر، آنها پرسیدند که هر یال (ارتباط بین ۲۵۶×۲۵۶ وکسل) چقدر با هوش سیال ارتباط دارد. آنها با استفاده از این داده‌ها، مدلی ساختند که ارتباط را با هوش مرتبط می‌کند، که کانکتوگرام نامیده می‌شود. سپس الگوی اتصال برای ۱۲۶ نفر را وارد مدل کردند و پیش بینی هوش آن شخص را ایجاد کردند. آنها این روش را برای هر یک از ۱۲۶ نفر تکرار کردند. کانکتوگرام یک فرد در شکل ۳.۳۷ نشان داده شده است. محققان توانستند با استفاده از کانکتوم کل مغز و یا فقط از اتصالات درون شبکه فروپاریتال، پیش بینی‌های خوبی از هوش عمومی انجام دهند. این مدل همچنین هنگام آزمایش با داده‌های rs-fMRI از نمونه جدیدی از شرکت‌کنندگان موفق بود.

FIGURE 3.37 Two ways to derive individual connectograms. Each ring is based on 268 anatomical nodes that have been clustered into 10 regions, with the colors indicating lobes and subcortical structures. The rings are symmetrical, with the left hemisphere on the left and the right hemisphere on the right. The lines indicate edges (connections). (a) Connectivity strength, defined by the consistency of the BOLD response across different experimental conditions. The connections (edges) with a high DP tend to have similar values within an individual across conditions, but different values across individuals regardless of condition. These connections are primarily in the frontal, temporal, and parietal lobes. (b) Connectivity strength, defined by the consistency of the BOLD response between two nodes. These edges are highly consistent within a subject and across the group. Many of these edges are within the motor and primary visual networks.

شکل ۳.۳۷ دو روش برای استخراج کانکتوگرام‌های فردی. هر حلقه بر اساس ۲۶۸ گره تشریحی است که در ۱۰ ناحیه دسته بندی شده اند و رنگ‌ها نشان دهنده لوب‌ها و ساختارهای زیر قشری هستند. حلقه‌ها متقارن هستند و نیمکره چپ در سمت چپ و نیمکره راست در سمت راست قرار دارد. خطوط نشان دهنده لبه‌ها (اتصالات) هستند. (الف) قدرت اتصال، که با سازگاری پاسخ BOLD در شرایط مختلف آزمایشی تعریف می‌شود. اتصالات (لبه‌ها) با DP بالا تمایل به داشتن مقادیر مشابه در یک فرد در سراسر شرایط دارند، اما مقادیر متفاوتی در بین افراد بدون توجه به شرایط دارند. این اتصالات عمدتاً در لوب‌های فرونتال، گیجگاهی و جداری هستند. (ب) قدرت اتصال، که با سازگاری پاسخ BOLD بین دو گره تعریف می شود. این لبه‌ها در یک موضوع و در سراسر گروه بسیار سازگار هستند. بسیاری از این لبه‌ها در داخل موتور و شبکه‌های بصری اولیه قرار دارند.

Along the same lines, mounting evidence suggests that connectivity data from rs-fMRI can predict some behavioral abnormalities. For example, psychiatric dis- orders such as schizophrenia, autism spectrum disorder, chronic depression, and attention deficit hyperactivity disorder (ADHD) are associated with abnormalities in rs- fMRI connectivity profiles (Fornito & Bullmore, 2010). In studies designed to describe the emergence, timing, and development of functional connections, as well as to look for early biomarkers that might predict developmental disorders (Thomason et al., 2013), researchers have used rs-fMRI on fetal brains in utero. Amazingly, clear patterns of connectivity can be measured in the fetus by Week 25. The stage is thus set for future work to ask how these patterns might be affected by prenatal events such as infections, stress, and alcohol or drug use.

در همین راستا، شواهد در حال افزایش نشان می‌دهد که داده‌های اتصال از rs-fMRI می‌تواند برخی ناهنجاری‌های رفتاری را پیش‌بینی کند. به عنوان مثال، اختلالات روانپزشکی مانند اسکیزوفرنی، اختلال طیف اوتیسم، افسردگی مزمن، و اختلال نقص توجه و بیش فعالی (ADHD) با ناهنجاری در پروفایل‌های ارتباطی rs-fMRI مرتبط است (Fornito & Bullmore, 2010). در مطالعاتی که برای توصیف ظهور، زمان‌بندی و توسعه اتصالات عملکردی طراحی شده‌اند، و همچنین برای جستجوی نشانگرهای زیستی اولیه که ممکن است اختلالات رشدی را پیش‌بینی کنند (توماسون و همکاران، ۲۰۱۳)، محققان از rs-fMRI روی مغز جنین در رحم استفاده کرده‌اند. به طور شگفت انگیزی، الگوهای واضح اتصال را می توان تا هفته ۲۵ در جنین اندازه گیری کرد. بنابراین مرحله برای کار آینده آماده می شود تا بپرسیم چگونه این الگوها ممکن است تحت تأثیر رویدادهای قبل از تولد مانند عفونت‌ها، استرس، و مصرف الکل یا مواد مخدر قرار گیرند.

There is also considerable interest in using connectivity analyses both to predict learning and to examine how brain activity changes with learning. Networks can be analyzed to ask how connectivity patterns change with learning, whether over the short term (minutes) or over longer time periods (years). One method used here is dynamic network analysis, employed in a study designed to reveal how networks reconfigure when people learn a new skill and to explore individual differences in our capacity to learn (Basset et al., 2015). The researchers identified changes in functional connectivity between brain regions over the course of learning a motor task, and they then showed how those changes related to differences in the rate at which people learned the skill.

همچنین علاقه قابل توجهی به استفاده از تجزیه و تحلیل‌های ارتباطی هم برای پیش بینی یادگیری و هم برای بررسی چگونگی تغییر فعالیت مغز با یادگیری وجود دارد. شبکه‌ها را می‌توان برای پرسیدن اینکه چگونه الگوهای اتصال با یادگیری تغییر می‌کنند، چه در کوتاه‌مدت (دقیقه‌ها) و چه در دوره‌های زمانی طولانی‌تر (سال) تجزیه و تحلیل شوند. یکی از روش‌های مورد استفاده در اینجا تجزیه و تحلیل شبکه پویا است که در یک مطالعه طراحی شده برای نشان دادن نحوه پیکربندی مجدد شبکه‌ها هنگامی که افراد یک مهارت جدید را یاد می‌گیرند و برای کشف تفاوت‌های فردی در ظرفیت یادگیری ما به کار گرفته شده است (Basset et al., 2015). محققان تغییراتی را در اتصال عملکردی بین نواحی مغز در طول یادگیری یک کار حرکتی شناسایی کردند و سپس نشان دادند که چگونه این تغییرات به تفاوت در میزان یادگیری مهارت افراد مرتبط است.

On Day 1 of the experiment, participants under- went two scans: a resting-state scan, and a pretraining active-state scan in which they practiced six 10-element sequences of keyboard presses. Over the next 6 weeks, the participants were required to practice the sequences on their own computers at home 5 days each week, but the amount of practice varied for specific sequences. Two sequences were practiced only once in each of the 30 sessions, two were repeated 10 times each session, and two were practiced 75 times each session. Participants repeated the scanning procedure (rest and active) after 2 weeks (early in training), 4 weeks (midpoint), and 6 weeks (late; Figure 3.38). As expected, over the 6 weeks the participants became much faster at producing the sequences, especially those they practiced most frequently.

در روز اول آزمایش، شرکت‌کنندگان تحت دو اسکن قرار گرفتند: یک اسکن در حالت استراحت، و یک اسکن در حالت فعال پیش‌آموزشی که در آن شش دنباله ۱۰ عنصری فشار صفحه کلید را تمرین کردند. در طی ۶ هفته بعد، شرکت کنندگان باید هر هفته ۵ روز در خانه، توالی‌ها را در رایانه شخصی خود تمرین کنند، اما میزان تمرین برای توالی‌های خاص متفاوت بود. دو توالی در هر ۳۰ جلسه فقط یک بار، دو دنباله در هر جلسه ۱۰ بار و دو دنباله ۷۵ بار در هر جلسه تمرین شد. شرکت کنندگان روش اسکن (استراحت و فعال) را پس از ۲ هفته (اوایل تمرین)، ۴ هفته (نقطه میانی)، و ۶ هفته (تأخیر؛ شکل ۳.۳۸) تکرار کردند. همانطور که انتظار می رفت، طی ۶ هفته، شرکت کنندگان در تولید سکانس‌ها، به ویژه آنهایی که اغلب تمرین می کردند، بسیار سریعتر شدند.

To look for changes in functional connectivity, the researchers collapsed 200,000 voxels into 120 regions of interest. Data from the active-state scans showed high activity in motor and visual areas across the four scanning sessions-a result that is not surprising, given the task. With practice, however, the activity between these two regions became less correlated. One interpretation is that with practice, the production of sequential movements became less dependent on visual input. This decrease varied across individuals, with some individuals developing more motor autonomy than others.

برای جستجوی تغییرات در اتصال عملکردی، محققان ۲۰۰۰۰۰ وکسل را در ۱۲۰ منطقه مورد نظر جمع کردند. داده‌های حاصل از اسکن‌های حالت فعال، فعالیت بالایی را در نواحی حرکتی و بینایی در چهار جلسه اسکن نشان داد – نتیجه‌ای که با توجه به این کار تعجب‌آور نیست. با این حال، با تمرین، فعالیت بین این دو منطقه کمتر همبسته شد. یک تفسیر این است که با تمرین، تولید حرکات متوالی کمتر به ورودی بصری وابسته شد. این کاهش در بین افراد متفاوت بود، به طوری که برخی از افراد نسبت به دیگران استقلال حرکتی بیشتری داشتند.

Increasing autonomy, however, did not predict individual differences in learning rate. Rather, it was changes in connectivity between regions of the frontal lobe and anterior cingulate that predicted learning speed: Faster learning was associated with faster reduction in the correlation between these two areas; that is, participants whose cognitive control system disengaged soonest learned fastest (see Chapter 12). It may be that cognitive assistance provided by these regions can facilitate learning early on, but once performance becomes more automatic, communication between these regions is no longer essential and may even slow learning.

با این حال، افزایش استقلال تفاوت‌های فردی را در میزان یادگیری پیش‌بینی نکرد. در عوض، این تغییرات در اتصال بین نواحی لوب فرونتال و سینگولیت قدامی بود که سرعت یادگیری را پیش‌بینی کرد: یادگیری سریع‌تر با کاهش سریع‌تر همبستگی بین این دو ناحیه همراه بود. یعنی شرکت‌کنندگانی که سیستم کنترل شناختی‌شان زودتر از کار افتاد، سریع‌تر یاد گرفتند (به فصل ۱۲ مراجعه کنید). ممکن است کمک‌های شناختی ارائه شده توسط این مناطق بتواند یادگیری را در مراحل اولیه تسهیل کند، اما هنگامی که عملکرد خودکارتر شد، ارتباط بین این مناطق دیگر ضروری نیست و حتی ممکن است یادگیری را کند کند.

FIGURE 3.38 Training schedule for measuring learning. Participants underwent a resting-state scan and an active-state scan before training, and then again every 2 weeks for the following 6 weeks.

شکل ۳.۳۸ برنامه آموزشی برای اندازه گیری یادگیری. شرکت‌کنندگان قبل از تمرین یک اسکن در حالت استراحت و یک اسکن وضعیت فعال و سپس هر ۲ هفته یک بار برای ۶ هفته بعد مورد آزمایش قرار گرفتند.

In a follow-up study using these data, the researchers asked whether they could predict individual differences in learning rates from the rs-fMRI data (Mattar et al., in press). They hypothesized that individuals would learn a motor task more swiftly if their motor systems were more flexible and “primed” for autonomy, as indicated by fewer connections between their motor and visual systems when at rest. Indeed, individuals who had relatively weak connections between the early visual areas and the premotor area at rest learned faster. The researchers suggest that fewer such connections correspond to motor systems with a propensity to “liberate” movement selection from stimulus-driven to internally driven mechanisms.

در یک مطالعه بعدی با استفاده از این داده‌ها، محققان پرسیدند که آیا می‌توانند تفاوت‌های فردی در میزان یادگیری را از داده‌های rs-fMRI پیش‌بینی کنند (Mattar و همکاران، در حال چاپ). آنها فرض کردند که اگر سیستم‌های حرکتی‌شان انعطاف‌پذیرتر باشد و برای خودمختاری آماده‌تر باشد، افراد تکلیف حرکتی را سریع‌تر یاد می‌گیرند، همانطور که با اتصالات کمتر بین سیستم حرکتی و بینایی آنها در هنگام استراحت نشان داده می‌شود. در واقع، افرادی که ارتباط نسبتاً ضعیفی بین نواحی بینایی اولیه و ناحیه پیش حرکتی در حالت استراحت داشتند، سریع‌تر یاد گرفتند. محققان پیشنهاد می‌کنند که تعداد کمتری از این اتصالات مربوط به سیستم‌های حرکتی با تمایل به “آزادسازی” انتخاب حرکت از مکانیسم‌های محرک به درون رانده است.

Connectivity studies have enabled cognitive neuroscientists to creatively exploit the massive data sets produced in fMRI studies. Network analyses provide a picture complementary to the one obtained in studies that focus on characterizing activity patterns within specific regions. Together, these functional imaging approaches have greatly advanced our understanding of the specialized functions of various brain areas and of how they operate in networks to support cognition.

مطالعات ارتباطی، دانشمندان علوم اعصاب شناختی را قادر می سازد تا به طور خلاقانه از مجموعه داده‌های عظیم تولید شده در مطالعات fMRI بهره برداری کنند. تجزیه و تحلیل شبکه تصویری مکمل با تصویری که در مطالعاتی که بر توصیف الگوهای فعالیت در مناطق خاص تمرکز دارد، ارائه می‌کند. این رویکردهای تصویربرداری عملکردی، با هم، درک ما را از عملکردهای تخصصی نواحی مختلف مغز و نحوه عملکرد آنها در شبکه‌ها برای حمایت از شناخت، بسیار ارتقا داده است.

TAKE-HOME MESSAGES

پیام‌های کلیدی

▪️ Connectivity maps capture correlated patterns of activity between different brain regions. Researchers derive these maps from fMRI data obtained during both a resting-state scan (while engaged in no task) and an active-state scan (while performing a task).

▪️ نقشه‌های اتصال الگوهای مرتبط فعالیت را بین مناطق مختلف مغز ثبت می کنند. محققان این نقشه‌ها را از داده‌های fMRI به‌دست‌آمده در حین اسکن در حالت استراحت (در حالی که درگیر بدون کار) و اسکن در حالت فعال (در حین انجام یک کار) به‌دست می‌آیند.

▪️Data from rs-fMRI have revealed a relatively small set of intrinsic networks across the cerebral cortex. These networks are very reliable when assessed both between individuals and within individuals.

▪️ داده‌های rs-fMRI مجموعه نسبتا کوچکی از شبکه‌های ذاتی را در سراسر قشر مغز نشان داده است. این شبکه‌ها زمانی که هم بین افراد و هم در درون افراد ارزیابی شوند بسیار قابل اعتماد هستند.

▪️Connectivity maps offer new methods for examining variation between individuals or groups. For example, one can ask about the neural correlates associated with individual differences in intelligence or skill learning, or ask how individuals with a psychiatric condition differ from healthy individuals.

▪️ نقشه‌های اتصال روش‌های جدیدی را برای بررسی تنوع بین افراد یا گروه‌ها ارائه می دهند. به عنوان مثال، می‌توان در مورد همبستگی‌های عصبی مرتبط با تفاوت‌های فردی در هوش یا یادگیری مهارت سؤال کرد، یا اینکه افراد مبتلا به یک بیماری روانپزشکی چه تفاوتی با افراد سالم دارند.

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---

---