دانلود رایگان ترجمه مقاله کاهش واریانس گروهی در طول یک کار شناختی (وایلی 2007)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

حافظه کاری
افراد یک کار حافظه‌ای فضایی را انجام دادند که در آن سه مکان بصری توسط سه نقطه‌ی هدف نشان داده می‌شوند که در طول یک تأخیر ۳ ثانیه‌ای در ذهن نگاه داشته می‌شود. نقطه‌ها به صورت تصادفی در سراسر چهار دایره‌ی متحدالمرکز نامرئی قرار گرفته‌اند که حول یک صلیب تثبیت قرار دارند. بعد از دوره‌ی تأخیر، یک پروب مکان یابی متشکل از یک دایره، برای ۱۵۰۰ میلی ثانیه ظاهر می‌شود، که محل یکی از نقطه‌های هدف قبلی را احاطه کرده‌اند یا نکرده‌اند (شکل ۲، پایین). افراد یکی از دو دکمه را فشار می‌دهند: یک دکمه، نشان دهنده‌ی انطباق مکان حلقه‌ی پروب با نقطه‌ی هدف است و دکمه‌ی دیگر نشان دهنده‌ی یک عدم انطباق مکان حلقه‌ی پروب و نقطه‌ی هدف است.

گرفتن MRI
تصویر برداری رزونانس مغناطیسی در یک اسکنر تمام بدن ۰/۳ T GE با یک ماریپچ سر چارچوب آهنی مربع ساز سفارشی انجام شد. حرکت سر با استفاده از یک نوار بیت و لایه گذاری فوم به حداقل رسانده می‌شود. بیست و سه برش محوری شیب دار به موازات کمیسر قدامی/خلفی (AC-PC) با ضخامت برش ۴ میلی متر ، و یک پرش ۱ میلی متری بین برش‌ها، داده شد. تصاویر ساختار اکو با گردش سریع وزن-T2 با رزولوشن بالا (TR = 3000 ms, TE = 68 ms, ETL = 12, FOV = 24 cm, matrix 192 * 256) برای اناتومی مرجع گرفته شد. یک توالی حساس به T2* گرادیان اکو مارپیچی درون/بیرون ضربان برای تصویر برداری عملکردی استفاده شد (TR = 1500 ms, TE = 30 ms, flip angle = 70, FOV = 24 cm, matrix 68 * 68). یک روش روشن و خاموش کردن خودکار با مرتبه‌ی بالا بر اساس اکتساب مارپیچی برای کاهش ناهمگونی B0 استفاده شد. روش‌های مارپیچی درون/برون برای افزایش نسبت سیگنال به نویز (SNR) و کنتراست BOLD برای نسبت نویز در نواحی مغری یک شکل و همچنین برای کاهش هدر رفت سیگنال در نواحی که توسط گرادیان‌های میدان ناشی از مستعد بودن به خطر افتاده‌اند، استفاده می‌شود که در نزدیکی اینترفیس های هوا-بافت از قبیل PFC ایجاد شده‌اند. در مقایسه با تکنیک‌های تصویر برداری مارپیچی سنتی، روش‌های مارپیچی درون/برون منجر به کاهش کمتر در میزان سیگنال و فعال سازی مربوط به کار در نواحی PFC می‌شود. یک اسکن حجمی T1 با رزولوشن بالا (۱۲۴ برش، ۲/۱ میلی متر ضخامت) با استفاده از یک توالی IR-PREP 3D FSPGR برای کنتراست T1 برای هر فرد جمع اوری شد (TR = 8.9 ms, TE = 1.8 ms, TI = 300 ms, flip angle = 15, FOV = 24 cm, slice thickness 1.2 mm, matrix 256 * 192* 128).

آنالیز داده
پیش پردازش و تولید مدل
داده‌های Fmri برای هر دوی کارهای WM و BH با استفاده از SPM و روتین‌های MATLAB سفارشی، پیش پردازش شدند. پیش پردازش شامل اصلاح برای حرکت و جابجایی خطی سیگنال می‌باشد. پردازش متعاقب مسیرهای کمی متفاوت را برای انالیز نواحی مورد نظر (ROI) و برای مقایسه‌ی فعال سازی گروه دنبال می‌کند. پیش از کالیبراسیون و انالیز ROI، تصاویر از نظر فضایی نرمال نمی‌شوند، اما با یک فیلتر گوسی سه بعدی ۸ میلی متری عرض کامل در نیمه‌ی ماکزیمم (FWHM) از نظر فضایی صاف می‌شوند. فعالیت اندازه گیری شده با fMRI در طول دوره‌های کار (BH و WM به صورت جداگانه) با فعالیت پایه در طول شرایط پایه (تنفس عادی و شناخت بدون تأخیر، به ترتیب) مقایسه شد. رگرسورها برای وقفه‌های شرایط مربوطه به عنوان یک تابع باکس کار (boxcar) مدل سازی می‌شود که با hrf کانونی پیچیده می‌شوند. انالیز اماری در سطح تک فردی، هر وکسل را بر اساس مدل خطی عمومی SPM (GLM) تلقی می‌کند.
یک روش مشتق شده از مدل (GLM) برای انالیز پاسخ BH BOLD به عنوان جایگزینی برای کمی سازی تقویت‌های پیک-به-پیک استفاده می‌شود، به این دلیل که با توجه به طول وقفه‌های کوتاه استفاده شده در اینجا، همان طور که در پژوهش پیشین نیز نشان داده شده است، پاسخ‌های BOLD در طبیعت بسیار سینوسی می‌شوند (شکل ۴ از تامسون و همکاران ۲۰۰۵ را ببینید)، و مناسب کردن (فیت کردن) یک مدل ساده بسیار قوی‌تر از کمی سازی تفاوت‌های شدید در یک موج شکل نویز دار است. در حالی که یک مدل سینوسی می‌تواند به جای یک باکس کار (منفی) پیچیده شده با HRF کانونی استفاده شود، ازمایش ها نشان داده است که HRF کانونی مدل خوبی برای پاسخ‌های BH دو فازی است. علاوه بر این، حس می‌شود که روش باکس کار انالوگ بهتری برای آنچه باشد که برای WM اعمال می‌شود. در نهایت، باید ذکر شود که طراحی‌های وقفه‌های کوتاه به طور ویژه به جزئیات HRF استفاده شده در مدل حساس نباشد.
برای بررسی اثر بخشی روش مدل سازی، ما همبستگی‌های وکسل بین سری‌های زمانی داده‌های GLM و BH را محاسبه کردیم، همان طور که از فعال سازی نقشه‌ی امتیاز T مشخص می‌شود، با این انتظار که همبستگی قوی مدرکی مبنی بر یک مدل خوب خواهد بود. ما همچنین سری‌های زمانی داده‌ها از ROI افراد در نواحی WM را نیز رسم کرده ایم، و منحنی‌ها را با تغییر همگام فیت با داده‌ها با استفاده از انالیز GLM و همبستگی پیرسون مقایسه کرده‌ایم.
برای انالیز مرتبه‌ی دوم (گروه)، تصاویر برای هر فرد از نظر فضایی برای یک الگوی قشر خاکستری مغز مرجع معمول نرمال شد. تصاویر کالیبره و غیر کالیبره، نرمال شده در گروه جداگانه‌ای از انالیز واریانس (ANOVAs) مقایسه شد.

کالیبراسیون
نتایج فعال سازی WM برای هر فرد با استفاده از اسکن BH ان ها مطابق با معادله‌ی ۴ کالیبره شد. اجازه دهید Smeas (i,j) چگالی سیگنال کار (اندازه‌ی اثر) در i امین وکسل برای j امین فرد باشد. سسپس تراکم کالیبره شده‌ی مربوطه‌ی Scalib با معادله‌ی زیر داده می‌شود:

که در آن TWM، امتیاز T به دست آمده در کار WM و SBHthres و TWMthres به ترتیب استانه هایی برای سیگنال BH و امتیاز T کار WM است. بنابراین، هیچ تصحیحی از معادله‌ی ۸ در یک وکسل داده شده اعمال نشده است، در صورتی که سیگنال BH BOLD یا امتیاز WM T کمتر از استانه های مربوطه‌ی انها باشد. استانه ها به ترتیب به عنوان ۵/۰٪ و ۵/۳ انتخاب می‌شوند، بعد از ازمایش هایی که نشان می‌دهد که 0.25  SBHthres  1.0 و 3.0  TWMthres  4.0 تأثیر کمی بر روی نتایج نهایی تغییر پذیری WM به غیر از تعداد وکسل های مشمول در انالیز دارد.
به این ترتیب، وکسل ها به صورت مستقل بر اساس دامنه‌ی سیگنال BH تصحیح می‌شوند. یک وکسل با سیگنال BH معادل با سیگنال BH میانگین جهانی (معادله‌ی ۷) تغییر نخواهد کرد، اما دیگر سیگنال‌ها دارای دامنه‌ای خواهند بود که بر اساس معکوس سیگنال BH، افزایش یا کاهش خواهند داشت. در حالی که فرمولاسیون بالا به خود دامنه‌ی BOLD اعمال می‌شود، کالیبراسیون می‌تواند به نقشه‌های کنتراست SPM یا نقشه‌های امتیاز T اعمال شود، زیرا امتیاز T به صورت خطی در ارتباط با اندازه‌ی اثر است. معادله‌ی ۶ در برنامه‌ی MATLAB اجرا شده است که تصاویر کنتراست SPM را از اسکن BH برای به دست آوردن SBH و ایجاد همبستگی با نقشه‌های SPM T یا نقشه‌های کنتراست (Smeas) برای تصاویر کار، می‌خواند.

کمی سازی
مقادیر T متوسط و تخمین‌های پارامتر وزن دار کنتراست برای وکسل هایی اندازه گیری شد که بیشترین پاسخ را در طول کار WM نشان دادند. در شبکه‌ی WM هر فرد، ماسک‌هایی از طریق هم محور کردن کره‌هایی با شعاع ۸ میلی متر در طول کار WM ایجاد می‌شوند. درون این ماسک‌ها ۱۰ وکسل با بالاترین امتیاز T ROI های منطقه را ایجاد می‌کنند. همبستگی بین اثر BOLD در طول BH و اثرات BOLD مشاهده شده برای WM در پنج منطقه‌ی اولیه بررسی شد: قشر پیش برنده‌ی راست و چپ، قشر اهیانه ای قدامی راست و چپ، و قشر کمربندی. همه‌ی داده‌ها در یک روز، یک جلسه‌ی اسکن جمع اوری شدند، و داده‌ها برای این انالیز به صورت فضایی نرمال نشدند. بنابراین، ما به صورت موثری پاسخ BOLD را در نواحی تعریف شده با یک فرایند شناختی، در این مورد حافظه‌ی کاری، در یک مبنای فردی ارزیابی کردیم، و ان پاسخ را با اثرات BOLD به دست آمده در طول BH برای همان فرد در همان منطقه و جلسه‌ی اسکن، مقایسه کردیم. این اندازه گیری‌ها برای توسعه‌ی یک پاسخ WM کالیبره استفاده شدند. ما درجه‌ی تغییر پذیری بین فردی اندازه‌ی اثر در ROI ها را قبل و بعد از کالیبراسیون با استفاده از تست F بررسی کردیم.
در یک انالیز جداگانه، حجم‌های (یا میزان) فعال سازی در طول WM برای افراد با استفاده از شمارش وکسل هایی با مقدار T که از استانه ی 6.0 تجاوز کنند کمی سازی شدند (تصحیح شده P < 0.0001). به این دلیل که مشخص شده است که حجم‌های فعال سازی به میزان زیادی در افراد متفاوت هستند، اثر کالیبراسیون برای کاهش تغییر پذیری در حجم‌های فعال سازی افراد برای یک میزان متوسط بود، اما کاهش در تغییر پذیری در مقایسه با تغییر پذیری برای حجم‌های فعال سازی غیر کالیبره به مقدار معناداری نرسید. بنابراین، ما همچنین یک اختلاف حجم فعال سازی نرمال شده ∆Vf(j) را برای فرد j ام محاسبه کردیم، که به صورت ∆Vf(j) = (V(j) – V)/V(j) تعریف می‌شود که در آن V متوسط گروه در حجم‌های V(j) افراد است. بنابراین، ∆Vf اختلاف در حجم فعال سازی بین یک فرد و میانگین گروه را اندازه گیری می‌کند، که با حجم فعال سازی افراد نرمال شده است. هدف از این کار، رندر کردن واضح‌تر تأثیر کالیبراسیون با کاهش تأثیر اختلافات بزرگ حجم فرد بر نتایج تجربی است. توجه داشته باشید که ∆Vf می‌تواند منفی و مثبت باشد. با ملاحظه‌ی این و استفاده از این معیار، ما تغییر پذیری را در سراسر گروه قبل و بعد از کالیبراسیون با استفاده از یک تست F بررسی کردیم. علاوه بر این تست تغییر پذیری، حجم‌های فعال سازی WM گروه قبل و بعد از کالیبراسیون با استفاده از شمارش وکسل هایی با مقادیر T که از استانه های ۵/۳، ۰/۴، ۰/۵، و ۰/۶ تجاوز می‌کنند، کمی سازی شدند (مقادیر P تصحیح نشده‌ی ۰۰۰۸/۰ تا ۰۰۰۴/۰).

نتایج
شکل ۳ نشان دهنده‌ی یک سری زمانی BH اندازه گیری شده‌ی معمول و سری‌های زمانی مدل سازی شده‌ی مربوطه را نشان می‌دهد. ضریب همبستگی پیرسون ۸۸/۰ است، که نشان دهنده‌ی این است که GLM نمایش فوق العاده ای از پاسخ BH میانگین است. علاوه بر این، نقشه‌های فعال سازی ایجاد شده از کار BH، ضریب همبستگی < ۶۰/۰ را در وکسل های منفرد درون نواحی WM مورد نظر نتیجه می‌دهد، که مجدداً نشان دهنده‌ی دقت بالا در نشان دادن دامنه‌ی BH BOLD است. این تعجب آور نیست، زیرا تنها وکسل هایی با پاسخ BH قوی در کالیبراسیون با روش استانه در نظر گرفته شده‌اند. بنابراین، همبستگی قوی مشاهده شده بین داده‌ها و مدل در ROI ها و وکسل های منفرد نشان دهنده‌ی اثربخشی روش GLM است که ما برای کمی کردن دامنه‌ی سیگنال BH با سری زمانی متوسط استفاده کردیم.