مبانی علوم اعصاب اریک کندل؛ تصویربرداری و رفتار؛ تصویربرداری تشدید مغناطیسی عملکردی

To EXPLAIN AN ORGANISM’S BEHAVIOR in biological terms, it is necessary to reconcile measures of biological processes (eg, action potentials, blood flow, release of neurotransmitters) with measures of cognitive and motor outputs. Relating biological and behavioral measures is challenging, however. Precise neural measurements and invasive techniques are possible in nonhuman animals, but many of these species have a relatively constrained behavioral repertory. Moreover, it is far more difficult to directly measure or invasively manipulate neural activity in healthy humans, the species with the most advanced and varied behavior. Thus, a central effort of modern neuroscience has been to develop new methods for obtaining precise biological measures from the human brain and for modeling human behaviors in nonhuman animals.

برای توضیح رفتار یک ارگانیسم در شرایط بیولوژیکی، لازم است که معیارهای فرآیندهای بیولوژیکی (مانند پتانسیل‌های عمل، جریان خون، انتشار انتقال دهنده‌های عصبی) با معیارهای خروجی شناختی و حرکتی تطبیق داده شوند. با این حال، ارتباط اقدامات بیولوژیکی و رفتاری چالش برانگیز است. اندازه گیری‌های عصبی دقیق و تکنیک‌های تهاجمی‌در حیوانات غیر انسانی امکان پذیر است، اما بسیاری از این گونه‌ها دارای یک مجموعه رفتاری نسبتاً محدود هستند. علاوه بر این، اندازه گیری مستقیم یا دستکاری تهاجمی‌فعالیت عصبی در انسان‌های سالم، گونه‌هایی با پیشرفته ترین و متنوع ترین رفتار، بسیار دشوارتر است. بنابراین، تلاش اصلی علوم اعصاب مدرن توسعه روش‌های جدید برای به دست آوردن معیارهای دقیق بیولوژیکی از مغز انسان و مدل‌سازی رفتارهای انسان در حیوانات غیرانسان بوده است.

The dominant approach in humans for measuring biological processes and linking them to behavior is functional magnetic resonance imaging (fMRI). Other imaging methods for measuring human brain function such as electroencephalography, positron emission tomography, and near-infrared spectroscopy have their own strengths. However, fMRI is particularly well suited for studying the neural underpinnings of human behavior for several reasons. First, it is non- invasive: It does not require surgery, ionizing radiation, or other disruptive intervention. Second, it can measure brain function over short periods of time (in seconds), which allows it to capture dynamic aspects of mental processes and behavior. Third, it measures activity across the whole brain simultaneously, providing the opportunity to examine how multiple brain regions interact to mediate complex behaviors. Thus, the focus of this chapter is fMRI.

رویکرد غالب در انسان برای اندازه‌گیری فرآیندهای بیولوژیکی و پیوند آنها با رفتار، تصویربرداری تشدید مغناطیسی عملکردی (fMRI) است. سایر روش‌های تصویربرداری برای اندازه گیری عملکرد مغز انسان مانند الکتروانسفالوگرافی، توموگرافی گسیل پوزیترون و طیف سنجی نزدیک به مادون قرمز نقاط قوت خود را دارند. با این حال، fMRI به‌ویژه برای مطالعه پایه‌های عصبی رفتار انسان به دلایل مختلفی مناسب است. اول اینکه غیر تهاجمی‌است: نیازی به جراحی، اشعه یونیزان یا سایر مداخلات مخرب ندارد. دوم، می‌تواند عملکرد مغز را در دوره‌های زمانی کوتاه (در ثانیه) اندازه‌گیری کند، که به آن اجازه می‌دهد تا جنبه‌های پویای فرآیندهای ذهنی و رفتار را به تصویر بکشد. سوم، فعالیت در سراسر مغز را به طور همزمان اندازه گیری می‌کند و فرصتی را برای بررسی نحوه تعامل چندین ناحیه مغز برای واسطه رفتارهای پیچیده فراهم می‌کند. بنابراین، تمرکز این فصل fMRI است.

We start by explaining the technicalities of how an fMRI experiment works and how the data are typically collected. We then explain how fMRI data are analyzed and how they provide insight into human behavior and thought. We then turn to a more conceptual overview of what has been learned from fMRI, using examples from the fields of perception, memory, and decision- making. Finally, we consider the strengths and limitations of fMRI and discuss what kinds of inferences about brain and behavior it can support.

ما با توضیح نکات فنی نحوه عملکرد یک آزمایش fMRI و نحوه جمع‌آوری داده‌ها شروع می‌کنیم. سپس توضیح می‌دهیم که چگونه داده‌های fMRI تجزیه و تحلیل می‌شوند و چگونه بینشی از رفتار و افکار انسان ارائه می‌دهند. سپس با استفاده از مثال‌هایی از حوزه‌های ادراک، حافظه و تصمیم‌گیری، به مروری مفهومی‌تر از آنچه از fMRI آموخته‌ایم، می‌پردازیم. در نهایت، ما نقاط قوت و محدودیت‌های fMRI را در نظر می‌گیریم و درباره نوع استنباط‌هایی درباره مغز و رفتار آن بحث می‌کنیم.

Although the focus of this chapter is on imaging and behavior in the healthy brain, fMRI also has the potential to change the way we diagnose and treat psychiatric and neurological disorders. Virtually all such disorders (eg, autism, schizophrenia, depression, eating disorders) involve changes in large-scale circuit dynamics, in addition to the disruption of particular brain regions and cell types. Basic research into how healthy brain circuits mediate mental processes and behavior, combined with the ability to measure activity in these same circuits in clinical populations, holds tremendous promise for understanding disease and dysfunctional behavior.

اگرچه تمرکز این فصل بر روی تصویربرداری و رفتار در مغز سالم است، fMRI همچنین این پتانسیل را دارد که روش تشخیص و درمان اختلالات روانپزشکی و عصبی را تغییر دهد. تقریباً همه این اختلالات (به عنوان مثال، اوتیسم، اسکیزوفرنی، افسردگی، اختلالات خوردن) علاوه بر اختلال در نواحی خاص مغز و انواع سلول، شامل تغییراتی در دینامیک مدارهای بزرگ مقیاس هستند. تحقیقات اساسی در مورد اینکه چگونه مدارهای مغز سالم میانجی فرآیندها و رفتارهای ذهنی هستند، همراه با توانایی اندازه‌گیری فعالیت در همین مدارها در جمعیت‌های بالینی، نویدبخش درک بیماری و رفتار ناکارآمد است.

Functional MRI Experiments Measure Neurovascular Activity

آزمایش‌های MRI عملکردی فعالیت عصبی عروقی را اندازه‌گیری می‌کند

fMRI experiments enable investigators to track brain function based on changes in local blood oxygen levels that occur in response to neural activity. Like all forms of magnetic resonance imaging (MRI), fMRI requires both highly specialized equipment and sophisticated computer programs. In this section, we first consider the basic principles of how MRI can be used to image brain structure and then explain how fMRI extends this capability to image brain activity.

آزمایش‌های fMRI محققان را قادر می‌سازد تا عملکرد مغز را بر اساس تغییرات در سطح اکسیژن خون محلی که در پاسخ به فعالیت عصبی رخ می‌دهد، ردیابی کنند. مانند همه انواع تصویربرداری رزونانس مغناطیسی (MRI)، fMRI هم به تجهیزات بسیار تخصصی و هم به برنامه‌های کامپیوتری پیچیده نیاز دارد. در این بخش ابتدا اصول اولیه نحوه استفاده از MRI ​​برای تصویربرداری از ساختار مغز را در نظر می‌گیریم و سپس توضیح می‌دهیم که چگونه fMRI این قابلیت را برای تصویربرداری از فعالیت مغز گسترش می‌دهد.

At the core of every MRI machine is a powerful magnet. The strength of the magnetic field is quantified in Tesla (T) units, and most modern MRI machines are 3T. The use of higher field strengths, such as 7T, offers some advantages, including the possibility of higher-resolution imaging of cortical layers. Such machines are not yet widespread, and layer-specific imaging is in its infancy, so we focus on the capabilities and configuration of 3T machines.

در هسته هر دستگاه MRI یک آهنربای قدرتمند وجود دارد. قدرت میدان مغناطیسی در واحدهای تسلا (T) اندازه‌گیری می‌شود و اکثر دستگاه‌های MRI مدرن 3T هستند. استفاده از قدرت میدان بالاتر، مانند 7T، مزایایی را ارائه می‌دهد، از جمله امکان تصویربرداری با وضوح بالاتر از لایه‌های قشر مغز. چنین ماشین‌هایی هنوز گسترده نشده‌اند و تصویربرداری لایه‌های خاص در مراحل اولیه است، بنابراین ما بر روی قابلیت‌ها و پیکربندی ماشین‌های 3T تمرکز می‌کنیم.

The outside of an MRI machine looks like a tunnel, known as the “bore” of the magnet. Subjects lie on a bed with their head in a helmet-like head coil, which receives signals from the brain. Visual stimuli are typically viewed through a mirror on the head coil angled toward a screen at the back of the bore. Auditory stimuli are presented through headphones. Behavior is typically measured in terms of manual responses with a button box and/or eye movements with an eye tracker. This apparatus constrains which experimental tasks are possible. However, fMRI is flexible in other ways, including that it can be performed and repeated without harm in many different types of subjects, from children to the elderly, whether healthy or suffering from a disorder.

قسمت بیرونی یک دستگاه MRI شبیه یک تونل است که به عنوان “مخلخل” آهنربا شناخته می‌شود. آزمودنی‌ها روی یک تخت دراز می‌کشند و سرشان در یک کلاه کلاه مانند قرار دارد که سیگنال‌هایی را از مغز دریافت می‌کند. محرک‌های بینایی معمولاً از طریق یک آینه روی سیم پیچ سر که به سمت صفحه ای در پشت سوراخ زاویه دارد مشاهده می‌شود. محرک‌های شنیداری از طریق هدفون ارائه می‌شود. رفتار معمولاً بر حسب پاسخ‌های دستی با جعبه دکمه و/یا حرکات چشم با ردیاب چشم اندازه‌گیری می‌شود. این دستگاه وظایف آزمایشی را محدود می‌کند که ممکن است. با این حال، fMRI به روش‌های دیگری انعطاف‌پذیر است، از جمله اینکه می‌توان آن را بدون آسیب در بسیاری از افراد، از کودکان گرفته تا افراد مسن، چه سالم و چه مبتلا به اختلال، انجام داد و تکرار کرد.

What does fMRI measure? There are two fundamental concepts that we will discuss in turn, first magnetic resonance and then neurovascular coupling (Figure 6-1).

fMRI چه چیزی را اندازه گیری می‌کند؟ دو مفهوم اساسی وجود دارد که به نوبه خود در مورد آنها بحث خواهیم کرد، اول تشدید مغناطیسی و سپس جفت عصبی عروقی (شکل 6-1).

fMRI Depends on the Physics of Magnetic Resonance

fMRI به فیزیک تشدید مغناطیسی بستگی دارد

In general, MRI exploits the magnetic properties of hydrogen atoms, the dominant source of protons in the body, specifically the way each atom’s proton interacts with a strong magnetic field. A key property of protons is that they intrinsically rotate around an axis. This spin gives protons angular momentum and a magnetic dipole along the axis, their own north and south poles. Under normal circumstances, the directions of these dipoles are random for different protons. When placed in a strong external magnetic field, however, a subset of the protons (how many is proportional to the field strength) align with the direction of this field, which extends from foot to head when lying in an MRI bore.

به طور کلی، MRI از خواص مغناطیسی اتم‌های هیدروژن، منبع غالب پروتون‌ها در بدن، به ویژه نحوه تعامل پروتون هر اتم با یک میدان مغناطیسی قوی بهره می‌برد. یکی از ویژگی‌های کلیدی پروتون‌ها این است که آنها به طور ذاتی حول یک محور می‌چرخند. این اسپین به پروتون‌ها تکانه زاویه ای و یک دوقطبی مغناطیسی در امتداد محور، قطب شمال و جنوب خود می‌دهد. در شرایط عادی، جهت این دوقطبی‌ها برای پروتون‌های مختلف تصادفی است. با این حال، هنگامی‌که در یک میدان مغناطیسی خارجی قوی قرار می‌گیرد، زیرمجموعه‌ای از پروتون‌ها (چه تعداد متناسب با شدت میدان است) با جهت این میدان همسو می‌شوند، که وقتی در سوراخ MRI دراز می‌کشد، از پا تا سر امتداد می‌یابد.

An important step toward measuring a signal from protons is to push them out of alignment with this main field.  To understand why, it is helpful to think about a familiar object, the gyroscope. If a still gyroscope is tipped out of vertical balance, it will just fall over. However, if you spin the gyroscope before tipping it, inertial forces will prevent it from falling over. The axis around which the gyroscope is spinning will itself begin to rotate around the vertical axis. This precession occurs because gravity exerts a vertical torque on the tilted gyroscope, pulling its center of mass down so that it pivots around its bottom point and traces out a circle in the transverse plane (looking from above). Something similar happens to a proton that is tilted with respect to the strong magnetic field: The field applies a torque and the orientation of the rotational axis precesses around the field direction. The speed of precession, or the resonant frequency, is determined by the Larmor equation, according to the field strength and a gyromagnetic ratio specific to each type of atom. In the case of a 3T magnet and hydrogen atoms, this speed is in the radiofrequency (RF) range.

یک گام مهم در جهت اندازه گیری سیگنال از پروتون‌ها این است که آنها را از تراز با این میدان اصلی خارج کنیم. برای درک دلیل، فکر کردن به یک شی آشنا، ژیروسکوپ، مفید است. اگر یک ژیروسکوپ ثابت از حالت تعادل عمودی خارج شود، به سرعت سقوط می‌کند. با این حال، اگر ژیروسکوپ را قبل از واژگونی بچرخانید، نیروهای اینرسی از سقوط آن جلوگیری می‌کند. محوری که ژیروسکوپ به دور آن می‌چرخد ​​خود شروع به چرخش حول محور عمودی می‌کند. این سبقت به این دلیل اتفاق می‌افتد که گرانش یک گشتاور عمودی بر روی ژیروسکوپ کج شده اعمال می‌کند و مرکز جرم آن را به سمت پایین می‌کشد تا حول نقطه پایینی خود بچرخد و دایره‌ای را در صفحه عرضی (از بالا نگاه می‌کند) ترسیم کند. چیزی مشابه برای پروتونی می‌افتد که نسبت به میدان مغناطیسی قوی کج شده است: میدان یک گشتاور اعمال می‌کند و جهت‌گیری محور چرخشی حول جهت میدان پیش می‌رود. سرعت تقدم، یا فرکانس تشدید، با معادله لارمور، با توجه به قدرت میدان و نسبت ژیرو مغناطیسی خاص برای هر نوع اتم تعیین می‌شود. در مورد آهنربای 3T و اتم‌های هیدروژن، این سرعت در محدوده فرکانس رادیویی (RF) است.

But how do protons get tipped out of alignment in the first place to enable precession? The answer depends upon the same principle of torque. A second, weaker magnetic field is applied in a perpendicular direction (eg, front to back of the head), introducing another torque that pulls protons away from alignment with the strong field. This misalignment causes precession about the direction of the strong field by allowing the strong field to act as a torque. Complicating matters, this precession makes protons a moving target for the weaker magnetic field that is needed to cause misalignment in the first place. This is solved by generating the second field using a transmit coil in the MRI machine, through which alternating current is passed to deliver an RF pulse at the resonant frequency of the protons. This induces a perpendicular magnetic field that rotates in lockstep with the precession. This RF pulse is sustained as long as needed to generate a specified change in the spin orientation of protons away from the strong field direction (eg, 90°). This change is known as the flip angle and is often chosen to maximize signal according to the Ernst equation.

اما چگونه پروتون‌ها در وهله اول از تراز خارج می‌شوند تا امتداد را فعال کنند؟ پاسخ به همان اصل گشتاور بستگی دارد. دومین میدان مغناطیسی ضعیف‌تر در جهت عمود بر روی سر اعمال می‌شود (مثلاً از جلو به پشت سر)، و گشتاور دیگری را ایجاد می‌کند که پروتون‌ها را از هم‌ترازی با میدان قوی دور می‌کند. این ناهماهنگی با اجازه دادن به میدان قوی که به عنوان گشتاور عمل می‌کند، باعث تقدیم جهت میدان قوی می‌شود. این فزونی که مسائل را پیچیده می‌کند، پروتون‌ها را به یک هدف متحرک برای میدان مغناطیسی ضعیف تر تبدیل می‌کند که در وهله اول برای ایجاد ناهماهنگی لازم است. این با تولید میدان دوم با استفاده از یک سیم پیچ انتقال در دستگاه MRI، که از طریق آن جریان متناوب برای ارائه یک پالس RF در فرکانس تشدید پروتون‌ها عبور می‌کند، حل می‌شود. این یک میدان مغناطیسی عمودی را القا می‌کند که در گام قفل با امتداد می‌چرخد. این پالس RF تا زمانی که برای ایجاد یک تغییر مشخص در جهت گیری اسپین پروتون‌ها از جهت میدان قوی (مثلاً 90 درجه) لازم است، پایدار می‌ماند. این تغییر به عنوان زاویه چرخش شناخته می‌شود و اغلب برای به حداکثر رساندن سیگنال مطابق با معادله ارنست انتخاب می‌شود.

Figure 6-1 How fMRI measures neural activity.
A. Outside of the MRI environment, protons in hydrogen atoms in the brain spin around axes that point in random directions (1). When a brain enters the strong magnetic field of the MRI bore, a subset of these axes aligns with this field, which is known as longitudinal magnetization (2). These protons can be measured by transmitting a radiofrequency (RF) pulse that induces a weaker magnetic field perpendicular to the strong field. This misaligns the protons with the strong field, which now acts as a torque, causing the proton spin axes to precess in an arc on the transverse plane. The frequency of the RF pulse is chosen to resonate with the precession rate of the protons, which in turn depends on the strength of the magnetic field (3). When the RF pulse is stopped, the protons initially continue to precess synchronously, inducing alternating current at the same frequency in receiver coils surrounding the head. These signals can be used to generate an image by applying magnetic gradients that adjust the field strength in orthogonal directions across the brain. This results in different resonant frequencies at different points in the brain, allowing the source of the received signals to be identified. The transverse magnetization dissipates over time, and signal is lost. This relaxation occurs as the protons give off thermodynamic energy and their axes return to the longitudinal direction (T,), and as the protons become desynchronized in the transverse plane from local interactions with other atoms and molecules (T2), and because of inhomogeneities in the magnetic field (T2′”) (4).

شکل 6-1 چگونه fMRI فعالیت عصبی را اندازه گیری می‌کند.
الف. خارج از محیط MRI، پروتون‌های موجود در اتم‌های هیدروژن در مغز حول محورهایی می‌چرخند که در جهت‌های تصادفی قرار دارند (1). هنگامی‌که مغز وارد میدان مغناطیسی قوی سوراخ MRI می‌شود، زیر مجموعه ای از این محورها با این میدان همسو می‌شوند که به مغناطش طولی معروف است (2). این پروتون‌ها را می‌توان با ارسال یک پالس فرکانس رادیویی (RF) اندازه گیری کرد که میدان مغناطیسی ضعیف تری را عمود بر میدان قوی القا می‌کند. این امر پروتون‌ها را با میدان قوی که اکنون به عنوان یک گشتاور عمل می‌کند، نادرست تراز می‌کند و باعث می‌شود که محورهای اسپین پروتون در یک قوس در صفحه عرضی پیشروی کنند. فرکانس پالس RF به گونه ای انتخاب می‌شود که با نرخ تقدم پروتون‌ها تشدید شود، که به نوبه خود به قدرت میدان مغناطیسی بستگی دارد (3). هنگامی‌که پالس RF متوقف می‌شود، پروتون‌ها ابتدا به صورت همزمان به حرکت خود ادامه می‌دهند و جریان متناوب را با همان فرکانس در سیم پیچ‌های گیرنده اطراف سر القا می‌کنند. این سیگنال‌ها را می‌توان با اعمال گرادیان‌های مغناطیسی که قدرت میدان را در جهت‌های متعامد در سراسر مغز تنظیم می‌کند، برای تولید تصویر استفاده کرد. این امر منجر به فرکانس‌های تشدید متفاوت در نقاط مختلف مغز می‌شود که امکان شناسایی منبع سیگنال‌های دریافتی را فراهم می‌کند. مغناطش عرضی با گذشت زمان از بین می‌رود و سیگنال از بین می‌رود. این آرامش زمانی اتفاق می‌افتد که پروتون‌ها انرژی ترمودینامیکی ساطع می‌کنند و محورهای آنها به جهت طولی باز می‌گردند (T) و زمانی که پروتون‌ها در صفحه عرضی از برهمکنش‌های موضعی با اتم‌ها و مولکول‌های دیگر (T2) همگام‌سازی می‌شوند، و به دلیل ناهمگنی در میدان مغناطیسی (T2′”) (4).

B. Magnetic resonance can be used to estimate neuronal activity in functional MRI because of the magnetic properties of blood. When a brain region is in a baseline state, there is a higher proportion of deoxygenated to oxygenated blood than when the region is active. Deoxygenated blood interacts with the magnetic field, causing local inhomogeneities that distort the rate of precession and disrupt the synchrony of protons in the transverse plane, leading to more rapid T2 decay and lower BOLD signal (1). Neuronal activity leads to metabolic demand (2), which in turn results in the delivery of excess oxygenated blood (3). Oxygenated blood does not interact with the magnetic field, and so the increased amount in active brain regions reduces field inhomogeneities. In turn, this reduces the dephasing of protons precessing in the transverse plane, leading to slower T,’ decay and higher BOLD signal (4).

ب. رزونانس مغناطیسی را می‌توان برای تخمین فعالیت عصبی در MRI عملکردی به دلیل خواص مغناطیسی خون استفاده کرد. هنگامی‌که یک ناحیه مغز در حالت پایه قرار دارد، نسبت خون بدون اکسیژن نسبت به خون اکسیژن دار بیشتر از زمانی است که منطقه فعال است. خون بدون اکسیژن با میدان مغناطیسی برهمکنش می‌کند و باعث ناهمگنی‌های موضعی می‌شود که سرعت تقدم را مختل می‌کند و هماهنگی پروتون‌ها را در صفحه عرضی مختل می‌کند و منجر به واپاشی سریع‌تر T2 و کاهش سیگنال BOLD می‌شود (1). فعالیت عصبی منجر به تقاضای متابولیک می‌شود (2) که به نوبه خود منجر به تحویل خون اکسیژن اضافی می‌شود (3). خون اکسیژن دار با میدان مغناطیسی برهمکنش نمی‌کند، بنابراین افزایش مقدار در مناطق فعال مغز، ناهمگنی میدان را کاهش می‌دهد. به نوبه خود، این امر کاهش فاز پروتون‌های پیشرونده در صفحه عرضی را کاهش می‌دهد، که منجر به کاهش T، واپاشی و سیگنال BOLD بالاتر می‌شود (4).

Once the desired flip angle has been achieved, the RF pulse is stopped in order to measure the composition of tissue. At this point, protons are precessing around the strong magnetic field and tilted heavily into the transverse plane. This is akin to a bar mag- net spinning on a table, where the north and south poles take turns passing any given location. If a coil is placed nearby, the spinning magnet induces a current in the wire that reverses as the poles alternate. This is what the receiver head coil in an MRI machine measures: alternating current induced by protons precessing synchronously (note: this is the same principle as described earlier for how the transmit coil works, just reversed). The amount of current indicates the concentration of precessing protons.

هنگامی‌که زاویه چرخش مورد نظر به دست آمد، پالس RF برای اندازه گیری ترکیب بافت متوقف می‌شود. در این نقطه، پروتون‌ها در اطراف میدان مغناطیسی قوی پیشروی می‌کنند و به شدت به سمت صفحه عرضی متمایل می‌شوند. این شبیه به یک آهنربای میله ای است که روی یک میز می‌چرخد، جایی که قطب شمال و جنوب به نوبت از هر مکان معینی عبور می‌کنند. اگر یک سیم پیچ در نزدیکی آن قرار گیرد، آهنربای چرخان جریانی را در سیم القا می‌کند که با متناوب شدن قطب‌ها معکوس می‌شود. این همان چیزی است که سیم پیچ سر گیرنده در یک دستگاه MRI اندازه گیری می‌کند: جریان متناوب القا شده توسط پروتون‌ها که به طور همزمان پیش می‌روند (توجه داشته باشید: این همان اصل است که قبلاً برای نحوه عملکرد سیم پیچ انتقال توضیح داده شد، فقط معکوس شده است). مقدار جریان نشان دهنده غلظت پروتون‌های پیش رونده است.

Critically, the frequency of these measured signals reflects the speed of precession, which in turn depends on the strength of the magnetic field experienced by the tissue. This can be used to generate three-dimensional images by imposing different gradients on the magnetic field (think of a staircase from higher to lower strength) that cause the Larmor frequency to vary systematically over space in the brain. During fMRI, one gradient is applied in a specific direction to select a slice of brain tissue. The RF pulse can be tailored to the resonant frequency for the exact field strength at this gradient step, such that only protons in this slice are excited. The same logic is used with additional gradients in orthogonal directions to impose a two-dimensional matrix on the selected slice, with each unit volume in the matrix or voxel having a unique frequency and phase. The head coil receives a composite signal with a mixture of these frequencies, but the signal can be decomposed to identify protons at every voxel in the slice.

به طور بحرانی، فرکانس این سیگنال‌های اندازه گیری شده منعکس کننده سرعت تقدم است که به نوبه خود به قدرت میدان مغناطیسی تجربه شده توسط بافت بستگی دارد. این می‌تواند برای تولید تصاویر سه بعدی با تحمیل گرادیان‌های مختلف بر روی میدان مغناطیسی (به یک راه پله از قدرت بالاتر به پایین تر فکر کنید) که باعث می‌شود فرکانس Larmor به طور سیستماتیک در فضای مغز تغییر کند. در طول fMRI، یک گرادیان در جهت خاصی اعمال می‌شود تا برشی از بافت مغز انتخاب شود. پالس RF را می‌توان با فرکانس تشدید برای شدت میدان دقیق در این مرحله گرادیان تنظیم کرد، به طوری که فقط پروتون‌ها در این برش برانگیخته می‌شوند. منطق مشابه با گرادیان‌های اضافی در جهت‌های متعامد برای تحمیل یک ماتریس دو بعدی بر روی قطعه انتخاب شده استفاده می‌شود که هر واحد حجم در ماتریس یا وکسل دارای فرکانس و فاز منحصر به فردی است. سیم پیچ یک سیگنال ترکیبی با مخلوطی از این فرکانس‌ها دریافت می‌کند، اما سیگنال می‌تواند برای شناسایی پروتون‌ها در هر وکسل در برش تجزیه شود.

There is another important property of precessing protons that contributes to MRI: The alternating current induced in the head coil begins to decay right after the RF pulse. There are different sources of decay. One source is that precessing protons give off thermo- dynamic energy (heat) to the surrounding tissue, just like a gyroscope will eventually lose energy to friction and topple over. As this occurs, the spin orientation of protons gradually relaxes back to the direction of the strong magnetic field, causing them to precess less in the transverse plane and thus generate less signal. This is called longitudinal relaxation and occurs with time constant T1. A second type of decay occurs while protons are still precessing in the transverse plane. Individual protons are surrounded by a variable neighborhood of other atoms, which carry their own weak magnetic fields. This subtly changes the field strength the proton experiences, causing its Larmor frequency to vary unpredictably. Whereas right after the RF pulse protons precess in synchrony, these local interactions cause some protons to precess faster or slower. Because they get increasingly out of sync, the induced current alternates less reliably and signal is lost. This is called transverse relaxation and occurs with time constant T2. This dephasing of protons can also result from inhomogeneities in the strong magnetic field itself, including how it is distorted by tissue placed into the field. The signal decay from both local interactions and field distortions has time constant T2 (pronounced “T2-star”).

یکی دیگر از ویژگی‌های مهم پیش‌روی پروتون‌ها وجود دارد که به MRI کمک می‌کند: جریان متناوب القا شده در هد کویل بلافاصله پس از پالس RF شروع به فروپاشی می‌کند. منابع مختلفی برای پوسیدگی وجود دارد. یک منبع این است که پروتون‌های پیش‌فرض انرژی ترمودینامیکی (گرما) را به بافت اطراف می‌دهند، درست مانند ژیروسکوپ که در نهایت انرژی خود را در اثر اصطکاک از دست می‌دهد و واژگون می‌شود. همانطور که این اتفاق می‌افتد، جهت‌گیری اسپین پروتون‌ها به تدریج به سمت میدان مغناطیسی قوی باز می‌گردد و باعث می‌شود که آنها در صفحه عرضی کمتر پیشروی کنند و در نتیجه سیگنال کمتری تولید کنند. این آرامش طولی نامیده می‌شود و با ثابت زمانی T1 رخ می‌دهد. نوع دوم فروپاشی زمانی اتفاق می‌افتد که پروتون‌ها هنوز در صفحه عرضی در حال پیشروی هستند. پروتون‌های منفرد توسط یک همسایگی متغیر از اتم‌های دیگر احاطه شده اند که میدان مغناطیسی ضعیف خود را حمل می‌کنند. این امر به طرز ماهرانه ای قدرت میدانی را که پروتون تجربه می‌کند تغییر می‌دهد و باعث می‌شود فرکانس لارمور آن به طور غیر قابل پیش بینی تغییر کند. در حالی که درست پس از تقریب همزمان پروتون‌های پالس RF، این فعل و انفعالات محلی باعث می‌شود که برخی از پروتون‌ها سریعتر یا کندتر پیشروی کنند. از آنجایی که آنها به طور فزاینده ای از هماهنگی خارج می‌شوند، جریان القایی متناوب کمتری قابل اطمینان است و سیگنال از بین می‌رود. این آرامش عرضی نامیده می‌شود و با ثابت زمانی T2 رخ می‌دهد. این کاهش فاز پروتون‌ها همچنین می‌تواند ناشی از ناهمگنی در خود میدان مغناطیسی قوی باشد، از جمله اینکه چگونه توسط بافتی که در میدان قرار داده می‌شود، تغییر شکل می‌دهد. کاهش سیگنال از هر دو فعل و انفعالات محلی و اعوجاج میدان دارای ثابت زمانی T2 (تلفظ “T2-ستاره”) است.

These different sources of decay are important because T, and T2 time constants vary depending on tissue type. MRI can thus exploit signal decay to identify gray matter, white matter, fat, and/or cerebrospinal fluid. Depending on the configuration and timing of RF pulses, gradients, and other parameters set on the MRI machine (collectively known as a pulse sequence), the signals received from different voxels can highlight the contrast between tissues with different T, values (T1-weighted image) and/or different T2 values (T2-weighted image). For example, white matter is brighter than gray matter in T1-weighted images and vice versa for T2-weighted images.

این منابع مختلف پوسیدگی مهم هستند زیرا ثابت‌های زمانی T و T2 بسته به نوع بافت متفاوت است. بنابراین MRI می‌تواند از پوسیدگی سیگنال برای شناسایی ماده خاکستری، ماده سفید، چربی و/یا مایع مغزی نخاعی استفاده کند. بسته به پیکربندی و زمان‌بندی پالس‌های RF، گرادیان‌ها و سایر پارامترهای تنظیم‌شده در دستگاه MRI (که در مجموع به عنوان توالی پالس شناخته می‌شوند)، سیگنال‌های دریافتی از وکسل‌های مختلف می‌توانند کنتراست بین بافت‌ها با مقادیر T متفاوت (T1-weighted) را برجسته کنند. تصویر) و/یا مقادیر مختلف T2 (تصویر با وزن T2). به عنوان مثال، ماده سفید در تصاویر با وزن T1 روشن تر از ماده خاکستری است و برای تصاویر با وزن T2 برعکس.

The standard pulse sequence for measuring brain function is the echo planar imaging (EPI) sequence. EPI has two desirable properties for fMRI: It is extremely fast, allowing an entire slice to be acquired from one RF pulse in less than 100 ms, and it is sensitive to T2, which, as we will see later, is how MRI measures neural activity. When designing an fMRI study, several parameters of the EPI sequence need to be chosen, including how many slices to acquire in the brain volume (typically 30-90); how much time per volume (repetition time, typically 1-2 s); what voxel resolution to use (typically 2-3 mm in each dimension); and whether to use parallel acquisition (eg, acquire multiple parts of a slice and/or multiple slices at once). These choices are interdependent, imposing trade-offs between speed, precision, and signal-to-noise.

توالی پالس استاندارد برای اندازه گیری عملکرد مغز، توالی تصویربرداری مسطح اکو (EPI) است. EPI دارای دو ویژگی مطلوب برای fMRI است: بسیار سریع است و اجازه می‌دهد یک تکه کامل از یک پالس RF در کمتر از 100 میلی‌ثانیه به دست آید و به T2 حساس است، همانطور که بعداً خواهیم دید، MRI چگونه عصبی را اندازه‌گیری می‌کند. فعالیت هنگام طراحی یک مطالعه fMRI، چندین پارامتر از توالی EPI باید انتخاب شود، از جمله تعداد برش‌هایی که باید در حجم مغز به دست آیند (معمولاً 90-30). چقدر زمان در هر حجم (زمان تکرار، معمولاً 1-2 ثانیه)؛ چه وضوح وکسل استفاده شود (معمولا 2-3 میلی متر در هر بعد)؛ و اینکه آیا باید از اکتساب موازی استفاده کرد (مثلاً چندین بخش از یک برش و/یا چندین برش را در یک زمان بدست آورید). این انتخاب‌ها به یکدیگر وابسته هستند و بین سرعت، دقت و سیگنال به نویز تعادل ایجاد می‌کنند.

fMRI Depends on the Biology of Neurovascular Coupling

fMRI به بیولوژی جفت عصبی عروقی بستگی دارد

We have described general principles of magnetic resonance, but what about the second part of the story, neurovascular coupling? Active neurons consume energy obtained from oxygen in blood. Thus, when a brain area is active, blood oxygenation drops in that moment. To replenish these metabolic resources, the flow of blood to the local area increases over the next few seconds. Supply exceeds demand, and so, counterintuitively, there is a higher proportion of oxygenated (versus deoxygenated) blood in active brain areas.

ما اصول کلی تشدید مغناطیسی را توضیح دادیم، اما قسمت دوم داستان، جفت عصبی عروقی، چطور؟ نورون‌های فعال انرژی به دست آمده از اکسیژن خون را مصرف می‌کنند. بنابراین، هنگامی‌که یک ناحیه مغز فعال است، اکسیژن خون در آن لحظه کاهش می‌یابد. برای دوباره پر کردن این منابع متابولیک، جریان خون به ناحیه محلی در چند ثانیه آینده افزایش می‌یابد. عرضه بیش از تقاضا است، و بنابراین، به طور غیر مستقیم، نسبت بیشتری از خون اکسیژن دار (در مقابل اکسیژن زدایی) در نواحی فعال مغز وجود دارد.

To link this to magnetic resonance, remember that T2 decay reflects dephasing of protons caused by field inhomogeneities. Blood has different magnetic properties depending on oxygenation: Deoxygenated blood interacts with the magnetic field because the iron in hemoglobin is unbound, whereas oxygenated blood in which the iron is bound to oxygen does not. Deoxygenated blood thus causes faster T2 decay and reduces signal relative to oxygenated blood. This difference in signal is referred to as the blood oxygenation level-dependent (BOLD) contrast. Putting everything together, increased signal in a voxel measured with an EPI sequence indicates recent neuronal activity because of the relative increase in local blood oxygenation that accompanies such activity. The temporal profile of this BOLD response, known as the hemodynamic response function, looks like a bell curve with a long tail, peaking around 4 to 5 seconds after local neural activity and returning to baseline after 12 to 15 seconds.

برای ارتباط این موضوع با رزونانس مغناطیسی، به یاد داشته باشید که واپاشی T2 منعکس کننده کاهش فاز پروتون‌های ناشی از ناهمگنی میدان است. خون بسته به اکسیژن رسانی دارای خواص مغناطیسی متفاوتی است: خون بدون اکسیژن با میدان مغناطیسی برهمکنش می‌کند زیرا آهن موجود در هموگلوبین پیوندی ندارد، در حالی که خون اکسیژن دار که در آن آهن به اکسیژن متصل است اینطور نیست. بنابراین خون بدون اکسیژن باعث پوسیدگی سریعتر T2 می‌شود و سیگنال را نسبت به خون اکسیژن دار کاهش می‌دهد. این تفاوت در سیگنال به عنوان کنتراست وابسته به سطح اکسیژن خون (BOLD) نامیده می‌شود. با کنار هم قرار دادن همه چیز، افزایش سیگنال در یک وکسل که با یک توالی EPI اندازه‌گیری می‌شود، فعالیت عصبی اخیر را نشان می‌دهد، زیرا به دلیل افزایش نسبی اکسیژن‌رسانی خون موضعی همراه با چنین فعالیتی است. نمایه زمانی این پاسخ BOLD، که به عنوان تابع پاسخ همودینامیک شناخته می‌شود، شبیه منحنی زنگوله‌ای با دم بلند است که حدود 4 تا 5 ثانیه پس از فعالیت عصبی موضعی به اوج خود می‌رسد و پس از 12 تا 15 ثانیه به حالت اولیه باز می‌گردد.

There are many more details about the physics and biology of fMRI. In addition, our understanding of how it all works is still evolving. For example, it is unclear whether BOLD is more closely tied to the firing of individual neurons or to the activity of neural populations. Likewise, it may be difficult to distinguish whether increased blood oxygenation is caused by increases in local excitation or inhibition. More generally, the mechanisms of neurovascular coupling-how the brain knows when and where to deliver oxygenated blood-remain mysterious, with a growing focus on the functional role of astrocytes. There is also the possibility of obtaining better temporal and spatial resolution by measuring the initial consumption of oxygen at the precise site of neuronal activity (the “initial dip”), reflected in an immediate and focal rise in deoxygenated blood rather than the delayed and more diffuse oversupply of oxygenated blood. Nevertheless, even with an incomplete understanding, fMRI has utility as a tool to localize changes in neural activity in the human brain induced by mental operations.

جزئیات بیشتری در مورد فیزیک و زیست شناسی fMRI وجود دارد. علاوه بر این، درک ما از نحوه کارکرد آن هنوز در حال تکامل است. به عنوان مثال، مشخص نیست که آیا BOLD بیشتر با شلیک تک تک سلول‌های عصبی مرتبط است یا با فعالیت جمعیت‌های عصبی. به همین ترتیب، تشخیص اینکه آیا افزایش اکسیژن خون ناشی از افزایش تحریک یا مهار موضعی است، ممکن است دشوار باشد. به طور کلی، مکانیسم‌های جفت عصبی عروقی – اینکه مغز چگونه می‌داند چه زمانی و کجا خون اکسیژن‌دار را تحویل دهد – با تمرکز فزاینده بر نقش عملکردی آستروسیت‌ها، مرموز باقی می‌ماند. همچنین امکان دستیابی به وضوح زمانی و مکانی بهتر با اندازه‌گیری مصرف اولیه اکسیژن در محل دقیق فعالیت عصبی (“شیب اولیه”) وجود دارد که در افزایش فوری و کانونی خون بدون اکسیژن به جای افزایش تاخیری و بیشتر منعکس می‌شود. عرضه بیش از حد خون اکسیژن دار با این وجود، حتی با درک ناقص، fMRI به عنوان ابزاری برای بومی‌سازی تغییرات در فعالیت عصبی در مغز انسان ناشی از عملیات ذهنی مفید است.

Functional MRI Data Can Be Analyzed in Several Ways

داده‌های عملکردی MRI را می‌توان به روش‌های مختلفی تجزیه و تحلیل کرد

When performing an fMRI experiment, researchers link the neurovascular measurements described earlier to cognitive tasks programmed into a computer script that a human subject performs. The script generally produces a series of runs that correspond to a continuous period of data collection (ie, several fMRI volumes in a row), typically lasting 5 to 10 minutes. Within each run, several trials are presented to the subject, often by showing a visual stimulus or playing an auditory stimulus. Depending on the task, the subject may, for example, passively view or listen to the stimulus, make a decision about it, or store it in memory. A but- ton press or eye movement response is often collected as a behavioral index of cognitive processing on that trial. These trials are typically drawn from two or more task conditions, which determine the stimulus type, task difficulty, or other experimental parameters. In a basic subtraction design, trials are divided between an experimental condition and a control condition, which are identical but for one critical difference whose neural basis is being investigated. Trials usually last 2 to 10 seconds, often separated by a variable or “jittered” interval of several seconds. In all, such sessions typically last up to 2 hours.

هنگام انجام آزمایش fMRI، محققان اندازه‌گیری‌های عصبی عروقی را که قبلاً توضیح داده شد به وظایف شناختی برنامه‌ریزی‌شده در یک اسکریپت رایانه‌ای که یک سوژه انسانی انجام می‌دهد مرتبط می‌دانند. این اسکریپت به طور کلی مجموعه‌ای از اجراها را تولید می‌کند که مربوط به دوره‌ای پیوسته از جمع‌آوری داده‌ها (یعنی چندین جلد fMRI در یک ردیف) است که معمولاً 5 تا 10 دقیقه طول می‌کشد. در هر اجرا، آزمایش‌های متعددی برای آزمودنی ارائه می‌شود که اغلب با نشان دادن یک محرک بصری یا پخش یک محرک شنیداری انجام می‌شود. بسته به کار، آزمودنی ممکن است، برای مثال، به طور منفعلانه محرک را ببیند یا به آن گوش دهد، درباره آن تصمیم بگیرد یا آن را در حافظه ذخیره کند. فشار دادن دکمه یا پاسخ حرکت چشم اغلب به عنوان شاخص رفتاری پردازش شناختی در آن آزمایش جمع‌آوری می‌شود. این آزمایش‌ها معمولاً از دو یا چند شرایط کار استخراج می‌شوند که نوع محرک، دشواری کار یا سایر پارامترهای آزمایشی را تعیین می‌کنند. در یک طرح تفریق اساسی، آزمایش‌ها بین یک شرایط تجربی و یک شرط کنترل تقسیم می‌شوند که یکسان هستند اما برای یک تفاوت بحرانی که مبنای عصبی آن در حال بررسی است. آزمایش‌ها معمولاً 2 تا 10 ثانیه طول می‌کشند، که اغلب با فاصله‌ای متغیر یا «جلوگیری» چند ثانیه‌ای از هم جدا می‌شوند. در مجموع، چنین جلساتی معمولاً تا 2 ساعت طول می‌کشد.

Each fMRI session produces a large amount of raw data, with BOLD responses sampled thousands of times at hundreds of thousands of locations in the brain. How are these data translated into insights about cognition and behavior? Numerous approaches to fMRI analysis are possible (Box 6-1), but for the most part, they break down into three categories (Figure 6-2). We first describe preprocessing steps common to all three types and then explain how each is conducted and what it can tell us.

هر جلسه fMRI مقدار زیادی داده خام تولید می‌کند، با پاسخ‌های BOLD هزاران بار در صدها هزار مکان در مغز نمونه برداری شده است. چگونه این داده‌ها به بینش‌هایی در مورد شناخت و رفتار ترجمه می‌شوند؟ رویکردهای متعددی برای تجزیه و تحلیل fMRI ممکن است (جعبه 6-1)، اما در بیشتر موارد، آنها به سه دسته تقسیم می‌شوند (شکل 6-2). ابتدا مراحل پیش پردازش مشترک برای هر سه نوع را شرح می‌دهیم و سپس توضیح می‌دهیم که هر کدام چگونه انجام می‌شود و چه چیزی می‌تواند به ما بگوید.

fMRI Data First Need to Be Prepared for Analysis by Following Preprocessing Steps

داده‌های fMRI ابتدا باید با دنبال کردن مراحل پیش پردازش برای تجزیه و تحلیل آماده شوند

Before the data can be analyzed, they must be prepared for processing. This is accomplished with a series of steps referred to as preprocessing. Preprocessing seeks to remove known sources of noise in the data, caused by either the subject or the MRI machine. Standard practice includes five basic steps known as motion correction, slice-time correction, temporal filtering, spatial smoothing, and anatomical alignment.

قبل از تجزیه و تحلیل داده‌ها، باید آنها را برای پردازش آماده کرد. این کار با یک سری مراحل به نام پیش پردازش انجام می‌شود. پیش پردازش به دنبال حذف منابع شناخته شده نویز در داده‌ها است که توسط سوژه یا دستگاه MRI ایجاد می‌شود. تمرین استاندارد شامل پنج مرحله اساسی است که به‌عنوان تصحیح حرکت، تصحیح زمان برش، فیلتر زمانی، صاف کردن فضایی و تراز آناتومیک شناخته می‌شوند.

Box 6-1 Brain Imaging as Data Science
Compared to many areas of science, the basic methods of brain imaging have enjoyed remarkable standardization. A major reason for this has been the availability of widely adopted software packages since the earliest days of fMRI in the mid-1990s. These packages were created and released by research groups, and before it was fashionable-most were open-source.

کادر 6-1 تصویربرداری مغز به عنوان علم داده

در مقایسه با بسیاری از حوزه‌های علم، روش‌های اساسی تصویربرداری مغز از استانداردسازی قابل توجهی برخوردار بوده اند. دلیل اصلی این امر در دسترس بودن بسته‌های نرم‌افزاری به‌طور گسترده از اولین روزهای fMRI در اواسط دهه 1990 بوده است. این بسته‌ها توسط گروه‌های تحقیقاتی ایجاد و منتشر شده‌اند، و قبل از مد روز، بیشتر آنها منبع باز بودند.

At first, they included tools for preprocessing, alignment, analysis models, and statistical corrections. They have since incorporated new tools developed by researchers, including nonlinear alignment, field map correction, nonparametric statistics, and parallelization.

در ابتدا، آنها شامل ابزارهایی برای پیش پردازش، هم ترازی، مدل‌های تجزیه و تحلیل و اصلاحات آماری بودند. از آن زمان، آنها ابزارهای جدیدی را که توسط محققان توسعه داده شده است، شامل هم ترازی غیرخطی، تصحیح نقشه میدانی، آمار ناپارامتریک و موازی سازی، ترکیب کرده اند.

As a result, virtually all fMRI researchers use one or more of these packages, at least for part of their analysis pipeline. The following are popular free software pack- ages for fMRI analysis:
AFNI: https://afni.nimh.nih.gov
FSL: https://fsl.fmrib.ox.ac.uk
SPM: https://www.fil.ion.ucl.ac.uk/spm
Beyond these specialized packages, fMRI is increasingly being viewed through the more general lens of data science. There are two reasons for this. First, fMRI produces a huge amount of data, both within each session but also aggregated across the thousands of studies that have been conducted. Making sense of fMRI data can thus be considered a big-data problem. Second, the data are incredibly complex and noisy, and the cognitive signals of interest are weak and hard to find. This creates a data mining challenge that has inspired many computer scientists.

در نتیجه، تقریباً تمام محققان fMRI از یک یا چند مورد از این بسته‌ها، حداقل برای بخشی از خط لوله تجزیه و تحلیل خود استفاده می‌کنند. بسته‌های نرم افزار رایگان محبوب زیر برای تجزیه و تحلیل fMRI هستند:

AFNI: https://afni.nimh.nih.gov
FSL: https://fsl.fmrib.ox.ac.uk
SPM: https://www.fil.ion.ucl.ac.uk/spm

فراتر از این بسته‌های تخصصی، fMRI به طور فزاینده ای از طریق لنز عمومی‌تر علم داده مشاهده می‌شود. دو دلیل برای این وجود دارد. اول، fMRI حجم عظیمی‌از داده‌ها را، هم در هر جلسه، بلکه در هزاران مطالعه انجام شده، جمع آوری می‌کند. بنابراین درک داده‌های fMRI می‌تواند یک مشکل کلان داده در نظر گرفته شود. دوم، داده‌ها فوق العاده پیچیده و پر سر و صدا هستند، و سیگنال‌های شناختی مورد علاقه ضعیف و به سختی یافت می‌شوند. این یک چالش داده کاوی ایجاد می‌کند که الهام بخش بسیاری از دانشمندان کامپیوتر بوده است.

The most concrete manifestation of this trend is the rise of machine learning in fMRI analysis. Other points of contact with data science include the challenges associated with the real-time analysis of streaming data, the application of network analysis and graph theoretic approaches, the use of high-performance computing clusters and cloud systems, and the growing practice of researchers publicly sharing data (eg, https://open- neuro.org), code (on services such as GitHub), and educational materials (eg, https://brainiak.org/tutorials). Thus, the field of brain imaging will continue to benefit from advances in computer science, engineering, applied math, and statistics.

ملموس ترین تجلی این روند، افزایش یادگیری ماشینی در تجزیه و تحلیل fMRI است. سایر نقاط تماس با علم داده شامل چالش‌های مرتبط با تجزیه و تحلیل بی‌درنگ داده‌های جریانی، استفاده از تحلیل شبکه و رویکردهای نظری نمودار، استفاده از خوشه‌های محاسباتی با کارایی بالا و سیستم‌های ابری، و رویه رو به رشد محققان به صورت عمومی‌است. به اشتراک گذاری داده‌ها (به عنوان مثال، https://open- neuro.org)، کد (در سرویس‌هایی مانند GitHub)، و مواد آموزشی (به عنوان مثال، https://brainiak.org/tutorials). بنابراین، حوزه تصویربرداری مغز همچنان از پیشرفت‌های علوم کامپیوتر، مهندسی، ریاضی کاربردی و آمار بهره‌مند خواهد شد.

Motion correction seeks to address inevitable noise in the data due to a subject’s head movement. Even the best subjects move their heads a few millimeters over the course of a scan, such that the voxels across three-dimensional brain volumes become somewhat misaligned. This movement can be corrected for using a spatial interpolation algorithm that lines up all of the volumes within each run. This algorithm quantifies the amount of movement at each point during the scan, including the translation in the x, y, and z dimensions, and the amount of rotation about these axes (pitch, roll, and yaw, respectively). These six time courses can later be included in the data analysis as regressors, to further remove motion artifacts.

تصحیح حرکت به دنبال رفع نویز اجتناب ناپذیر در داده‌ها به دلیل حرکت سر سوژه است. حتی بهترین سوژه‌ها در طول یک اسکن، سر خود را چند میلی‌متر حرکت می‌دهند، به طوری که وکسل‌های موجود در حجم‌های سه‌بعدی مغز تا حدودی ناهماهنگ می‌شوند. این حرکت را می‌توان با استفاده از یک الگوریتم درون یابی فضایی که تمام حجم‌ها را در هر اجرا ردیف می‌کند، اصلاح کرد. این الگوریتم میزان حرکت را در هر نقطه در طول اسکن، از جمله ترجمه در ابعاد x، y، و z، و میزان چرخش حول این محورها (به ترتیب pitch، roll، و yaw) تعیین می‌کند. این شش دوره زمانی را می‌توان بعداً در تجزیه و تحلیل داده‌ها به‌عنوان پس‌رونده، برای حذف بیشتر مصنوعات حرکتی، گنجاند.

Slice-time correction is applied to deal with differences in the timing of the acquisition of samples across different slices. EPI sequences collect the slices that make up each brain volume sequentially, often in an interleaved order to avoid contamination of adjacent slices. Thus, there is a large difference in the timing of the first- and last-acquired slices of the same volume, which are closer in time to the preceding and subsequent volumes, respectively, than to each other. Correcting for this difference in the timing of the slices can be accomplished with temporal interpolation to estimate what the signal would have been if all slices were acquired simultaneously.

تصحیح زمان برش برای مقابله با تفاوت در زمان گرفتن نمونه‌ها در برش‌های مختلف اعمال می‌شود. توالی‌های EPI برش‌هایی را که هر حجم مغز را تشکیل می‌دهند به‌طور متوالی جمع‌آوری می‌کنند، اغلب به ترتیبی که از آلودگی برش‌های مجاور جلوگیری می‌کنند. بنابراین، تفاوت زیادی در زمان بندی اولین و آخرین برش‌های به دست آمده از همان حجم وجود دارد که از نظر زمانی به ترتیب به جلدهای قبلی و بعدی نزدیکتر هستند تا به یکدیگر. تصحیح این تفاوت در زمان بندی برش‌ها را می‌توان با درون یابی زمانی انجام داد تا تخمین بزنیم که اگر همه برش‌ها به طور همزمان به دست می‌آمدند چه سیگنالی وجود داشت.

Temporal filtering and spatial smoothing aim to increase the signal-to-noise ratio. Temporal filtering removes components of the time course in each voxel that are highly likely to be noise rather than meaningful variance, such as very low frequencies (>100-second period) that typically result from scanner drift. Spatial smoothing applies a kernel (typically 4-8 mm wide) to blur individual volumes, averaging out noise across adjacent voxels and improving the odds that functions will overlap across subjects after anatomical alignment.

هدف فیلتر زمانی و هموارسازی فضایی افزایش نسبت سیگنال به نویز است. فیلتر زمانی اجزای دوره زمانی را در هر وکسل حذف می‌کند که به احتمال زیاد به جای واریانس معنی دار نویز هستند، مانند فرکانس‌های بسیار پایین (دوره بیش از 100 ثانیه) که معمولاً از رانش اسکنر ناشی می‌شوند. هموارسازی فضایی از یک هسته (معمولاً 4-8 میلی متر عرض) برای محو کردن حجم‌های فردی استفاده می‌کند، میانگین نویز را در وکسل‌های مجاور کاهش می‌دهد و احتمال همپوشانی عملکردها در بین سوژه‌ها را پس از تراز آناتومیکی بهبود می‌بخشد.

This anatomical alignment is accomplished by registering data across runs and subjects, usually with simple transformations (eg, shift, rotate, scale), to a standard template such as Montreal Neurological Institute or Talairach space. Typically, fMRI data are first aligned to a structural scan from the same subject, and then this structural scan is aligned to the standard template.

این تراز آناتومیکی با ثبت داده‌ها در سراسر اجراها و سوژه‌ها، معمولاً با تبدیل‌های ساده (مانند تغییر، چرخش، مقیاس)، به یک الگوی استاندارد مانند موسسه عصبی مونترال یا فضای Talairach انجام می‌شود. به طور معمول، داده‌های fMRI ابتدا با یک اسکن ساختاری از همان موضوع تراز می‌شوند و سپس این اسکن ساختاری با الگوی استاندارد تراز می‌شود.

Figure 6-2 Collecting and analyzing fMRI data.

شکل 6-2 جمع آوری و تجزیه و تحلیل داده‌های fMRI.

A. An fMRI experiment typically involves subjects performing a behavioral task while BOLD activity is measured from the brain. 1. The example task consists of two conditions (a, b) that alternate in time, each with two events depicted (black rectangles). 2. The time course of BOLD activity in six example voxels (different colors) from a region of interest (ROI) during the task. Analysis often focuses on an ROI or other subset of voxels in the brain to reduce the number of statistical tests performed. When all voxels in the brain are analyzed, statistical corrections are applied to reduce the number of false positives. The results of such analyses are often overlaid on a structural MRI as a color-coded heat map. The map is the result of extensive pre- processing and analysis and does not directly reflect neuronal activity or even blood oxygenation. Rather, voxels are colored to indicate that they have passed the threshold of being considered significant in a statistical test.

الف. یک آزمایش fMRI معمولاً شامل آزمودنی‌هایی است که یک کار رفتاری را انجام می‌دهند در حالی که فعالیت BOLD از مغز اندازه‌گیری می‌شود. 1. کار مثال شامل دو شرط (الف، ب) است که در زمان متناوب، هر کدام با دو رویداد به تصویر کشیده شده است (مستطیل‌های سیاه). 2. دوره زمانی فعالیت BOLD در شش وکسل مثال (رنگ‌های مختلف) از یک منطقه مورد علاقه (ROI) در طول کار. تجزیه و تحلیل اغلب بر روی ROI یا سایر زیرمجموعه‌های وکسل در مغز متمرکز می‌شود تا تعداد تست‌های آماری انجام شده را کاهش دهد. هنگامی‌که تمام وکسل‌های مغز تجزیه و تحلیل می‌شوند، اصلاحات آماری برای کاهش تعداد مثبت کاذب اعمال می‌شود. نتایج چنین تحلیل‌هایی اغلب بر روی MRI ساختاری به عنوان یک نقشه حرارتی با کد رنگی پوشانده می‌شوند. این نقشه نتیجه پیش پردازش و تجزیه و تحلیل گسترده است و به طور مستقیم فعالیت عصبی یا حتی اکسیژن خون را منعکس نمی‌کند. در عوض، وکسل‌ها رنگی هستند تا نشان دهند که آستانه معنی دار در نظر گرفته شدن در یک آزمون آماری را پشت سر گذاشته اند.

B. Three analysis approaches are often used in fMRI experiments such as the one depicted in A.

ب. سه رویکرد تحلیل اغلب در آزمایش‌های fMRI مانند آنچه در A نشان داده شده است، استفاده می‌شود.

1. Univariate activation analysis attempts to explain the BOLD activity of each individual voxel in terms of what happened in the task. This is accomplished using a statistical model that contains a regressor for each task condition specifying the predicted hemodynamic response (bell curves) for trial events from that condition (gray rectangles). The result of fitting the model to BOLD activity is a beta value for each regressor in every voxel, quantifying the average response of the voxel to trials of that condition. The beta values for a voxel can be subtracted to measure whether there is a greater response in one condition than another. To determine statistical significance, this difference in activation between conditions in each voxel is compared across subjects.

1. تجزیه و تحلیل فعال سازی تک متغیره تلاش می‌کند تا فعالیت BOLD هر وکسل منفرد را بر حسب آنچه در کار اتفاق افتاده توضیح دهد. این با استفاده از یک مدل آماری انجام می‌شود که حاوی یک رگرسیور برای هر شرایط وظیفه است که پاسخ همودینامیک پیش بینی شده (منحنی‌های زنگ) را برای رویدادهای آزمایشی از آن شرایط (مستطیل‌های خاکستری) مشخص می‌کند. نتیجه برازش مدل با فعالیت BOLD یک مقدار بتا برای هر رگرسیور در هر وکسل است که میانگین پاسخ وکسل به آزمایش‌های آن شرایط را کمی‌می‌کند. مقادیر بتا برای یک وکسل را می‌توان کم کرد تا اندازه گیری شود که آیا در یک شرایط پاسخ بیشتری نسبت به شرایط دیگر وجود دارد یا خیر. برای تعیین اهمیت آماری، این تفاوت در فعال سازی بین شرایط در هر وکسل در بین افراد مورد مقایسه قرار می‌گیرد.

2. Multivariate pattern analysis considers the pattern of BOLD activity across voxels. These spatial patterns are extracted for each trial from a subset of voxels (six depicted) and at a particular moment in time, often the peak of the predicted hemodynamic response (color saturation indicates amplitude of BOLD activity in each voxel on that trial). There are two common ways of analyzing these patterns. The first (shown) involves calculating the spatial correlation of patterns from a pair of trials to explore how similarly voxels responded to the trials. If a brain region represents different information across conditions, this pattern similarity should be higher for pairs of trials from the same versus different conditions. The second type of multivariate pattern analysis (not shown) uses a type of machine learning known as pattern classification. Some of the patterns and their corresponding condition labels are used to train a classifier model, assigning weights to voxels based on how useful they are at distinguishing between conditions. The model is then tested with other patterns on which it was not trained. If a brain region represents different information across conditions, the model should be able to correctly guess from which condition the patterns were extracted. To determine statistical significance, spatial correlations or classification accuracies in a region are compared across subjects.

2. تجزیه و تحلیل الگوی چند متغیره، الگوی فعالیت BOLD در بین وکسل‌ها را در نظر می‌گیرد. این الگوهای فضایی برای هر کارآزمایی از زیر مجموعه‌ای از وکسل‌ها (شش نشان داده شده) و در یک لحظه خاص در زمان، اغلب اوج پاسخ همودینامیک پیش‌بینی‌شده استخراج می‌شوند (اشباع رنگ نشان‌دهنده دامنه فعالیت BOLD در هر وکسل در آن آزمایش است). دو روش متداول برای تجزیه و تحلیل این الگوها وجود دارد. اولین (نشان داده شده) شامل محاسبه همبستگی فضایی الگوها از یک جفت آزمایش است تا بررسی شود که چگونه وکسل‌ها به طور مشابه به آزمایش‌ها پاسخ دادند. اگر ناحیه‌ای از مغز اطلاعات متفاوتی را در شرایط مختلف نشان می‌دهد، این شباهت الگو باید برای جفت آزمایش‌هایی از شرایط مشابه در مقابل شرایط متفاوت بیشتر باشد. نوع دوم تحلیل الگوی چند متغیره (نشان داده نشده) از نوعی یادگیری ماشینی استفاده می‌کند که به طبقه بندی الگوها معروف است. برخی از الگوها و برچسب‌های شرایط مربوط به آن‌ها برای آموزش یک مدل طبقه‌بندی کننده استفاده می‌شوند و وزن‌هایی را به وکسل‌ها بر اساس میزان مفید بودن آنها در تمایز بین شرایط اختصاص می‌دهند. سپس مدل با الگوهای دیگری که بر روی آنها آموزش ندیده آزمایش می‌شود. اگر یک ناحیه مغز اطلاعات متفاوتی را در شرایط مختلف نشان دهد، مدل باید بتواند به درستی حدس بزند که الگوها از کدام شرایط استخراج شده اند. برای تعیین اهمیت آماری، همبستگی‌های فضایی یا دقت طبقه‌بندی در یک منطقه در بین موضوعات مقایسه می‌شوند.

3. Functional connectivity analysis examines how BOLD activity is correlated between voxels over time. Typically, a seed voxel or ROI is chosen and its time course (pink curve) is correlated with the time courses of other voxels (two shown here). This can be performed while the subject is resting, resulting in a correlation value for every voxel that can be used to identify brain networks in a baseline state. Functional connectivity can also be calculated in different time windows of a task (dashed lines), resulting in a correlation value for each trial that can be used to understand the dynamics of these networks. To determine statistical significance, temporal correlations for each voxel are compared across subjects between conditions or against zero.

3. تجزیه و تحلیل اتصال عملکردی بررسی می‌کند که چگونه فعالیت BOLD بین وکسل‌ها در طول زمان ارتباط دارد. به طور معمول، یک وکسل دانه یا ROI انتخاب می‌شود و دوره زمانی آن (منحنی صورتی) با دوره‌های زمانی سایر وکسل‌ها (دو مورد در اینجا نشان داده شده‌اند) در ارتباط است. این را می‌توان در حالی که سوژه در حال استراحت است انجام داد و در نتیجه یک مقدار همبستگی برای هر وکسل ایجاد می‌شود که می‌تواند برای شناسایی شبکه‌های مغز در حالت پایه استفاده شود. اتصال عملکردی همچنین می‌تواند در پنجره‌های زمانی مختلف یک کار (خطوط چین) محاسبه شود، که در نتیجه یک مقدار همبستگی برای هر آزمایش ایجاد می‌شود که می‌تواند برای درک پویایی این شبکه‌ها مورد استفاده قرار گیرد. برای تعیین اهمیت آماری، همبستگی‌های زمانی برای هر وکسل در بین افراد بین شرایط یا در برابر صفر مقایسه می‌شود.

Once these five steps are completed, the data are ready for analysis.

پس از تکمیل این پنج مرحله، داده‌ها برای تجزیه و تحلیل آماده می‌شوند.

fMRI Can Be Used to Localize Cognitive Functions to Specific Brain Regions

fMRI می‌تواند برای بومی‌سازی عملکردهای شناختی در مناطق خاص مغز استفاده شود

The first kind of fMRI analysis seeks to localize functions in the brain and to determine what brain regions are associated with a behavior. This is based on having subjects complete a task during fMRI and then examining the relationship between different phases of the experiment and changes in BOLD activity in different parts of the brain. Based on researchers’ knowledge of what happened at different times in the experiment, the function of the regions can be inferred.

اولین نوع تجزیه و تحلیل fMRI به دنبال محلی سازی عملکردها در مغز و تعیین اینکه کدام مناطق مغز با یک رفتار مرتبط است. این مبتنی بر این است که افراد یک کار را در طول fMRI انجام دهند و سپس رابطه بین مراحل مختلف آزمایش و تغییرات در فعالیت BOLD در قسمت‌های مختلف مغز را بررسی کنند. بر اساس دانش محققان از آنچه در زمان‌های مختلف آزمایش اتفاق افتاده است، می‌توان عملکرد مناطق را استنباط کرد.

A series of statistical analyses are performed to quantify this relationship and to determine its significance. Typically, this is accomplished using a statistical regression method known as a general linear model (GLM). The GLM attempts to explain observed data (here, the time course of the BOLD activity in each voxel) as a linear combination of regressors that reflect independent variables (eg, task conditions) and covariates (eg, movement parameters).

مجموعه ای از تحلیل‌های آماری برای تعیین کمیت این رابطه و تعیین اهمیت آن انجام می‌شود. به طور معمول، این با استفاده از یک روش رگرسیون آماری شناخته شده به عنوان یک مدل خطی عمومی‌(GLM) انجام می‌شود. GLM تلاش می‌کند داده‌های مشاهده‌شده (در اینجا، دوره زمانی فعالیت BOLD در هر وکسل) را به‌عنوان ترکیبی خطی از رگرسیورها توضیح دهد که متغیرهای مستقل (مثلاً شرایط کار) و متغیرهای کمکی (مثلاً پارامترهای حرکت) را منعکس می‌کنند.

The regressors that model task conditions serve as a hypothesis about how a voxel should respond if involved in the cognitive function manipulated by that task. The regressor for each condition is generated by marking the onset and duration of each trial of that condition in the experimental time line, corresponding to the expected neuronal activity, and then accounting for the delayed hemodynamic response. All regressors are fit simultaneously to the fMRI activity in each voxel, and the result is a parameter estimate (or “beta”) for each condition and voxel, reflecting how much of the temporal variance of the voxel is uniquely explained by that condition’s trials on average.

پس‌رونده‌هایی که شرایط تکلیف را مدل‌سازی می‌کنند، به عنوان یک فرضیه در مورد اینکه یک وکسل در صورت درگیر شدن در عملکرد شناختی که توسط آن کار دستکاری می‌شود، چگونه باید پاسخ دهد، عمل می‌کنند. رگرسیون برای هر وضعیت با علامت گذاری شروع و مدت زمان هر آزمایش آن شرایط در خط زمانی آزمایشی، مطابق با فعالیت عصبی مورد انتظار، و سپس محاسبه پاسخ همودینامیک تاخیری ایجاد می‌شود. همه رگرسیورها به طور همزمان برای فعالیت fMRI در هر وکسل مناسب هستند، و نتیجه یک تخمین پارامتر (یا “بتا”) برای هر وضعیت و وکسل است، که منعکس کننده مقدار واریانس زمانی وکسل است که به طور منحصر به فرد توسط آزمایش‌های آن شرایط توضیح داده شده است. متوسط

To localize a function, betas from two or more conditions are compared in a contrast. The most basic form of contrast is to subtract one beta (eg, control condition) from another (eg, experimental condition). Contrasts are typically averaged over runs within each subject and then entered into a t-test to assess reliability across subjects. Because statistics are calculated for every voxel, there is a high risk of false positives, and a correction for multiple comparisons is required (eg, by giving voxels more credence if they cluster together with other significant voxels). Alternatively, a more constrained analysis can be performed, focusing on a limited number of regions of interest (ROIs) that are defined a priori. Contrast values can then be averaged over the voxels in an ROI to produce regional estimates, rather than examining all voxels in the brain, thereby reducing the number of comparisons.

برای بومی‌سازی یک تابع، بتای دو یا چند شرایط در یک کنتراست مقایسه می‌شوند. ابتدایی ترین شکل کنتراست کم کردن یک بتا (مثلاً شرط کنترل) از دیگری (مثلاً شرایط آزمایشی) است. تضادها معمولاً در طول دوره‌های هر موضوع به‌طور میانگین محاسبه می‌شوند و سپس وارد آزمون t برای ارزیابی قابلیت اطمینان در بین آزمودنی‌ها می‌شوند. از آنجایی که آمار برای هر وکسل محاسبه می‌شود، خطر مثبت کاذب بالایی وجود دارد، و اصلاح برای مقایسه‌های چندگانه مورد نیاز است (مثلاً با دادن اعتبار بیشتر به وکسل‌ها در صورت دسته‌بندی با سایر وکسل‌های مهم). از طرف دیگر، می‌توان تحلیل محدودتری را انجام داد، با تمرکز بر تعداد محدودی از مناطق مورد علاقه (ROI) که از قبل تعریف شده‌اند. سپس می‌توان مقادیر کنتراست را بر روی وکسل‌ها در یک ROI به‌طور میانگین به‌جای بررسی همه وکسل‌های مغز، تخمین‌های منطقه‌ای ایجاد کرد و در نتیجه تعداد مقایسه‌ها را کاهش داد.

This general family of approaches is often described as measuring univariate activation- “univariate” because each voxel or region is treated independently and “activation” because the result is a measure of the relative activity evoked by one condition versus another. This kind of analysis is typically used to localize a cognitive function to a set of voxels or regions in the brain.

این خانواده کلی از رویکردها اغلب به‌عنوان اندازه‌گیری فعال‌سازی تک متغیره توصیف می‌شود، زیرا هر وکسل یا ناحیه به‌طور مستقل مورد بررسی قرار می‌گیرد و «فعال‌سازی» است زیرا نتیجه معیاری از فعالیت نسبی است که توسط یک شرط در مقابل شرایط دیگر برانگیخته می‌شود. این نوع تجزیه و تحلیل معمولاً برای بومی‌سازی یک عملکرد شناختی در مجموعه ای از وکسل‌ها یا مناطق در مغز استفاده می‌شود.

However, univariate activation can be used for more than localization. For example, a GLM can make quantitative predictions about BOLD activity by assigning a continuous weight, rather than a categorical one, to each trial in a regressor based on an experimental parameter (eg, working memory load), behavioral measurement (eg, response time), or computational model (eg, prediction error in reinforcement learning). The resulting beta reflects how much a voxel correlates with the variable of interest.

با این حال، فعال سازی تک متغیره را می‌توان برای بیش از محلی سازی استفاده کرد. برای مثال، یک GLM می‌تواند پیش‌بینی‌های کمی‌در مورد فعالیت BOLD با اختصاص وزن پیوسته، به جای وزن طبقه‌ای، به هر آزمایش در یک رگرسیون بر اساس یک پارامتر تجربی (مثلاً بار حافظه کاری)، اندازه‌گیری رفتاری (مثلاً زمان پاسخ) انجام دهد. ) یا مدل محاسباتی (مثلاً خطای پیش بینی در یادگیری تقویتی). بتای حاصل نشان می‌دهد که یک وکسل چقدر با متغیر مورد علاقه همبستگی دارد.

Another use of univariate activation is for measuring changes in BOLD activity as a function of repeating a stimulus. Such studies take advantage of adaptation (or repetition suppression)-the tendency of stimulus- selective neurons to respond less to repeated versus new stimuli. This fact allows the tuning of a brain region to be inferred by conducting an experiment in which related and unrelated stimuli are presented sequentially. In some trials, one stimulus is followed by a near-repetition of the same stimulus, but with a feature changed (eg, its location or size). A univariate analysis tests whether BOLD activity in voxels from the region is lower on these trials compared to other trials in which either (1) the first stimulus is followed by an unrelated second stimulus or (2) the changed stimulus is preceded by an unrelated stimulus. If such a BOLD reduction is observed, the region can be interpreted as not tuned for the changed feature (eg, the region could be considered location or size invariant).

استفاده دیگر از فعال سازی تک متغیره برای اندازه گیری تغییرات در فعالیت BOLD به عنوان تابعی از تکرار یک محرک است. چنین مطالعاتی از سازگاری (یا سرکوب تکرار) – تمایل نورون‌های انتخابی محرک برای پاسخ کمتر به محرک‌های تکراری در مقابل محرک‌های جدید بهره می‌برند. این واقعیت اجازه می‌دهد تا با انجام آزمایشی که در آن محرک‌های مرتبط و نامرتبط به صورت متوالی ارائه می‌شوند، تنظیم یک ناحیه مغز استنباط شود. در برخی کارآزمایی‌ها، یک محرک با تکرار تقریباً همان محرک، اما با تغییر ویژگی (مثلاً مکان یا اندازه آن) دنبال می‌شود. تجزیه و تحلیل تک متغیره آزمایش می‌کند که آیا فعالیت BOLD در وکسل‌های منطقه در این آزمایش‌ها در مقایسه با آزمایش‌های دیگر که در آن‌ها (1) محرک اول با یک محرک دوم نامربوط دنبال می‌شود یا (2) محرک تغییر یافته قبل از یک محرک نامرتبط است یا خیر کمتر است یا خیر . اگر چنین کاهش BOLD مشاهده شود، منطقه می‌تواند به عنوان تنظیم نشده برای ویژگی تغییر یافته تفسیر شود (به عنوان مثال، منطقه می‌تواند مکان یا اندازه ثابت در نظر گرفته شود).

fMRI Can Be Used to Decode What Information Is Represented in the Brain

از fMRI می‌توان برای رمزگشایی اطلاعاتی که در مغز نشان داده می‌شود استفاده کرد

The second category of fMRI analysis seeks to characterize what kinds of information are represented in different regions of the brain to guide behavior. Rather than analyze voxels independently or average over voxels within an ROI, these analyses examine the information carried by spatial patterns of BOLD activity over multiple voxels. This is typically referred to as multivariate pattern analysis (MVPA). There are two types of MVPA, based on the similarity or classification of activity patterns.

دسته دوم تجزیه و تحلیل fMRI به دنبال مشخص کردن نوع اطلاعاتی است که در مناطق مختلف مغز برای هدایت رفتار نمایش داده می‌شود. این تحلیل‌ها به‌جای تجزیه و تحلیل وکسل‌ها به‌طور مستقل یا میانگین بیش از وکسل‌ها در یک ROI، اطلاعات حمل‌شده توسط الگوهای فضایی فعالیت BOLD را روی وکسل‌های متعدد بررسی می‌کنند. این معمولا به عنوان تجزیه و تحلیل الگوی چند متغیره (MVPA) نامیده می‌شود. دو نوع MVPA بر اساس شباهت یا طبقه بندی الگوهای فعالیت وجود دارد.

Similarity-based MVPA tries to understand what information is contained or “represented” in a brain region. This is accomplished by examining how similarly the region processes different conditions or stimuli in an experiment. This similarity is calculated from the pattern of activation across voxels in an ROI, defined as either the pattern of beta values from a GLM or the pattern of raw BOLD activity from preprocessed data. Once these patterns have been defined for multiple conditions or stimuli, the correlation or distance of each pair of patterns is calculated. This produces a matrix of the pairwise similarities between conditions or stimuli within the ROI. With this matrix, it is possible to infer to what information the ROI is most sensitive. For example, if subjects are shown photos of different objects (eg, a banana, canoe, taxi), a matrix of distances between the activity patterns evoked by these objects can be computed for different brain regions. An ROI in which there is less distance between banana and canoe than between either of them and taxi could be interpreted to mean that the region represents shape (ie, concavity); another region in which the lowest distance is between banana and taxi might represent color (ie, yellow); or one with the lowest distance between canoe and taxi might be interpreted as representing function (ie, transportation).

MVPA مبتنی بر شباهت سعی می‌کند بفهمد چه اطلاعاتی در یک ناحیه مغز وجود دارد یا “نمایش” داده شده است. این کار با بررسی اینکه چگونه منطقه به طور مشابه شرایط یا محرک‌های مختلف را در یک آزمایش پردازش می‌کند، انجام می‌شود. این شباهت از الگوی فعال‌سازی بین وکسل‌ها در یک ROI محاسبه می‌شود، که به عنوان الگوی مقادیر بتا از یک GLM یا الگوی فعالیت BOLD خام از داده‌های از پیش پردازش شده تعریف می‌شود. هنگامی‌که این الگوها برای شرایط یا محرک‌های متعدد تعریف شدند، همبستگی یا فاصله هر جفت الگو محاسبه می‌شود. این ماتریسی از شباهت‌های زوجی بین شرایط یا محرک‌های درون ROI تولید می‌کند. با استفاده از این ماتریس، می‌توان استنباط کرد که ROI نسبت به چه اطلاعاتی حساس تر است. به عنوان مثال، اگر به سوژه‌ها عکس‌هایی از اشیاء مختلف نشان داده شود (مثلاً موز، قایق رانی، تاکسی)، ماتریسی از فواصل بین الگوهای فعالیت برانگیخته شده توسط این اشیاء را می‌توان برای مناطق مختلف مغز محاسبه کرد. ROI که در آن فاصله کمتری بین موز و قایق رانی نسبت به هر یک از آنها و تاکسی وجود دارد، می‌تواند به این معنا تفسیر شود که این ناحیه نشان‌دهنده شکل (یعنی تقعر) است. منطقه دیگری که در آن کمترین فاصله بین موز و تاکسی است ممکن است رنگ را نشان دهد (یعنی زرد). یا یکی با کمترین فاصله بین قایق رانی و تاکسی ممکن است به عنوان نماینده عملکرد (یعنی حمل و نقل) تفسیر شود.

Neural similarity from fMRI can also be compared with similarity calculated in other ways for the same conditions or stimuli, including from human judgments, computational models, or neural measures in other species. For example, if human subjects rate a large set of stimuli in terms of how similar they look to each other, a brain region with a matching similarity structure could be considered a candidate source of this behavior. This approach of calculating second-order correlations between neural and behavioral similarity matrices, or between neural similarity matrices from two sources, is called representational similarity analysis (RSA).

شباهت عصبی حاصل از fMRI را می‌توان با شباهت محاسبه‌شده به روش‌های دیگر برای شرایط یا محرک‌های یکسان، از جمله از قضاوت‌های انسانی، مدل‌های محاسباتی، یا معیارهای عصبی در گونه‌های دیگر مقایسه کرد. به عنوان مثال، اگر آزمودنی‌های انسانی مجموعه بزرگی از محرک‌ها را از نظر شباهت به یکدیگر ارزیابی کنند، یک ناحیه مغزی با ساختار مشابهی می‌تواند منبع کاندیدای این رفتار در نظر گرفته شود. این رویکرد محاسبه همبستگی‌های مرتبه دوم بین ماتریس‌های شباهت عصبی و رفتاری، یا بین ماتریس‌های شباهت عصبی از دو منبع، تحلیل شباهت بازنمایی (RSA) نامیده می‌شود.

Classifier-based MVPA uses techniques from machine learning (discussed in Chapter 5) to decode what information is present in a brain region. The first step is to train a classifier model on a subset of the fMRI data to discriminate between conditions or stimulus classes from patterns of BOLD activity across voxels in an ROI. These patterns are usually obtained from individual trials, and each is labeled according to the condition or stimulus on the corresponding trial. This training set thus contains several brain pattern examples of each class. Classifier training can use many different algorithms, the two most common being support vector machine and regularized logistic regression. The result is typically a weight for each voxel reflecting how activity in that voxel contributes to classification collectively with the other voxels. The second step after training is to test the classifier by examining how well it can decode patterns from a held-out and independent subset of fMRI data (eg, from a different run or subject). The pattern of BOLD activity on each test trial is multiplied by the learned classifier weights and summed to produce a guess about how the pattern should be labeled. Classification accuracy is quantified as the proportion of these guesses that match the correct labels. Importantly, this approach can be used to understand how different brain regions give rise to behavior, such as by attempting to classify which action was performed, which decision was made, or which memory was retrieved.

MVPA مبتنی بر طبقه‌بندی از تکنیک‌های یادگیری ماشین (که در فصل 5 بحث شد) برای رمزگشایی اطلاعات موجود در یک ناحیه مغز استفاده می‌کند. اولین گام آموزش یک مدل طبقه‌بندی کننده بر روی زیرمجموعه‌ای از داده‌های fMRI است تا بین شرایط یا کلاس‌های محرک از الگوهای فعالیت BOLD در وکسل‌ها در یک ROI تمایز قائل شود. این الگوها معمولاً از آزمایش‌های فردی به‌دست می‌آیند و هر کدام بر اساس شرایط یا محرک در آزمایش مربوطه برچسب‌گذاری می‌شوند. بنابراین این مجموعه آموزشی شامل چندین نمونه الگوی مغز از هر کلاس است. آموزش طبقه‌بندی‌کننده می‌تواند از الگوریتم‌های مختلفی استفاده کند که دو مورد از رایج‌ترین آنها، ماشین بردار پشتیبان و رگرسیون لجستیک منظم است. نتیجه معمولاً وزنی برای هر وکسل است که نشان می‌دهد چگونه فعالیت در آن وکسل به طبقه‌بندی با سایر وکسل‌ها کمک می‌کند. مرحله دوم پس از آموزش، آزمایش طبقه‌بندی‌کننده با بررسی اینکه چگونه می‌تواند الگوها را از یک زیرمجموعه مستقل و مستقل از داده‌های fMRI (مثلاً از یک اجرا یا موضوع متفاوت رمزگشایی کند) است. الگوی فعالیت BOLD در هر آزمایش آزمایشی در وزن‌های طبقه‌بندی‌کننده آموخته‌شده ضرب می‌شود و برای ایجاد حدس در مورد نحوه برچسب‌گذاری الگو جمع‌بندی می‌شود. دقت طبقه‌بندی به عنوان نسبت این حدس‌ها که با برچسب‌های صحیح مطابقت دارند، تعیین می‌شود. نکته مهم این است که این رویکرد می‌تواند برای درک اینکه چگونه مناطق مختلف مغز باعث ایجاد رفتار می‌شوند، مانند تلاش برای طبقه بندی اینکه کدام عمل انجام شده، کدام تصمیم گرفته شده است، یا کدام حافظه بازیابی شده است، استفاده شود.

fMRI Can Be Used to Measure Correlated Activity Across Brain Networks

fMRI را می‌توان برای اندازه گیری فعالیت‌های مرتبط در سراسر شبکه‌های مغزی استفاده کرد

The third category of fMRI analysis seeks to understand the organization of the brain as a network. Knowing what brain regions do individually does not fully explain how the brain as a whole generates behavior. It is additionally critical to know how brain regions relate to each other-that is, where do the inputs to a region come from and where do the outputs go? This requires an understanding of which regions communicate with each other and when and how they transmit information. This is difficult to determine definitively with fMRI but can be estimated by measuring the correlation of BOLD activity between voxels or regions over time. If two parts of the brain have correlated activity, they may be sharing the same information or participating in the same process. Such correlations are interpreted as measures of functional connectivity.

دسته سوم تجزیه و تحلیل fMRI به دنبال درک سازماندهی مغز به عنوان یک شبکه است. دانستن اینکه نواحی مغز به صورت جداگانه چه کاری انجام می‌دهند به طور کامل توضیح نمی‌دهد که چگونه مغز به عنوان یک کل رفتار ایجاد می‌کند. علاوه بر این بسیار مهم است که بدانیم نواحی مغز چگونه به یکدیگر مرتبط هستند – یعنی ورودی‌های یک منطقه از کجا می‌آیند و خروجی‌ها به کجا می‌روند؟ این امر مستلزم درک این است که کدام مناطق با یکدیگر ارتباط برقرار می‌کنند و چه زمانی و چگونه اطلاعات را منتقل می‌کنند. تعیین قطعی این مورد با fMRI دشوار است اما می‌توان با اندازه گیری همبستگی فعالیت BOLD بین وکسل‌ها یا مناطق در طول زمان تخمین زد. اگر دو قسمت از مغز دارای فعالیت مرتبط باشند، ممکن است اطلاعات یکسانی را به اشتراک بگذارند یا در یک فرآیند شرکت کنند. چنین همبستگی‌هایی به عنوان معیارهای اتصال عملکردی تفسیر می‌شوند.

One way to study functional connectivity with fMRI is to measure BOLD correlations in a resting state. Subjects are scanned while they lie still without performing a task, and then the time course of BOLD activity from one “seed” ROI is extracted and correlated with the time courses from other ROIS or from all voxels in the brain. Alternatively, clustering or component analyses can be used without a seed to identify collections of voxels with similar temporal profiles. Resting functional connectivity defined in these ways has helped reveal that the brain contains several large- scale networks of regions. The most widely studied of these networks is referred to as the default mode network, which includes the posterior medial cortex, lateral parietal cortex, and medial prefrontal cortex.

یکی از راه‌های مطالعه اتصال عملکردی با fMRI اندازه‌گیری همبستگی‌های BOLD در حالت استراحت است. آزمودنی‌ها در حالی که بی حرکت دراز می‌کشند بدون انجام کار اسکن می‌شوند و سپس دوره زمانی فعالیت BOLD از یک ROI “دانه” استخراج شده و با دوره‌های زمانی از سایر ROIS یا از تمام وکسل‌های مغز مرتبط می‌شود. روش دیگر، خوشه بندی یا تجزیه و تحلیل مؤلفه‌ها را می‌توان بدون بذر برای شناسایی مجموعه ای از وکسل‌ها با پروفایل‌های زمانی مشابه استفاده کرد. برقراری ارتباط عملکردی که به این روش‌ها تعریف شده است به آشکار شدن این موضوع کمک کرده است که مغز دارای چندین شبکه در مقیاس بزرگ از مناطق است. گسترده ترین مورد مطالعه شده از این شبکه‌ها به عنوان شبکه حالت پیش فرض نامیده می‌شود که شامل قشر داخلی خلفی، قشر جداری جانبی و قشر پیش پیشانی داخلی است.

By definition, resting connectivity cannot be linked to concurrent behavior. Nor is it static, as telling subjects not to do anything does not restrict what they think about. Nevertheless, resting connectivity can be linked to behavior indirectly by examining how it goes awry in disease or disorders and how it relates to cognitive differences between people.

طبق تعریف، اتصال در حالت استراحت را نمی‌توان به رفتار همزمان مرتبط کرد. همچنین ایستا نیست، زیرا گفتن به آزمودنی‌ها برای انجام کاری، چیزی را که درباره آن فکر می‌کنند محدود نمی‌کند. با این وجود، ارتباط استراحت می‌تواند به طور غیرمستقیم با بررسی اینکه چگونه در بیماری یا اختلالات نادرست است و چگونه با تفاوت‌های شناختی بین افراد ارتباط دارد، با رفتار مرتبط است.

Functional connectivity can be linked more directly to behavior if it is measured during tasks rather than at rest. One difficulty in interpreting such correlations between regions is that two regions might be correlated during a task not because they are communicating with each other, but because of a third variable. For example, the regions might be responding independently but coincidentally to the same stimulus. Thus, task-based functional connectivity is typically calculated after removing, or otherwise accounting for, BOLD responses evoked by stimuli. This approach allows functional connectivity to be manipulated experimentally and compared across task conditions. These comparisons provide insight into how the involvement and interaction of brain regions in a network change dynamically to support different behaviors. This has proven useful for understanding cognitive functions such as attention, motivation, and memory, which depend on some brain regions modulating others.

اگر در حین انجام وظایف به جای استراحت اندازه گیری شود، اتصال عملکردی می‌تواند مستقیماً با رفتار مرتبط باشد. یک مشکل در تفسیر چنین همبستگی‌هایی بین مناطق این است که ممکن است دو منطقه در طول یک کار نه به این دلیل که با یکدیگر ارتباط برقرار می‌کنند، بلکه به دلیل یک متغیر سوم، مرتبط باشند. به عنوان مثال، مناطق ممکن است به طور مستقل اما به طور تصادفی به یک محرک پاسخ دهند. بنابراین، اتصال عملکردی مبتنی بر وظیفه معمولاً پس از حذف، یا در غیر این صورت، پاسخ‌های BOLD برانگیخته شده توسط محرک‌ها محاسبه می‌شود. این رویکرد اجازه می‌دهد تا اتصال عملکردی به صورت تجربی دستکاری شود و در شرایط کار مقایسه شود. این مقایسه‌ها بینشی را در مورد اینکه چگونه دخالت و تعامل نواحی مغز در یک شبکه به طور پویا برای حمایت از رفتارهای مختلف تغییر می‌کند، ارائه می‌کند. این برای درک عملکردهای شناختی مانند توجه، انگیزه و حافظه مفید است که به برخی از مناطق مغز بستگی دارد که برخی دیگر را تعدیل می‌کنند.

Functional connectivity can also be viewed as a pattern (of correlations rather than activity) and submitted to MVPA. Correlation patterns are larger in scale than activity patterns: If there are n voxels in an activity pattern, there are on the order of n2 voxel pairs in a correlation pattern. Thus, it can be helpful to summarize the properties of correlation patterns using graph theory, where individual voxels or regions are treated as the nodes in the graph and the functional connectivity between these nodes determines the edge strengths.

اتصال عملکردی همچنین می‌تواند به عنوان یک الگو (از همبستگی‌ها به جای فعالیت) در نظر گرفته شود و به MVPA ارسال شود. الگوهای همبستگی در مقیاس بزرگتر از الگوهای فعالیت هستند: اگر n وکسل در یک الگوی فعالیت وجود داشته باشد، در یک الگوی همبستگی به ترتیب n2 جفت وکسل وجود دارد. بنابراین، خلاصه کردن ویژگی‌های الگوهای همبستگی با استفاده از تئوری گراف می‌تواند مفید باشد، جایی که وکسل‌ها یا نواحی منفرد به عنوان گره‌های گراف در نظر گرفته می‌شوند و اتصال عملکردی بین این گره‌ها نقاط قوت لبه را تعیین می‌کند.

Functional MRI Studies Have Led to Fundamental Insights

مطالعات عملکردی MRI به بینش‌های اساسی منجر شده است

Functional MRI has changed our understanding of the basic neurobiological building blocks of human behavior. Combining experimental manipulations and computational models from cognitive psychology with precise neurobiological measurements has expanded existing theories of the mind and brain and has stimulated new ideas. Discoveries from fMRI have impacted not just our understanding of behaviors presumed to be uniquely human, but also behaviors that have long been investigated in animals.

MRI عملکردی درک ما را از بلوک‌های ساختمان عصبی زیست‌شناسی اساسی رفتار انسان تغییر داده است. ترکیب دستکاری‌های تجربی و مدل‌های محاسباتی از روان‌شناسی شناختی با اندازه‌گیری‌های عصبی زیست‌شناختی دقیق، نظریه‌های موجود در مورد ذهن و مغز را گسترش داده و ایده‌های جدیدی را برانگیخته است. اکتشافات fMRI نه تنها بر درک ما از رفتارهایی که گمان می‌رود منحصر به فرد انسانی هستند، بلکه بر رفتارهایی که مدت‌هاست در حیوانات مورد بررسی قرار گرفته اند نیز تأثیر گذاشته است.

In this section, we review three examples of this progress. The study of face perception reveals how human fMRI studies have inspired research in animals. The study of memory illustrates how fMRI has challenged theories from cognitive psychology and systems neuroscience. The study of decision-making shows how animal studies and computational models have advanced fMRI research.

در این قسمت سه نمونه از این پیشرفت را بررسی می‌کنیم. مطالعه درک چهره نشان می‌دهد که چگونه مطالعات fMRI انسانی الهام گرفته از تحقیقات در حیوانات است. مطالعه حافظه نشان می‌دهد که چگونه fMRI نظریه‌های روانشناسی شناختی و علوم اعصاب سیستمی‌را به چالش کشیده است. مطالعه تصمیم گیری نشان می‌دهد که چگونه مطالعات حیوانی و مدل‌های محاسباتی تحقیقات fMRI را پیشرفته کرده است.

fMRI studies in Humans Have Inspired Neurophysiological Studies in Animals

مطالعات fMRI در انسان الهام بخش مطالعات نوروفیزیولوژیک در حیوانات است

Our understanding of how the brain perceives faces has grown tremendously over the past two decades (Chapter 24). The advances described below provide an example of how findings from fMRI in humans inspired follow-up studies with neuronal recordings and causal interventions in nonhuman primates. This synergy across species and techniques led to a more complete understanding of the fundamental process by which faces are recognized.

درک ما از اینکه مغز چگونه چهره‌ها را درک می‌کند، طی دو دهه گذشته به شدت افزایش یافته است (فصل 24). پیشرفت‌هایی که در زیر توضیح داده می‌شوند، نمونه‌ای از این که چگونه یافته‌های fMRI در انسان‌ها، الهام‌بخش مطالعات بعدی با ضبط‌های عصبی و مداخلات علّی در پستانداران غیرانسانی است، ارائه می‌کند. این هم افزایی در میان گونه‌ها و تکنیک‌ها منجر به درک کامل تری از فرآیند اساسی که توسط آن چهره‌ها شناسایی می‌شوند، شد.

Some classes of stimuli are more important for survival than others. Does the brain have dedicated machinery for the processing of such stimuli? Faces are an obvious case in humans. The development of fMRI combined with careful and systematic experimental designs led to important insights into how and where faces are processed in the human brain. One region in the fusiform gyrus, often referred to as the fusiform face area (FFA), was found to show robust and selective BOLD activity when humans view faces.

برخی از دسته‌های محرک برای بقا مهم‌تر از سایرین هستند. آیا مغز ماشین آلات اختصاصی برای پردازش چنین محرک‌هایی دارد؟ چهره‌ها یک مورد آشکار در انسان است. توسعه fMRI همراه با طراحی‌های آزمایشی دقیق و سیستماتیک به بینش‌های مهمی‌در مورد چگونگی و مکان پردازش چهره‌ها در مغز انسان منجر شد. یک ناحیه در شکنج دوکی شکل، که اغلب به عنوان ناحیه صورت دوکی (FFA) نامیده می‌شود، مشخص شد که هنگام مشاهده چهره‌ها، فعالیت BOLD قوی و انتخابی را نشان می‌دهد.

Early fMRI studies that led to this discovery relied on simple designs in which subjects were presented with a series of different types of visual stimuli. To measure the face selectivity of brain areas, the BOLD response to faces was compared with the BOLD responses for the other categories (eg, places, objects). An area of the lateral fusiform gyrus, most reliably in the right hemisphere, was strongly activated by faces. These findings fit with earlier findings of individual neurons in nonhuman primates that respond to faces, but inspired a new wave of animal studies to examine a larger-scale network of brain regions. These newer animal studies, borrowing experimental designs from the human studies, first used fMRI to find orthologs of the FFA. The resulting face patches were then probed invasively with neuronal recording and stimulation. This revealed insights into the distributed neural circuitry for face processing in primates.

مطالعات اولیه fMRI که منجر به این کشف شد، بر طرح‌های ساده‌ای تکیه داشت که در آنها یک سری از انواع مختلف محرک‌های بصری به افراد ارائه می‌شد. برای اندازه‌گیری گزینش‌پذیری چهره نواحی مغز، پاسخ BOLD به چهره‌ها با پاسخ‌های BOLD برای دسته‌های دیگر (مانند مکان‌ها، اشیا) مقایسه شد. ناحیه ای از شکنج دوکی شکل جانبی، که بیشترین اطمینان را در نیمکره راست دارد، به شدت توسط چهره‌ها فعال می‌شد. این یافته‌ها با یافته‌های قبلی سلول‌های عصبی منفرد در نخستی‌های غیرانسانی که به چهره‌ها پاسخ می‌دهند مطابقت دارد، اما موج جدیدی از مطالعات حیوانی را برای بررسی شبکه‌ای در مقیاس بزرگ‌تر از مناطق مغز الهام بخشید. این مطالعات جدیدتر روی حیوانات، با قرض گرفتن طرح‌های تجربی از مطالعات انسانی، ابتدا از fMRI برای یافتن ارتولوگ‌های FFA استفاده کردند. سپس تکه‌های صورت به‌دست‌آمده با ضبط و تحریک عصبی به صورت تهاجمی‌بررسی شدند. این بینش‌هایی را در مورد مدار عصبی توزیع شده برای پردازش صورت در پستانداران نشان داد.

In addition to responding selectively to face stimuli, does the FFA contribute to the behavior of face recognition? This question has been addressed using stimulus variations that are known to affect face recognition (eg, presenting faces that are inverted or presenting parts of faces). Initial fMRI studies using simple comparisons of stimulus categories (inverted versus upright faces) produced weak and mixed results. Follow-up studies used an adaptation design to determine how BOLD activity changes when a face is repeated intact or altered. The findings suggested that the FFA represents intact faces differently than when the same visual features are recon- figured in a way that disrupts behavioral recognition.

آیا FFA علاوه بر پاسخ گزینشی به محرک‌های صورت، به رفتار تشخیص چهره کمک می‌کند؟ این سؤال با استفاده از تغییرات محرکی که بر تشخیص چهره تأثیر می‌گذارند (مثلاً ارائه چهره‌هایی که معکوس هستند یا ارائه بخش‌هایی از چهره‌ها) پرداخته شده است. مطالعات اولیه fMRI با استفاده از مقایسه ساده دسته‌های محرک (صورت وارونه در مقابل چهره‌های عمودی) نتایج ضعیف و متفاوتی را به همراه داشت. مطالعات بعدی از یک طرح انطباق برای تعیین چگونگی تغییر فعالیت BOLD در صورت تکرار دست نخورده یا تغییر چهره استفاده کردند. یافته‌ها نشان می‌دهد که FFA چهره‌های دست‌نخورده را به‌طور متفاوتی نسبت به زمانی که همان ویژگی‌های بصری به‌گونه‌ای بازسازی می‌شوند که تشخیص رفتاری را مختل می‌کند، نشان می‌دهد.

Another way to examine the behavioral significance of a region is to study patients who have behavioral deficits in this case, an impairment of face recognition known as prosopagnosia. Surprisingly, some fMRI studies found an intact FFA in these patients, casting doubt on its necessity for face perception. However, here too follow-up studies using an adaptation design proved informative: The otherwise intact FFA of prosopagnosics did not adapt when the same face was repeated. This suggests that the FFA responds differently in people with prosopagnosia, consistent with its importance to face recognition.

روش دیگر برای بررسی اهمیت رفتاری یک منطقه، مطالعه بیمارانی است که در این مورد دارای نقص‌های رفتاری هستند، اختلال در تشخیص چهره که به عنوان prosopagnosia شناخته می‌شود. با کمال تعجب، برخی از مطالعات fMRI یک FFA دست نخورده را در این بیماران پیدا کردند که ضرورت آن برای درک صورت را مورد تردید قرار داد. با این حال، در اینجا نیز مطالعات بعدی با استفاده از یک طرح انطباق آموزنده بود: در غیر این صورت FFA دست نخورده از prosopagnosics با تکرار همان چهره سازگار نشد. این نشان می‌دهد که FFA در افراد مبتلا به prosopagnosia، مطابق با اهمیت آن برای تشخیص چهره، واکنش متفاوتی نشان می‌دهد.

The finding that visual categories, or mental processes more generally, can be mapped to one or a small number of regions like the FFA was important for thinking about the relationship between mind and brain. Whether specific functions are localized or broadly distributed has been a central question regarding brain organization throughout the history of neuroscience (Chapter 1). The discovery of the FFA and the face patch system provided new evidence of localization, and encouraged researchers to pursue the hypothesis that other complex cognitive functions might be localized in specific brain areas or small sets of nodes, but also to question whether localization is the right way to think about brain organization. For example, further studies showed that faces produce widely distributed responses over visual cortex and that the FFA can be co-opted for recognition of other kinds of objects with which we have expertise. These debates reflect the transformative nature of this original work, both for studies of the human brain and for related questions in animal models.

این یافته که مقوله‌های بصری یا به طور کلی فرآیندهای ذهنی را می‌توان در یک یا تعداد کمی‌از مناطق مانند FFA ترسیم کرد، برای تفکر در مورد رابطه بین ذهن و مغز مهم بود. اینکه آیا عملکردهای خاص محلی هستند یا به طور گسترده توزیع شده اند، یک سؤال اصلی در مورد سازماندهی مغز در طول تاریخ علوم اعصاب بوده است (فصل 1). کشف FFA و سیستم وصله صورت شواهد جدیدی از محلی‌سازی ارائه کرد و محققان را تشویق کرد که این فرضیه را دنبال کنند که سایر عملکردهای شناختی پیچیده ممکن است در نواحی خاص مغز یا مجموعه‌های کوچکی از گره‌ها بومی‌شوند، اما همچنین به این سوال که آیا محلی‌سازی درست است یا خیر. روشی برای تفکر درباره سازماندهی مغز به عنوان مثال، مطالعات بیشتر نشان داد که چهره‌ها پاسخ‌های گسترده‌ای را روی قشر بینایی ایجاد می‌کنند و FFA را می‌توان برای تشخیص انواع دیگر اشیایی که ما با آنها تخصص داریم، انتخاب کرد. این بحث‌ها منعکس کننده ماهیت دگرگون کننده این کار اصلی است، هم برای مطالعات مغز انسان و هم برای سوالات مرتبط در مدل‌های حیوانی.

fMRI studies Have Challenged Theories From Cognitive Psychology and Systems Neuroscience

مطالعات fMRI نظریه‌های روان‌شناسی شناختی و علوم اعصاب سیستم‌ها را به چالش کشیده است.

Many theoretical models from cognitive psychology were originally agnostic about the brain. However, there are now several examples of fMRI findings that changed our understanding of the organization and mechanisms of cognition.

بسیاری از مدل‌های نظری روان‌شناسی شناختی در اصل درباره مغز ادم‌گرا بودند. با این حال، اکنون چندین نمونه از یافته‌های fMRI وجود دارد که درک ما را از سازمان و مکانیسم‌های شناخت تغییر داد.

One prominent example is the study of memory. The overall goal of memory research, beginning in the 19th century, has been to understand how a memory is created, retrieved, and used, and whether these processes differ across types of memory. A key discovery came from research on patient H.M. and the realization that damage to the hippocampus causes a loss of the ability to form new autobiographical memories but does not impact the ability to learn certain skills (Chapter 52). These findings led to the idea that memory can be divided into two broad classes, conscious versus unconscious (also known as declarative versus procedural or explicit versus implicit). In the tradition of localization, these and other types of memory were mapped onto distinct brain regions, based on where in the brain a patient had damage and which behavioral symptoms they exhibited.

یکی از نمونه‌های بارز مطالعه حافظه است. هدف کلی تحقیقات حافظه، که از قرن نوزدهم آغاز شد، درک چگونگی ایجاد، بازیابی و استفاده از یک حافظه و اینکه آیا این فرآیندها در انواع حافظه متفاوت است یا خیر بوده است. یک کشف کلیدی از تحقیقات بر روی بیمار H.M. و درک این موضوع که آسیب به هیپوکامپ باعث از دست دادن توانایی ایجاد خاطرات زندگی‌نامه‌ای جدید می‌شود، اما بر توانایی یادگیری مهارت‌های خاص تأثیر نمی‌گذارد (فصل 52). این یافته‌ها منجر به این ایده شد که حافظه را می‌توان به دو دسته وسیع، خودآگاه در مقابل ناخودآگاه (که به‌عنوان اظهاری در مقابل رویه‌ای یا آشکار در مقابل ضمنی نیز شناخته می‌شود) تقسیم کرد. در سنت محلی‌سازی، این حافظه‌ها و سایر انواع حافظه بر روی مناطق مجزای مغز ترسیم می‌شدند، بر اساس اینکه در کجای مغز بیمار آسیب دیده بود و کدام علائم رفتاری را نشان می‌داد.

Later fMRI studies of the healthy human brain helped reveal that this dichotomy was oversimplified. First, several studies using what came to be known as the subsequent memory task showed that regions beyond the hippocampus are implicated in the successful formation of declarative memory. In such studies, subjects are presented with a series of stimuli (pictures or words) while being scanned. Later, usually outside of the MRI machine, their memory for these stimuli is tested. The BOLD responses from when a stimulus was initially encoded are then sorted based on whether it was subsequently remembered or forgotten. These conditions are contrasted to reveal which brain regions show more (or less) activity during successful memory formation. In addition to finding such differences in the hippocampus and surrounding medial temporal lobe, BOLD activity in prefrontal and parietal cortices is also predictive of later memory. By measuring the whole brain of healthy individuals, fMRI revealed that declarative memory is served by more than one brain system-processes linked to prefrontal cortex (eg, semantic elaboration) and parietal cortex (eg, selective attention) are also involved in encoding.

مطالعات بعدی fMRI روی مغز انسان سالم نشان داد که این دوگانگی بیش از حد ساده شده است. اول، چندین مطالعه با استفاده از آنچه که به عنوان وظیفه حافظه بعدی شناخته شد، نشان داد که مناطق فراتر از هیپوکامپ در شکل گیری موفقیت آمیز حافظه اظهاری نقش دارند. در چنین مطالعاتی، در حین اسکن، به آزمودنی‌ها یک سری محرک (تصاویر یا کلمات) ارائه می‌شود. بعداً، معمولاً خارج از دستگاه MRI، حافظه آنها برای این محرک‌ها آزمایش می‌شود. پاسخ‌های BOLD از زمانی که یک محرک در ابتدا رمزگذاری شد، بر اساس اینکه آیا متعاقباً به خاطر سپرده شده یا فراموش شده است، مرتب می‌شوند. این شرایط در تقابل قرار می‌گیرند تا مشخص شود که کدام مناطق مغز در طول شکل گیری موفقیت آمیز حافظه فعالیت بیشتری (یا کمتر) نشان می‌دهند. علاوه بر یافتن چنین تفاوت‌هایی در هیپوکامپ و لوب گیجگاهی داخلی اطراف، فعالیت BOLD در قشر جلوی پیشانی و جداری نیز پیش بینی کننده حافظه بعدی است. با اندازه‌گیری کل مغز افراد سالم، fMRI نشان داد که حافظه بیانی توسط بیش از یک سیستم مغزی ارائه می‌شود – فرآیندهای مرتبط با قشر جلوی مغز (به عنوان مثال، توضیح معنایی) و قشر جداری (مانند توجه انتخابی) نیز در رمزگذاری نقش دارند.

The traditional taxonomy of memory organization was challenged in another way by fMRI studies. fMRI revealed that a wide range of tasks that were previously assumed to not involve the hippocampus (or declarative memory) in fact do consistently engage this region. These studies often use learning tasks that would classically be considered unconscious, in which subjects have the opportunity to learn but are never asked to report their memories and, in some instances, are unable to do so if prompted. For example, in the probabilistic classification task, subjects learn by trial and error to sort visual cues into categories, even when the relationship between cues and categories is sometimes unreliable. BOLD activity during such learning trials is estimated and compared to a baseline task that does not involve trial-and-error learning (eg, studying cues with their categories provided). Such comparisons generally reveal activation in the striatum, but also reliably in the hippocampus (see Chapter 52).

طبقه بندی سنتی سازماندهی حافظه به روشی دیگر توسط مطالعات fMRI به چالش کشیده شد. fMRI نشان داد که طیف گسترده‌ای از وظایفی که قبلاً فرض می‌شد هیپوکامپ (یا حافظه بیانی) را درگیر نمی‌کردند، در واقع به طور مداوم این ناحیه را درگیر می‌کنند. این مطالعات اغلب از وظایف یادگیری استفاده می‌کنند که به طور کلاسیک ناخودآگاه در نظر گرفته می‌شوند، که در آن آزمودنی‌ها فرصت یادگیری دارند اما هرگز از آنها خواسته نمی‌شود که خاطرات خود را گزارش کنند و در برخی موارد، در صورت درخواست نمی‌توانند این کار را انجام دهند. به عنوان مثال، در کار طبقه‌بندی احتمالی، آزمودنی‌ها با آزمون و خطا یاد می‌گیرند که نشانه‌های بصری را به دسته‌ها مرتب کنند، حتی زمانی که رابطه بین نشانه‌ها و دسته‌ها گاهی غیرقابل اعتماد است. فعالیت BOLD در طول چنین آزمایش‌های یادگیری تخمین زده می‌شود و با یک تکلیف پایه که شامل یادگیری آزمون و خطا نمی‌شود (مثلاً مطالعه نشانه‌ها با دسته‌های آنها ارائه شده) مقایسه می‌شود. چنین مقایسه‌هایی عموماً فعال‌سازی را در جسم مخطط آشکار می‌کنند، اما همچنین به طور قابل اعتمادی در هیپوکامپ (به فصل 52 مراجعه کنید).

In summary, fMRI studies of tasks thought to rely on declarative memory often recruit regions outside of the hippocampus, and tasks thought to rely on procedural memory can recruit the hippocampus. In both cases, these discoveries were serendipitous and made possible only because data were obtained from the whole brain with fMRI. Although these began as unexpected results, they led to systematic follow-up studies that have updated our understanding of the organization of memory. Chiefly, they challenged the original emphasis on conscious awareness as the defining characteristic of hippocampal processing. This in turn helped relate the findings from human studies to those from animal studies, where the notion of conscious memory is less central and where tasks that engage the hippocampus often involve spatial navigation. Thus, fMRI findings in humans have been transformative for our understanding of theoretical models of memory, in terms of both neural structures and cognitive behaviors.

به طور خلاصه، مطالعات fMRI در مورد وظایفی که تصور می‌شود متکی به حافظه بیانی هستند، اغلب مناطق خارج از هیپوکامپ را به کار می‌گیرند، و کارهایی که تصور می‌شود به حافظه رویه‌ای تکیه می‌کنند، می‌توانند هیپوکامپ را استخدام کنند. در هر دو مورد، این اکتشافات بی‌نظیر بودند و تنها به این دلیل امکان‌پذیر شد که داده‌ها از کل مغز با fMRI به‌دست آمد. اگرچه این نتایج به‌عنوان نتایج غیرمنتظره آغاز شد، اما منجر به مطالعات بعدی سیستماتیک شد که درک ما را از سازماندهی حافظه به‌روز کرد. عمدتاً، آنها تأکید اصلی بر آگاهی آگاهانه به عنوان مشخصه تعیین کننده پردازش هیپوکامپ را به چالش کشیدند. این به نوبه خود به ارتباط یافته‌های مطالعات انسانی با مطالعات حیوانی کمک کرد، جایی که مفهوم حافظه هشیار کمتر مرکزی است و وظایفی که هیپوکامپ را درگیر می‌کند اغلب شامل ناوبری فضایی است. بنابراین، یافته‌های fMRI در انسان‌ها برای درک ما از مدل‌های نظری حافظه، از نظر ساختارهای عصبی و رفتارهای شناختی، دگرگون‌کننده بوده است.

fMRI studies Have Tested Predictions From Animal Studies and Computational Models

مطالعات fMRI پیش‌بینی‌هایی را از مطالعات حیوانی و مدل‌های محاسباتی آزمایش کرده‌اند

The integration of computational models with fMRI has been an important development in cognitive neuroscience. One example of this comes from studies of how the brain learns to predict and obtain rewards, combined with models of reinforcement learning that formalize this process. These models co-evolved with studies of reward-based decision-making in animals, which also inspired later human studies.

ادغام مدل‌های محاسباتی با fMRI یک پیشرفت مهم در علوم اعصاب شناختی بوده است. یکی از نمونه‌های این امر ناشی از مطالعاتی است که در مورد چگونگی یادگیری مغز برای پیش‌بینی و دریافت پاداش، همراه با مدل‌های یادگیری تقویتی که این فرآیند را رسمیت می‌بخشد، به دست می‌آید. این مدل‌ها با مطالعات تصمیم‌گیری مبتنی بر پاداش در حیوانات، که الهام‌بخش مطالعات انسانی بعدی نیز بود، تکامل یافتند.

Central to these studies and theories, midbrain dopaminergic neurons increase their firing in response to unexpected rewards, such as juice (Chapter 43). Once a predictive cue has been reliably paired with a reward, the neurons shift their response in time to this predictive cue. If a predicted reward fails to occur, firing decreases. This pattern of responses suggests that midbrain dopaminergic neurons signal the difference between expected and actual rewards. This difference is commonly known as reward prediction error and has been modeled using equations based on reinforcement learning theory. When this model is applied to human tasks involving rewards, hypothesized reward prediction errors can be estimated on a trial-by-trial basis. These estimates can then be used to predict BOLD activity and identify voxels and regions that may be involved in reinforcement learning in the human brain.

در مرکز این مطالعات و نظریه‌ها، نورون‌های دوپامینرژیک مغز میانی در پاسخ به پاداش‌های غیرمنتظره، مانند آب میوه، شلیک خود را افزایش می‌دهند (فصل 43). هنگامی‌که یک نشانه پیش بینی به طور قابل اعتماد با یک پاداش جفت شد، نورون‌ها پاسخ خود را به موقع به این نشانه پیش بینی تغییر می‌دهند. اگر یک پاداش پیش بینی شده رخ ندهد، شلیک کاهش می‌یابد. این الگوی پاسخ‌ها نشان می‌دهد که نورون‌های دوپامینرژیک مغز میانی تفاوت بین پاداش‌های مورد انتظار و واقعی را نشان می‌دهند. این تفاوت معمولاً به عنوان خطای پیش‌بینی پاداش شناخته می‌شود و با استفاده از معادلات مبتنی بر نظریه یادگیری تقویتی مدل‌سازی شده است. هنگامی‌که این مدل برای وظایف انسانی شامل پاداش اعمال می‌شود، خطاهای پیش بینی پاداش فرضی را می‌توان بر اساس آزمایش به آزمایش تخمین زد. سپس می‌توان از این تخمین‌ها برای پیش بینی فعالیت BOLD و شناسایی وکسل‌ها و مناطقی که ممکن است در یادگیری تقویتی در مغز انسان دخیل باشد استفاده کرد.

In a typical study of this type, subjects perform a learning task during fMRI, making a series of choices about visual cues to predict possible rewards. They learn the outcome immediately after each choice. For example, a subject might view two shapes (eg, circle, triangle), choose one by pressing a button, and then learn whether the choice led to a monetary reward. The key feature of such tasks is that the association between shapes and rewards is probabilistic and changes over the course of the experiment. Because of this noisy relationship, subjects must learn to track the likelihood of reward for each shape. Reward prediction error can be calculated on each trial based on the history of the subject’s choices and rewards and then included in the analysis of their fMRI data. Many studies using this approach have found that trial-by-trial reward prediction error correlates with BOLD activity in the ventral striatum, an area that receives input from midbrain dopaminergic neurons.

در یک مطالعه معمولی از این نوع، آزمودنی‌ها یک کار یادگیری را در طول fMRI انجام می‌دهند و یک سری انتخاب در مورد نشانه‌های بصری برای پیش بینی پاداش‌های احتمالی انجام می‌دهند. آنها بلافاصله بعد از هر انتخاب نتیجه را یاد می‌گیرند. برای مثال، یک آزمودنی ممکن است دو شکل (مثلاً دایره، مثلث) را مشاهده کند، یکی را با فشار دادن یک دکمه انتخاب کند، و سپس بفهمد که آیا این انتخاب منجر به پاداش پولی شده است یا خیر. ویژگی کلیدی چنین وظایفی این است که ارتباط بین اشکال و پاداش‌ها احتمالی است و در طول آزمایش تغییر می‌کند. به دلیل این رابطه پر سر و صدا، آزمودنی‌ها باید یاد بگیرند که احتمال پاداش برای هر شکل را دنبال کنند. خطای پیش‌بینی پاداش را می‌توان در هر آزمایش بر اساس تاریخچه انتخاب‌ها و پاداش‌های آزمودنی محاسبه کرد و سپس در تجزیه و تحلیل داده‌های fMRI آنها لحاظ کرد. بسیاری از مطالعات با استفاده از این رویکرد نشان داده‌اند که خطای پیش‌بینی پاداش آزمایشی با فعالیت BOLD در جسم مخطط شکمی، ناحیه‌ای که ورودی‌های نورون‌های دوپامینرژیک مغز میانی را دریافت می‌کند، مرتبط است.

Other computational models, such as deep neural networks, which integrate cognitive psychology, computer science, and neuroscience, have also served an important theoretical purpose by generating novel hypotheses about brain activity. Because these models are often inspired by the architecture and functions of the brain, they help bridge levels of analysis, from physiological recordings in animals to fMRI in humans. They also serve a useful purpose in data analysis by simulating variables of psychological and neurobiological interest that can be sought in the brain, an approach often referred to as model-based analysis.

سایر مدل‌های محاسباتی، مانند شبکه‌های عصبی عمیق، که روان‌شناسی شناختی، علوم رایانه و علوم اعصاب را ادغام می‌کنند، نیز با ایجاد فرضیه‌های جدید در مورد فعالیت مغز، به یک هدف نظری مهم خدمت کرده‌اند. از آنجایی که این مدل‌ها اغلب از معماری و عملکرد مغز الهام می‌گیرند، به پل زدن سطوح تجزیه و تحلیل، از ضبط فیزیولوژیکی در حیوانات تا fMRI در انسان کمک می‌کنند. آن‌ها همچنین با شبیه‌سازی متغیرهای علاقه روان‌شناختی و عصب‌بیولوژیکی که می‌توان در مغز جستجو کرد، در تجزیه و تحلیل داده‌ها، یک رویکرد مفید که اغلب به عنوان تحلیل مبتنی بر مدل از آن یاد می‌شود، استفاده می‌کنند.

Functional MRI Studies Require Careful Interpretation

مطالعات عملکردی MRI نیاز به تفسیر دقیق دارند

The examples provided earlier illustrate how fMRI can improve our understanding of the links between brain and behavior. At the interface with psychology, fMRI can complement purely behavioral measurements. Many complex human behaviors (eg, memory recall, decision-making) depend on multiple processing stages and components. Measuring these processes with fMRI can provide richer and more mechanistic explanations of behavior than those based on simple behavioral measurements such as accuracy or response time alone. At the interface with systems neuroscience, fMRI complements direct neuronal recordings. Most brain areas (eg, hippocampus) support multiple behaviors and do so in concert with other regions. The ability to image the whole brain with fMRI makes it possible to arrive at a more complete understanding of neural mechanisms at the network level.

مثال‌هایی که قبلا ارائه شد نشان می‌دهد که چگونه fMRI می‌تواند درک ما را از پیوندهای بین مغز و رفتار بهبود بخشد. در رابط با روانشناسی، fMRI می‌تواند اندازه گیری‌های صرفا رفتاری را تکمیل کند. بسیاری از رفتارهای پیچیده انسانی (به عنوان مثال، یادآوری حافظه، تصمیم گیری) به مراحل و اجزای متعدد پردازش بستگی دارد. اندازه‌گیری این فرآیندها با fMRI می‌تواند توضیحات مکانیکی‌تر و غنی‌تر از رفتار را نسبت به مواردی که مبتنی بر اندازه‌گیری‌های رفتاری ساده مانند دقت یا زمان پاسخ به تنهایی است، ارائه دهد. در رابط با علوم اعصاب سیستم‌ها، fMRI ضبط‌های مستقیم عصبی را تکمیل می‌کند. بیشتر نواحی مغز (به عنوان مثال، هیپوکامپ) از رفتارهای متعدد پشتیبانی می‌کنند و این کار را در هماهنگی با سایر مناطق انجام می‌دهند. توانایی تصویربرداری از کل مغز با fMRI امکان دستیابی به درک کامل تری از مکانیسم‌های عصبی در سطح شبکه را فراهم می‌کند.

What does it mean then to find BOLD activity in a region during a task? The multiplicity of mappings between brain and behavior poses serious challenges to interpretation of fMRI results (Figure 6-3). One fundamental consideration is the type of inference. Most fMRI studies use forward inference, in which an experiment compares BOLD activity between task conditions that manipulate the engagement of a particular mental process (eg, comparing the effects of face versus nonface stimuli to study face recognition). Brain regions that differ between these conditions can be inferred to take part in the manipulated process. Forward inference relies on a task manipulation and therefore allows a researcher to infer that differences in brain activity are related to the mental process of interest.

پس پیدا کردن فعالیت BOLD در یک منطقه در طول یک کار به چه معناست؟ تعدد نگاشت بین مغز و رفتار چالش‌های جدی برای تفسیر نتایج fMRI ایجاد می‌کند (شکل 6-3). یکی از ملاحظات اساسی، نوع استنتاج است. اکثر مطالعات fMRI از استنتاج رو به جلو استفاده می‌کنند، که در آن یک آزمایش فعالیت BOLD را بین شرایط کاری که درگیر شدن یک فرآیند ذهنی خاص را دستکاری می‌کند (مثلاً مقایسه اثرات محرک‌های صورت در مقابل غیر چهره برای مطالعه تشخیص چهره) مقایسه می‌کند. نواحی مغزی که بین این شرایط متفاوت است را می‌توان استنباط کرد که در فرآیند دستکاری شده شرکت می‌کنند. استنتاج رو به جلو بر یک دستکاری کار تکیه دارد و بنابراین به محقق اجازه می‌دهد استنباط کند که تفاوت در فعالیت مغز به فرآیند ذهنی مورد علاقه مربوط می‌شود.

With reverse inference, differences in neural activity are the basis for inferring which specific mental process is active, even when the conditions that gave rise to the differences were not designed to manipulate that process. For example, in the previous face versus nonface contrast, a researcher might interpret differential activity in the striatum as evidence that faces are rewarding. This kind of reverse inference is often unjustified, as reward was neither measured nor manipulated-the interpretation is based on other studies that manipulated reward and found striatal activity. The problem arises because each brain region generally supports more than one function, meaning that it is unclear from the observation of activity alone which function(s) were engaged. Indeed, the striatum is also strongly implicated in movement, so perhaps faces are engaging motor rather than reward processes? The logically sound conclusion in this example, reflecting forward inference, is that the striatum is involved in some (as yet unresolved) aspect of face recognition.

با استنتاج معکوس، تفاوت در فعالیت عصبی مبنایی برای استنباط این است که کدام فرآیند ذهنی خاص فعال است، حتی زمانی که شرایطی که منجر به تفاوت‌ها شده است برای دستکاری آن فرآیند طراحی نشده باشد. برای مثال، در تضاد چهره قبلی در مقابل غیرچهره، یک محقق ممکن است فعالیت متفاوت در جسم مخطط را به عنوان شواهدی مبنی بر اینکه چهره‌ها پاداش می‌دهند تفسیر کند. این نوع استنتاج معکوس اغلب توجیه‌ناپذیر است، زیرا پاداش نه اندازه‌گیری شد و نه دستکاری شد – این تفسیر بر اساس مطالعات دیگری است که پاداش را دستکاری کردند و فعالیت جسم مخطط را پیدا کردند. مشکل به این دلیل به وجود می‌آید که هر ناحیه مغز معمولاً بیش از یک عملکرد را پشتیبانی می‌کند، به این معنی که تنها با مشاهده فعالیت مشخص نیست که کدام عملکرد(ها) درگیر شده‌اند. در واقع، جسم مخطط نیز به شدت در حرکت نقش دارد، بنابراین ممکن است چهره‌ها به جای فرآیندهای پاداش، حرکتی را درگیر کنند؟ نتیجه منطقی منطقی در این مثال، که منعکس کننده استنتاج رو به جلو است، این است که جسم مخطط در برخی از جنبه‌های (هنوز حل نشده) تشخیص چهره درگیر است.

One solution therefore is not to use reverse inference in fMRI studies. However, there are some situations in which reverse inference can be desirable or even necessary. For example, reverse inference can allow researchers to perform exploratory analyses and generate new hypotheses, even from data that were collected for other purposes. This may be especially important for getting the most out of fMRI data that are hard to collect, such as from children, the elderly, and patients (Box 6-2). Motivated by this need, statistical tools have been developed to support reverse inference. For example, the web-based tool Neurosynth uses a large database of published studies to assign a probability that a specific mental process (eg, reward) is involved given that BOLD activity has been observed in a particular region (eg, striatum).

بنابراین یک راه حل استفاده نکردن از استنتاج معکوس در مطالعات fMRI است. با این حال، شرایطی وجود دارد که در آن استنتاج معکوس می‌تواند مطلوب یا حتی ضروری باشد. به عنوان مثال، استنتاج معکوس می‌تواند به محققین اجازه دهد تا تحلیل‌های اکتشافی انجام دهند و فرضیه‌های جدیدی تولید کنند، حتی از داده‌هایی که برای اهداف دیگر جمع‌آوری شده‌اند. این ممکن است به ویژه برای به دست آوردن بیشترین بهره از داده‌های fMRI که جمع‌آوری آن‌ها دشوار است، مانند کودکان، سالمندان و بیماران مهم باشد (جعبه 6-2). با انگیزه این نیاز، ابزارهای آماری برای پشتیبانی از استنتاج معکوس ایجاد شده است. به عنوان مثال، ابزار مبتنی بر وب Neuro-Synth از پایگاه داده بزرگی از مطالعات منتشر شده برای تعیین احتمال درگیر بودن یک فرآیند ذهنی خاص (مثلاً پاداش) استفاده می‌کند، با توجه به اینکه فعالیت BOLD در یک منطقه خاص (مثلاً مخطط) مشاهده شده است. .

It is also important to make a distinction between a correlation of brain activity with behavior versus a cause-and-effect relationship between the brain activity and the behavior. If a brain region is selectively and consistently involved in a specific mental process, this correlation does not license the conclusion that it plays a necessary or sufficient role in the process. With respect to sufficiency, the brain region might (and likely does) work with one or more other brain regions to accomplish the process. With respect to necessity, activity in the region might be a secondary by-product of processing elsewhere.

همچنین مهم است که بین همبستگی فعالیت مغز با رفتار در مقابل رابطه علت و معلولی بین فعالیت مغز و رفتار تمایز قائل شویم. اگر ناحیه‌ای از مغز به‌طور انتخابی و پیوسته درگیر یک فرآیند ذهنی خاص باشد، این همبستگی به این نتیجه‌گیری اجازه نمی‌دهد که نقش ضروری یا کافی در این فرآیند بازی می‌کند. با توجه به کفایت، ناحیه مغز ممکن است (و احتمالاً انجام می‌دهد) با یک یا چند ناحیه دیگر مغز برای انجام این فرآیند کار کند. با توجه به ضرورت، فعالیت در منطقه ممکن است محصول فرعی فرآوری در جاهای دیگر باشد.

One approach to bolstering the interpretation of an fMRI study is to evaluate how the findings converge with those from more invasive methods, such as electrical stimulation in epilepsy patients. Because every tool has limitations, including other correlational measures such as neuronal recordings, this principle of converging evidence is central to advancing under- standing of how the brain supports behavior. In addition to converging evidence across studies and tools, there are also efforts to manipulate brain function simultaneously with fMRI, using transcranial magnetic stimulation or real-time neurofeedback.

یکی از رویکردهای تقویت تفسیر یک مطالعه fMRI، ارزیابی چگونگی همگرایی یافته‌ها با روش‌های تهاجمی‌تر، مانند تحریک الکتریکی در بیماران صرعی است. از آنجایی که هر ابزار دارای محدودیت‌هایی است، از جمله سایر معیارهای همبستگی مانند ضبط‌های عصبی، این اصل شواهد همگرا برای پیشرفت درک چگونگی حمایت مغز از رفتار مرکزی است. علاوه بر همگرا شدن شواهد در میان مطالعات و ابزارها، تلاش‌هایی نیز برای دستکاری عملکرد مغز به طور همزمان با fMRI، با استفاده از تحریک مغناطیسی ترانس کرانیال یا نوروفیدبک بلادرنگ وجود دارد.

Future Progress Depends on Technological and Conceptual Advances

پیشرفت آینده به پیشرفت‌های تکنولوژیکی و مفهومی بستگی دارد

Functional MRI is the best technology we have so far for probing the healthy human brain. It allows measurement of the whole brain at reasonably high resolution as well as many aspects of the mind in large subject samples without harm. However, in other ways, it is far from what we ultimately need if we are to obtain a deeper and more precise understanding of how the brain works. When compared to tools available in animals, fMRI provides relatively noisy, slow, and indirect measurements of neuronal activity and circuit dynamics.

MRI عملکردی بهترین فناوری است که ما تاکنون برای بررسی مغز سالم انسان در اختیار داریم. این امکان اندازه گیری کل مغز با وضوح بالا و همچنین بسیاری از جنبه‌های ذهن را در نمونه‌های سوژه بزرگ بدون آسیب می‌دهد. با این حال، از جهات دیگر، اگر بخواهیم درک عمیق‌تر و دقیق‌تری از نحوه عملکرد مغز به دست آوریم، با آنچه در نهایت به آن نیاز داریم، فاصله زیادی دارد. در مقایسه با ابزارهای موجود در حیوانات، fMRI اندازه‌گیری‌های نسبتاً پر سر و صدا، آهسته و غیرمستقیم فعالیت عصبی و دینامیک مدار را فراهم می‌کند.

Efforts are underway to address these limitations, both technically and biologically. On the technical front, multiband imaging sequences can enhance the temporal and spatial resolution of fMRI data by enabling the acquisition of multiple slices through the brain in parallel. However, faster measurements are inherently limited by the slow speed of the hemodynamic response and smaller voxels still average across hundreds of thousands of neurons.

تلاش‌هایی برای رفع این محدودیت‌ها از نظر فنی و بیولوژیکی در حال انجام است. از جنبه فنی، توالی‌های تصویربرداری چند باندی می‌توانند وضوح زمانی و مکانی داده‌های fMRI را با امکان گرفتن برش‌های متعدد از طریق مغز به صورت موازی افزایش دهند. با این حال، اندازه‌گیری‌های سریع‌تر ذاتاً با سرعت آهسته پاسخ همودینامیک محدود می‌شوند و وکسل‌های کوچک‌تر هنوز در صدها هزار نورون به طور متوسط ​​​​محدود می‌شوند.

On the biological front, we have a rudimentary understanding of how BOLD activity emerges from physiological mechanisms in the brain, such as single neuron activity, population activity, the function of astrocytes and other glia, neuromodulatory systems, and the vascular system. A better understanding of the relationship between BOLD activity and these processes is essential for knowing when and why measurements of different types align and diverge. Although some experimental conditions lead to an increase in both neuronal activity and BOLD activity, others do not. For example, although the presentation of a visual cue increases both blood flow in the visual cortex and neuronal firing, if this visual cue is highly expected but not presented, blood flow can still increase but without an increase in neuronal activity. This suggests that there are important nuances to the coupling of neural and vascular activity that may have functional significance and that the vascular signals themselves may be more complex than previously appreciated.

در بخش بیولوژیکی، ما درک ابتدایی از چگونگی ظهور فعالیت BOLD از مکانیسم‌های فیزیولوژیکی در مغز داریم، مانند فعالیت تک نورون، فعالیت جمعیت، عملکرد آستروسیت‌ها و سایر گلیاها، سیستم‌های تعدیل‌کننده عصبی و سیستم عروقی. درک بهتر رابطه بین فعالیت BOLD و این فرآیندها برای دانستن اینکه چه زمانی و چرا اندازه‌گیری‌های انواع مختلف همسو و واگرا می‌شوند، ضروری است. اگرچه برخی از شرایط تجربی منجر به افزایش فعالیت عصبی و فعالیت BOLD می‌شود، برخی دیگر این کار را نمی‌کنند. برای مثال، اگرچه ارائه یک نشانه بصری هم جریان خون در قشر بینایی و هم شلیک عصبی را افزایش می‌دهد، اگر این نشانه بصری بسیار مورد انتظار باشد اما ارائه نشود، جریان خون همچنان می‌تواند افزایش یابد اما بدون افزایش فعالیت عصبی. این نشان می‌دهد که تفاوت‌های ظریف مهمی‌برای جفت شدن فعالیت عصبی و عروقی وجود دارد که ممکن است اهمیت عملکردی داشته باشد و سیگنال‌های عروقی ممکن است پیچیده تر از آنچه قبلاً ارزیابی می‌شد باشند.

Figure 6-3 Challenges of mapping mind and brain. Any interpretation of data from fMRI must consider the complexity of the relationship between cognitive functions and brain regions. This complexity is illustrated here with a meta-analysis from a database containing more than 14,000 published fMRI studies. (Data retrieved in 2019 from http://neurosynth.org, displayed on brain from Edlow et al. 2019; figure updated and adapted from Shohamy and Turk-Browne 2013 by Tristan Yates.) A. This map shows that multiple brain regions are engaged by episodic memory—that is, encoding and retrieval of specific events from one’s past. Colored voxels indicate a high probability of the term “episodic” in studies that reported activation in these voxels (reverse inference). This example illustrates how a single cognitive function can be associated with multiple brain regions (one-to-many mapping).

شکل 6-3 چالش‌های نقشه برداری ذهن و مغز. هر گونه تفسیری از داده‌های fMRI باید پیچیدگی رابطه بین عملکردهای شناختی و مناطق مغز را در نظر بگیرد. این پیچیدگی در اینجا با یک متاآنالیز از یک پایگاه داده حاوی بیش از 14000 مطالعه منتشر شده fMRI نشان داده شده است. (داده‌های بازیابی شده در سال 2019 از http://neurosynth.org، نمایش داده شده بر روی مغز از Edlow و همکاران 2019؛ شکل به روز شده و اقتباس شده از Shohamy و Turk-Browne 2013 توسط Tristan Yates.) A. این نقشه نشان می‌دهد که چندین ناحیه مغزی درگیر حافظه اپیزودیک – یعنی رمزگذاری و بازیابی وقایع خاص از گذشته فرد. وکسل‌های رنگی نشان دهنده احتمال بالای عبارت “اپیزودیک” در مطالعاتی است که فعال شدن در این وکسل‌ها را گزارش کرده اند (استنتاج معکوس). این مثال نشان می‌دهد که چگونه یک عملکرد شناختی می‌تواند با چندین ناحیه مغز مرتبط شود (نقشه‌برداری یک به چند).

B. These maps show that multiple cognitive functions engage the hippocampus (circled in white in each hemisphere). Colored voxels in each inset brain indicate a high probability that these voxels were activated in studies that examined the corresponding term (forward inference). The overlap map shows the percentage of these terms that activated each voxel. This example illustrates how a single brain region can be associated with multiple cognitive functions and behaviors (many-to-one mapping).

ب- این نقشه‌ها نشان می‌دهد که عملکردهای شناختی متعددی با هیپوکامپ (که در هر نیمکره به رنگ سفید دایره شده است) درگیر می‌شوند. وکسل‌های رنگی در هر مغز درونی نشان‌دهنده احتمال بالایی است که این وکسل‌ها در مطالعاتی که عبارت مربوطه را بررسی کرده‌اند (استنتاج پیش‌رو) فعال شده‌اند. نقشه همپوشانی درصدی از این اصطلاحات را نشان می‌دهد که هر وکسل را فعال کرده است. این مثال نشان می‌دهد که چگونه یک ناحیه مغز می‌تواند با عملکردها و رفتارهای شناختی متعدد مرتبط باشد (نقشه‌برداری چند به یک).

Box 6-2 Brain Imaging in the Real World

کادر 6-2 تصویربرداری مغز در دنیای واقعی

The ability to image the human brain with noninvasive tools and to measure internal mental processes has led to interest in applying fMRI to a variety of real-world problems, such as clinical diagnosis and treatment, law and justice, artificial intelligence, marketing and economics, and politics.

توانایی تصویربرداری از مغز انسان با ابزارهای غیرتهاجمی‌و اندازه‌گیری فرآیندهای ذهنی درونی، منجر به علاقه‌مندی به استفاده از fMRI برای انواع مشکلات دنیای واقعی، مانند تشخیص و درمان بالینی، قانون و عدالت، هوش مصنوعی، بازاریابی و اقتصاد شده است. و سیاست

In the clinical realm, one interesting direction is the use of fMRI to examine patients in a vegetative state. Studies suggest that some such patients exhibit brain activity that reflects mental processing. For example, a patient might appear comatose-unconscious, non- communicative, and unreactive to external stimuli-yet exhibit neural activity in the motor cortex when asked to think of an action or in category-specific visual regions when asked to imagine specific visual cues. Such findings could influence the prognosis and treatment of patients by clinicians.

در حوزه بالینی، یک جهت جالب استفاده از fMRI برای بررسی بیماران در حالت نباتی است. مطالعات نشان می‌دهد که برخی از چنین بیمارانی فعالیت مغزی را نشان می‌دهند که منعکس کننده پردازش ذهنی است. برای مثال، ممکن است از یک بیمار در حالت کما، ناخودآگاه، غیر ارتباطی و غیر واکنشی به محرک‌های خارجی به نظر برسد، اما زمانی که از بیمار خواسته می‌شود به یک عمل فکر کند یا در نواحی بصری خاص دسته، فعالیت عصبی را در قشر حرکتی نشان می‌دهد، زمانی که از او خواسته می‌شود نشانه‌های بصری خاصی را تصور کند. . چنین یافته‌هایی می‌تواند بر پیش آگهی و درمان بیماران توسط پزشکان تأثیر بگذارد.

Another potential real-world application of fMRI is lie detection. The ability to accurately distinguish truth from lies based on brain activity could have significant value in the courtroom. Some laboratory studies have reported differential brain activity when groups of subjects are instructed to lie repeatedly. To be useful, however, fMRI would need to provide highly reliable evidence about whether an individual person is lying about a specific event, in a way that is immune from strategies or countermeasures. This is not possible at present, and indeed, fMRI evidence is generally inadmissible in court.

یکی دیگر از کاربردهای بالقوه fMRI در دنیای واقعی، تشخیص دروغ است. توانایی تشخیص دقیق حقیقت از دروغ بر اساس فعالیت مغز می‌تواند ارزش قابل توجهی در دادگاه داشته باشد. برخی از مطالعات آزمایشگاهی فعالیت مغزی متفاوتی را گزارش کرده‌اند که به گروه‌هایی از افراد آموزش داده می‌شود که مکرراً دروغ بگویند. با این حال، برای مفید بودن، fMRI باید شواهد بسیار قابل اعتمادی در مورد اینکه آیا یک فرد در مورد یک رویداد خاص دروغ می‌گوید، به گونه‌ای که از استراتژی‌ها یا اقدامات متقابل مصون باشد، ارائه دهد. در حال حاضر این امکان پذیر نیست و در واقع، شواهد fMRI به طور کلی در دادگاه غیرقابل قبول است.

These and other applications of fMRI raise ethical and privacy concerns. For example, authorities could use fMRI data to justify consequential decisions (eg, guilt or innocence), exploiting the public’s bias to believe biological explanations, even when the underlying science is not settled. More troubling, humans currently have autonomy over whether we share our internal thoughts and feelings, but devices that sense this information could change that. As a result, an important challenge for neuroscientists when considering practical applications is to accurately convey that fMRI is powerful but has limitations and that our understanding of the human brain is a work in progress.

این و سایر کاربردهای fMRI نگرانی‌های اخلاقی و حفظ حریم خصوصی را افزایش می‌دهد. به عنوان مثال، مقامات می‌توانند از داده‌های fMRI برای توجیه تصمیم‌های بعدی (مثلاً گناه یا بی‌گناهی)، با بهره‌برداری از تعصب عمومی‌برای باور توضیحات بیولوژیکی، حتی زمانی که علم اساسی حل نشده است، استفاده کنند. نگران‌کننده‌تر این است که انسان‌ها در حال حاضر در مورد اشتراک افکار و احساسات درونی خود استقلال دارند، اما دستگاه‌هایی که این اطلاعات را حس می‌کنند می‌توانند آن را تغییر دهند. در نتیجه، یک چالش مهم برای دانشمندان علوم اعصاب هنگام در نظر گرفتن کاربردهای عملی این است که به طور دقیق بیان کنند که fMRI قدرتمند است اما محدودیت‌هایی دارد و اینکه درک ما از مغز انسان در حال پیشرفت است.

As the history of fMRI shows, scientific discoveries in one field can lead to unexpected breakthroughs in other fields. The discovery of MRI in the 1970s (which 20 years later led to fMRI) came from physics and chemistry, and was so profound and far-reaching that it was recognized by the Nobel Prize in Physiology or Medicine in 2003 to Paul Lauterbur and Peter Mansfield. This in turn was made possible by the discovery of nuclear magnetic resonance decades earlier, which resulted in the Nobel Prize in Physics in 1944 to Isidor Rabi and in 1952 to Felix Bloch and Edward Purcell. These discoveries had no initial connection to neuroscience but came to spark a revolution in the study of mind, brain, and behavior.

همانطور که تاریخ fMRI نشان می‌دهد، اکتشافات علمی‌در یک زمینه می‌تواند منجر به پیشرفت‌های غیرمنتظره در زمینه‌های دیگر شود. کشف MRI در دهه 1970 (که 20 سال بعد منجر به fMRI شد) از فیزیک و شیمی‌ناشی شد و آنقدر عمیق و گسترده بود که توسط جایزه نوبل فیزیولوژی یا پزشکی در سال 2003 به پل لاتربر و پیتر منسفیلد شناخته شد. . این به نوبه خود با کشف رزونانس مغناطیسی هسته ای چندین دهه قبل ممکن شد، که منجر به دریافت جایزه نوبل فیزیک در سال 1944 به ایسیدور رابی و در سال 1952 به فلیکس بلوخ و ادوارد پرسل شد. این اکتشافات هیچ ارتباط اولیه ای با علوم اعصاب نداشتند اما انقلابی را در مطالعه ذهن، مغز و رفتار به راه انداختند.

Highlights

نکات برجسته

1. Functional brain imaging methods in cognitive neuroscience seek to record activity in the human brain associated with mental processes as they unfold in the human mind, linking biological and behavioral measures. Currently, the dominant technique is fMRI.

1. روش‌های تصویربرداری عملکردی مغز در علوم اعصاب شناختی به دنبال ثبت فعالیت‌های مغز انسان مرتبط با فرآیندهای ذهنی هستند که در ذهن انسان آشکار می‌شوند و اقدامات بیولوژیکی و رفتاری را به هم پیوند می‌دهند. در حال حاضر، روش غالب fMRI است.

2. fMRI is based on two main concepts: the physics of magnetic resonance and the biology of neuro- vascular coupling. Combined, they allow fMRI to measure the BOLD response to neuronal activity. When human subjects perform cognitive tasks during fMRI, measurements of BOLD activity can be linked to particular mental processes and behaviors over time.

2. fMRI بر اساس دو مفهوم اصلی است: فیزیک تشدید مغناطیسی و زیست شناسی جفت عصبی عروقی. آنها با هم به fMRI اجازه می‌دهند تا پاسخ BOLD به فعالیت عصبی را اندازه‌گیری کند. هنگامی‌که افراد انسانی وظایف شناختی را در طول fMRI انجام می‌دهند، اندازه گیری فعالیت BOLD را می‌توان به فرآیندهای ذهنی و رفتارهای خاص در طول زمان مرتبط کرد.

3. The link between BOLD activity and behavior is inferred through a series of preprocessing steps and statistical analyses. These analyses can answer a range of questions, such as which brain regions are active during specific tasks, what information is coded in the spatial pattern of activity within a region, and how regions interact with each other over time as part of a network.

3. ارتباط بین فعالیت BOLD و رفتار از طریق یک سری مراحل پیش پردازش و تجزیه و تحلیل‌های آماری استنباط می‌شود. این تحلیل‌ها می‌توانند به طیف وسیعی از سوالات پاسخ دهند، مانند اینکه کدام مناطق مغز در طول انجام وظایف خاص فعال هستند، چه اطلاعاتی در الگوی فضایی فعالیت در یک منطقه کدگذاری شده‌اند و چگونه مناطق در طول زمان به عنوان بخشی از یک شبکه با یکدیگر تعامل دارند.

4. Human brain imaging has led to fundamental insights about the neural mechanisms of behavior across many domains. Some prominent examples are understanding how the human brain processes faces, how memories are stored and retrieved, and how we learn from trial and error. Across these domains, data from fMRI have converged with findings from neuronal recordings in animals and with theoretical predictions from computational models, providing a more complete picture of the relationship between brain and mind.

4. تصویربرداری از مغز انسان به بینش‌های اساسی در مورد مکانیسم‌های عصبی رفتار در بسیاری از حوزه‌ها منجر شده است. برخی از نمونه‌های برجسته درک چگونگی پردازش چهره‌ها توسط مغز انسان، نحوه ذخیره و بازیابی خاطرات و نحوه یادگیری ما از آزمون و خطا است. در سراسر این حوزه‌ها، داده‌های fMRI با یافته‌های ثبت‌شده عصبی در حیوانات و با پیش‌بینی‌های نظری از مدل‌های محاسباتی همگرا شده‌اند و تصویر کامل‌تری از رابطه بین مغز و ذهن ارائه می‌دهند.

5. fMRI records brain activity but does not directly modify activity. Therefore, it does not support inferences about whether a brain region is necessary for a behavior, but rather whether the region is involved in that behavior. Most studies sup- port forward inferences about this involvement, whereby activity in the brain can be linked to a mental process because the experiment manipulates that process.

5. fMRI فعالیت مغز را ثبت می‌کند اما مستقیماً فعالیت را تغییر نمی‌دهد. بنابراین، استنباط در مورد اینکه آیا یک ناحیه مغز برای یک رفتار ضروری است یا نه، بلکه از اینکه آیا منطقه در آن رفتار دخیل است یا خیر، پشتیبانی نمی‌کند. بیشتر مطالعات از استنباط‌های پیش‌رو در مورد این درگیری حمایت می‌کنند، که به موجب آن فعالیت در مغز می‌تواند به یک فرآیند ذهنی مرتبط شود، زیرا آزمایش آن فرآیند را دستکاری می‌کند.

6. fMRI provides an opportunity to study the function of the human brain as it engages in a variety of mental processes, in both health and disease. This technology and analyses of the data it generates are undergoing continual development to improve the temporal and spatial resolution of biological measurements and to clarify the links between these measurements, mental processes, and behavior.

6. fMRI فرصتی را برای مطالعه عملکرد مغز انسان فراهم می‌کند، زیرا درگیر انواع فرآیندهای ذهنی، هم در سلامت و هم در بیماری است. این فناوری و تجزیه و تحلیل داده‌هایی که تولید می‌کند در حال توسعه مداوم هستند تا وضوح زمانی و مکانی اندازه‌گیری‌های بیولوژیکی را بهبود بخشد و پیوندهای بین این اندازه‌گیری‌ها، فرآیندهای ذهنی و رفتار را روشن کند.