Verbesserte Übereinstimmung der fMRT-Gesichtsfeldlokalisierungsdaten nach dem Kortex

Wissenschaftliche Berichte Band 12, Artikelnummer: 14310 (2022) Diesen Artikel zitieren

749 Zugriffe

4 Altmetrisch

Details zu den Metriken

Die Untersuchung des visuellen Systems mit fMRT erfordert oft die Verwendung von Lokalisierungsparadigmen, um Regionen von Interesse (Regions of Interest, ROIs) zu definieren. Die erhebliche interindividuelle Variabilität der Großhirnrinde stellt jedoch eine entscheidende Verwirrung für Analysen auf Gruppenebene dar. Cortex-based Alignment (CBA)-Techniken reduzieren zuverlässig die interindividuelle makroanatomische Variabilität. Ihr Nutzen für Gesichtsfeldlokalisierungsparadigmen, die bestimmte Teile des Gesichtsfelds innerhalb retinotopisch organisierter Gesichtsbereiche abbilden, wurde jedoch noch nicht bewertet. Wir haben CBA für einen aufmerksamkeitsverstärkten Gesichtsfeldlokalisierer ausgewertet, der homologe Teile jedes visuellen Quadranten bei 50 Teilnehmern kartiert. Wir verglichen CBA mit einer volumenbasierten Ausrichtung und einer oberflächenbasierten Analyse, die keine makroanatomische Ausrichtung umfasste. CBA führte zu dem stärksten Anstieg der Aktivierungsüberschneidungswahrscheinlichkeit (bis zu 86 %). Auf Gruppenebene führte CBA zu der beständigsten Steigerung der ROI-Größe bei gleichzeitiger Beibehaltung der vertikalen ROI-Symmetrie. Insgesamt deuten unsere Ergebnisse darauf hin, dass zusätzlich zum erhöhten Signal-Rausch-Verhältnis einer oberflächenbasierten Analyse die makroanatomische Ausrichtung die statistische Aussagekraft erheblich verbessert. Diese Ergebnisse bestätigen und erweitern den Nutzen von CBA für die Untersuchung des visuellen Systems im Rahmen von Gruppenanalysen. CBA sollte besonders relevant sein, wenn neuropsychiatrische Erkrankungen mit ungewöhnlich erhöhter interindividueller makroanatomischer Variabilität untersucht werden.

Das visuelle System umfasst eine Vielzahl topografischer Darstellungen unterschiedlicher Auflösung in zunehmend spezialisierten visuellen Bereichen1. Die funktionelle Magnetresonanztomographie (fMRT) bietet eine Vielzahl von Methoden, um entweder diese topografischen Darstellungen vollständig abzubilden oder bestimmte visuelle Bereiche oder retinotope Positionen innerhalb ihrer Topografie zu lokalisieren. Diese Ansätze sind nicht nur für die detaillierte Untersuchung grundlegender Eigenschaften des visuellen Systems1 von wesentlicher Bedeutung, sondern auch für die Untersuchung der Rolle dieser Bereiche für kognitive Prozesse höherer Ordnung wie visuelle Aufmerksamkeit und Arbeitsgedächtnis2,3,4,5,6 . Dies erstreckt sich auch auf translationale Studien zu Sehstörungen und ihren kognitiven Folgen bei neuropsychiatrischen Erkrankungen7,8.

Methoden zur fMRT-basierten visuellen Kartierung, d. h. Techniken zur Definition von interessierenden Regionen im visuellen System auf der Grundlage spezifischer funktioneller Eigenschaften, lassen sich in drei große Kategorien einteilen: retinotopische Kartierung, Gesichtsfeldlokalisierer und funktionale Lokalisierer-Paradigmen. Die retinotopische Kartierung und die fortgeschrittenere Population Receptive Field (pRF)-Kartierung ermöglichen die vollständige Abgrenzung früher visueller Bereiche1,9,10. Umgekehrt können Gesichtsfeldlokalisierungsparadigmen eine umschriebene Region innerhalb eines retinotopisch organisierten Sehbereichs abbilden11,12. Schließlich können funktionelle Lokalisierer visuelle Bereiche höherer Ordnung wie den fusiformen Gesichtsbereich (FFA), den parahippocampalen Ortsbereich (PPA), den extrastriatischen Körperbereich und den lateralen Okzipitalkomplex (LOC) erkennen, die geclustert sind und eine Spezialisierung auf die Verarbeitung spezifischer Merkmale aufweisen Kategorien komplexer visueller Informationen1,13,14. In den meisten fMRT-Studien stellt die hohe interindividuelle anatomische Variabilität kortikaler Bereiche hinsichtlich Größe und Lage eine große Herausforderung dar15,16,17,18,19,20,21,22,23. Beispielsweise wurde gezeigt, dass die Größe des primären visuellen Kortex (V1) zwischen Individuen um etwa das Doppelte variieren kann17. Darüber hinaus hat sich gezeigt, dass die anatomische Variabilität in Bezug auf die Lokalisierung in extrastriatischen Sehbereichen besonders ausgeprägt ist24. Diese entscheidende Verwirrung verringert die Fähigkeit, visuelle Bereiche auf Gruppenebene zuverlässig abzubilden.

Eine Möglichkeit, dieses Problem zu mildern, besteht darin, einzelne interessierende Regionen (Regions of Interest, ROIs) zu bündeln und gleichzeitig die gruppenbasierte Gesamtwahrscheinlichkeit für diesen ROI an jedem Punkt in einem kartesischen Koordinatensystem als Einschränkung zu verwenden25,26,27. Während eine solche Analyse auf Einzelsubjektbasis die Empfindlichkeit und funktionelle Auflösung im Vergleich zu einem standardmäßigen gruppenbasierten Ansatz verbessert, verringert sie die makroanatomische Variabilität nicht wirklich. Darüber hinaus könnte die Untersuchung des Zusammenspiels zwischen visuellen Bereichen und anderen kortikalen Bereichen, die direkter an kognitiven Prozessen höherer Ordnung beteiligt sind, mit Methoden, die das gesamte Gehirn umfassen, wie z. B. funktionellen Connectomics-Netzwerkanalysen28, eine auf einem einzelnen Subjekt basierende Strategie ausschließen.

Gruppenbasierte Analysen erfordern typischerweise eine räumliche Normalisierung struktureller und funktioneller Bilddaten in ein gemeinsames kartesisches Koordinatensystem wie den Talairach29- oder MNI30-Raum. In ihrer grundlegendsten Form verwendet die volumenbasierte räumliche Normalisierung eine lineare Transformation, die die Gesamtausdehnung des Gehirns an eine Standard-Gehirnvorlage anpasst. Während die Transformation in den Talairach-Raum auf anatomischen Orientierungspunkten beruht, nutzt die Transformation in den MNI-Raum die vollständig datengesteuerte Registrierung von Strukturbildern in einem durchschnittlichen Vorlagenhirn30. Während diese räumlichen Normalisierungsansätze von Natur aus zu einer Ausrichtung von Gehirnen führen, sind die zugrunde liegenden Algorithmen nicht speziell für die Ausrichtung homologer Gehirnstrukturen optimiert. Umgekehrt nutzen verfeinerte Methoden nichtlineare Warping-Algorithmen, die sich an Intensitätsunterschieden orientieren, um die makroanatomische Ausrichtung zu verbessern31. Daher können alle diese Methoden als volumenbasierte Ausrichtungstechniken (VBA) kategorisiert werden. Sowohl die lineare als auch die nichtlineare VBA ignorieren jedoch größtenteils die topologischen Eigenschaften der Großhirnrinde und ihre geometrischen Merkmale wie Sulci und Gyri. Folglich führen VBA-Methoden zu einer beträchtlichen verbleibenden interindividuellen anatomischen Variabilität32,33.

Oberflächenbasierte Verfahren stellen einen wichtigen alternativen Ansatz dar. Bei der oberflächenbasierten räumlichen Normalisierung wird typischerweise ein geodätisches Koordinatensystem verwendet, das eine zweidimensionale Darstellung der Großhirnrinde ermöglicht und die kortikale Topographie in viel größerem Maße berücksichtigt als herkömmliche kartesische Koordinatensysteme18,34. Dieser Ansatz bietet zwei Hauptvorteile gegenüber VBA. Erstens ermöglicht die oberflächenbasierte räumliche Normalisierung die Beschränkung der Datenauslesung und Datenvorverarbeitung, wie z. B. räumliche Glättung, auf kortikales Gewebe. Dadurch wird die Signalkontamination durch weiße Substanz und Liquor erheblich reduziert und auch eine Kontamination aus kortikalen Bereichen, die proximal im Volumenraum, aber wesentlich weiter entfernt im Oberflächenraum liegen, weitgehend ausgeschlossen. Insgesamt verbessert dieser Ansatz das Signal-Rausch-Verhältnis (SNR). Folglich ist die räumliche Glättung im Oberflächenraum der räumlichen Glättung im Volumenraum überlegen19,35. Der zweite Vorteil der oberflächenbasierten räumlichen Normalisierung ist die Möglichkeit, individuelle kortikale Faltmuster für eine zusätzliche, vollständig datengesteuerte makroanatomische Ausrichtung der Großhirnrinde zu nutzen34. Im Vergleich zu VBA-Techniken verbessern diese Cortex-based Alignment (CBA)-Methoden die anatomische Übereinstimmung kortikaler Strukturen erheblich und respektieren gleichzeitig die zytoarchitektonischen Grenzen36. Somit führt CBA zu einer deutlichen Verringerung der interindividuellen anatomischen Variabilität18,34,37,38,39.

Wichtig ist, dass frühere Studien oft ausschließlich oberflächenbasierte Daten vor und nach der makroanatomischen Ausrichtung verglichen haben19,40, wobei im Wesentlichen der erstere Ansatz als Proxy für VBA verwendet wurde. Dieser Vergleich spiegelt jedoch nur den zweiten Vorteil der CBA wider, nämlich die Verwendung der makroanatomischen Ausrichtung anstelle der VBA. Allerdings profitieren in diesem Fall beide Datensätze gleichermaßen von einer geringeren Signalverschmutzung, wodurch wahrscheinlich die vollen Auswirkungen von CBA unterschätzt werden. Um die Auswirkungen dieses ersten Vorteils oberflächenbasierter Analysen isoliert zu beurteilen, ist ein Vergleich von VBA mit einer oberflächenbasierten Analyse ohne makroanatomische Ausrichtung erforderlich. Wir bezeichnen diesen Zwischenansatz als „oberflächenbasierte Analyse mit VBA“ (SBAV). Daher erfordert die Bewertung beider Vorteile von CBA den Vergleich von drei Ansätzen: VBA, SBAV und CBA.

Aufgrund der oben beschriebenen vorteilhaften Eigenschaften wurden CBA-Methoden als alternativer Ansatz zu VBA speziell für das visuelle System26 vorgeschlagen. Mehrere Studien haben die Auswirkungen von VBA- und CBA-Methoden auf bestimmte visuelle Mapping-Techniken verglichen. Für die Kartierung von Retinotopen wurde eine Verbesserung der funktionellen Überlappung sowohl in V1 als auch in V2 nach CBA nachgewiesen34,41. Für funktionale Lokalisierungsdaten erhöht CBA die Überlappung der Objektverarbeitungsbereiche LOC, FFA und PPA zwischen den Probanden erheblich19,42,43,44. Umgekehrt wurden die Auswirkungen von CBA auf Gesichtsfeldlokalisierungsparadigmen, die bestimmte retinotope Positionen abbilden, nicht untersucht. Somit wurde der Nutzen von CBA für zwei der drei Hauptkategorien visueller Kartierungsmethoden nachgewiesen, d. Umgekehrt bleibt unklar, inwieweit CBA die Ausrichtung von ROIs verbessern kann, die durch Gesichtsfeldlokalisierungsparadigmen abgebildet werden. Solche Paradigmen sind für die detaillierte Untersuchung der lokalen Verarbeitung einfacher visueller Reize in frühen visuellen Bereichen erforderlich11,12,45,46,47. Zu diesem Zweck werden vor allem blinkende Schachbrettmuster verwendet, die den genauen Interessenbereich im Gesichtsfeld abdecken. Schachbrettmuster führen zu einem besonders starken Anstieg des BOLD-Signals in frühen Sehbereichen (V1–V3)48. Um die Genauigkeit der resultierenden Localizer-Karten zu maximieren, nutzen Gesichtsfeld-Localizer-Paradigmen typischerweise die Tatsache, dass die durch Aufgabenanforderungen induzierte Aufmerksamkeitsmodulation die Reaktionszuverlässigkeit über visuelle Bereiche hinweg erheblich verbessert. Dies kann durch Hinzufügen einer einfachen Zielerkennungsaufgabe49 erreicht werden.

Wir verwendeten ein solches aufmerksamkeitserweitertes Gesichtsfeldlokalisierungsparadigma, um einen umschriebenen Ort in jedem visuellen Quadranten über frühe visuelle Bereiche hinweg abzubilden, mit dem Ziel, ROIs zu definieren, die für die Untersuchung höherer kognitiver Prozesse geeignet sind. Wir haben eine CBA-Methode gewählt, die einen dynamischen Gruppendurchschnitt als Zielhirn verwendet19. Somit haben wir die mögliche Verwechslung eines statischen CBA-Ziels beseitigt, das auf einem einzelnen Gehirn basiert, dessen kortikales Faltmuster zufällig erheblich vom Gruppendurchschnitt abweichen könnte.

Unser primäres Ziel war es, die Auswirkungen von CBA für ein Gesichtsfeldlokalisierungsparadigma zu untersuchen. Insbesondere wollten wir feststellen, ob die makroanatomische Ausrichtung die Zuverlässigkeit der Kartierung von Unterregionen innerhalb retinotopisch organisierter visueller Bereiche verbessert, die durch ein solches Paradigma auf Gruppenebene abgegrenzt werden. Zu diesem Zweck untersuchten wir zusätzlich zur Analyse der vollständigen Einzelsubjekt-ROIs auch die Entsprechung der ROI-Spitzenscheitelpunkte eines Einzelsubjekts, d. Wir haben diese Analyse durchgeführt, da Spitzenscheitelpunkte eine gute Annäherung an die Mitte eines ROI darstellen und somit eine genauere Beurteilung und Visualisierung der Auswirkungen der makroanatomischen Ausrichtung ermöglichen. Basierend auf früheren Erkenntnissen für andere Lokalisierer-Paradigmenklassen und der relativ guten Struktur-Funktions-Korrespondenz im hinteren okzipitalen Kortex erwarteten wir einen Vorteil von CBA im Vergleich zu SBAV bei der Ausrichtung von Teilregionen innerhalb des frühen visuellen Kortex sowohl für vollständige ROIs als auch für Spitzenscheitelpunkte.

Unser zweites Ziel war es, die Auswirkungen von SBAV zu untersuchen. Insbesondere wollten wir die Auswirkungen des oberflächenbasierten Auslesens und Vorverarbeitens funktioneller Daten ohne makroanatomische Ausrichtung bewerten. Hier erwarteten wir eine allgemeine Verbesserung des SNR für SBAV im Vergleich zu VBA und einen entsprechenden globalen Anstieg der Gruppen-ROI-Größe für alle visuellen Quadranten. Bemerkenswerterweise haben mehrere Studien unterschiedliche Reaktionseigenschaften gezeigt, wie z. B. die Größe des Empfangsfelds nach visuellem Quadranten oder Halbfeld für homologe frühe visuelle Bereiche. Frühere Studien berichteten beispielsweise über eine verbesserte Verhaltensleistung und höhere BOLD-Signalamplituden im unteren visuellen Hemifeld50,51,52,53. Daher waren wir auch daran interessiert, ob wir in unserer Gruppenanalyse nach CBA Unterschiede zwischen oberen und unteren visuellen Hemifeldern beobachten konnten.

Insgesamt bestand das Ziel der Studie darin, eine wichtige Lücke in der Bewertung von CBA für die Untersuchung des visuellen Systems zu schließen. Da Gesichtsfeldlokalisierer für die Untersuchung der Beiträge des visuellen Systems zu kognitiven Prozessen höherer Ordnung von entscheidender Bedeutung sind, sollten unsere Ergebnisse Auswirkungen auf die Untersuchung der visuellen Kognition sowohl in der Grundlagenforschung als auch in der translationalen neurowissenschaftlichen Forschung haben.

Die Kartierung der vier visuellen Quadranten auf Gruppenebene ergab bemerkenswerte Unterschiede für die drei Ausrichtungstechniken (VBA, SBAV, CBA) (Abb. 1, Tabellen 1, 2). Für den unteren rechten visuellen Quadranten nahm die ROI-Größe von VBA zu SBAV erheblich zu, nahm jedoch für CBA ab (Tabelle 2). Für den unteren linken visuellen Quadranten nahm die ROI-Größe von VBA zu SBAV leicht ab, stieg jedoch für CBA deutlich an. Für den oberen linken visuellen Quadranten nahm die ROI-Größe von VBA zu SBAV erheblich zu und nahm für CBA weiter zu. Für den oberen rechten visuellen Quadranten nahm die ROI-Größe von VBA zu SBAV leicht zu und für CBA deutlich zu. Somit zeigten zwei von vier visuellen Quadranten-ROIs ein Muster kontinuierlich zunehmender Clustergröße, was eine Erweiterung der signifikanten Positionsselektivität über alle Ausrichtungstechniken hinweg widerspiegelt. Während die ROI-Größe für den unteren linken visuellen Quadranten von VBA zu SBAV leicht abnahm, war die ROI-Größe für CBA ebenfalls bei weitem am größten. Während darüber hinaus die ROI-Größe für den unteren rechten visuellen Quadranten nach der CBA abnahm, zeigte dieser ROI bei SBAV das mit Abstand größte Ausmaß aller ROIs für jede Ausrichtungstechnik, selbst wenn er hintere Teile des temporalen Kortex umfasste.

Gruppenanalyse visueller Quadranten. (a) VBA-Ergebnisse. Karten und durchschnittliche Zeitverläufe wurden im Volumenraum berechnet; Karten wurden auf die nicht ausgerichtete durchschnittliche Oberflächendarstellung projiziert. (b) SBAV-Ergebnisse. Karten und durchschnittliche Zeitverläufe wurden im Oberflächenraum berechnet; Karten wurden auf die nicht ausgerichtete Oberflächendarstellung projiziert. (c) CBA-Ergebnisse. Karten und durchschnittliche Zeitverläufe wurden im Oberflächenraum berechnet; Karten wurden auf die ausgerichtete durchschnittliche Oberflächendarstellung projiziert. Insgesamt zeigten zwei von vier visuellen Quadranten-ROIs ein Muster kontinuierlich zunehmender Clustergröße, was ein zunehmendes Ausmaß an signifikanter Positionsselektivität über alle Ausrichtungstechniken hinweg widerspiegelt. Während die ROI-Größe für den unteren linken visuellen Quadranten von VBA zu SBAV leicht abnahm, war die ROI-Größe für CBA ebenfalls bei weitem am größten. Nur der ROI des unteren rechten visuellen Quadranten zeigte nach der CBA eine Abnahme der Clustergröße. Durchschnittliche Zeitverläufe (inkl. Standardfehler des Mittelwerts) zeigten eine klare Positionsselektivität mit einem starken BOLD-Signalanstieg für die interessierende Position und keinem BOLD-Signalanstieg für die anderen drei Positionen. ROI-/Grafikfarben: Hellblau = visueller Quadrant unten rechts (LR), orange = visueller Quadrant unten links (LL), rot = visueller Quadrant oben links (UL), dunkelblau = visueller Quadrant oben rechts (UR).

Innerhalb der Gruppen-ROIs zeigten die durchschnittlichen Zeitverläufe eine klare Positionsselektivität, die durch die Ausrichtungstechnik nicht weiter beeinflusst wurde, wie aus den negativen Ergebnissen unserer linearen gemischten Modelle hervorgeht (Tabelle 3). Bemerkenswerterweise zeigten die Asymmetrieindizes (AIs) eine deutlich größere vertikale Symmetrie der oberen und unteren Halbfeld-ROIs für VBA und CBA im Vergleich zu SBAV (Tabelle 4). Nach der CBA waren die ROI-Größen für das untere visuelle Hemifeld erheblich größer als für das obere visuelle Hemifeld (Tabelle 1).

Für alle drei Datensätze lag die maximale Wahrscheinlichkeit einer Aktivierungsüberlappung konsistent in der Mitte jedes ROI, wie in unserer vorherigen Gruppenanalyse definiert (Abb. 1, Tabellen 1, 5). Für VBA-Daten zeigten Wahrscheinlichkeitskarten (PMs) eine relativ große Streuung der Funktionsaktivierung um die Kern-ROIs (Abb. 2a, Tabelle 5). Die maximale Wahrscheinlichkeit einer Aktivierungsüberlappung betrug 55 %. Bei den SBAV-Daten zeigten PMs eine noch größere Streuung der Funktionsaktivierung um die Kern-ROIs (Abb. 2b, Tabelle 5). Die maximale Wahrscheinlichkeit einer Aktivierungsüberlappung betrug 66 %. Bei den CBA-Daten zeigten PMs eine merkliche Abnahme der Ausbreitung der Funktionsaktivierung um die Kern-ROIs mit einem entsprechenden Anstieg der maximalen Überlappungswahrscheinlichkeit in der Mitte der Kern-ROIs (Abb. 2c, Tabelle 5). Die maximale Wahrscheinlichkeit einer Aktivierungsüberlappung betrug 86 %.

Wahrscheinlichkeitskarten (PMs). PMs, die die Aktivierungswahrscheinlichkeit angeben, überschneiden sich zwischen den Probanden für jeden visuellen Quadranten. Der Farbcode von Grau nach Weiß gibt die Wahrscheinlichkeit einer Aktivierungsüberlappung von Einzelsubjektkarten an, wobei der Schwellenwert bei einer Wahrscheinlichkeit von mindestens 10 % für eine Aktivierungsüberlappung liegt. Einzelsubjektkarten wurden auf einen Schwellenwert von p < 0,05 (unkorr.) festgelegt. Wir haben außerdem einen Schwellenwert auf Clusterebene von 100 Scheitelpunkten angewendet. (a) PMs für VBA zeigten eine maximale Wahrscheinlichkeit einer Aktivierungsüberlappung von bis zu 55 %. (b) PMs für SBAV zeigten eine maximale Wahrscheinlichkeit einer Aktivierungsüberlappung von bis zu 66 %. (c) PMs für CBA zeigten eine maximale Wahrscheinlichkeit einer Aktivierungsüberlappung von bis zu 86 %.

Wahrscheinlichkeitsdifferenzkarten (PDMs) zeigten einen unterschiedlichen Einfluss der einzelnen methodischen Elemente unseres makroanatomischen Ausrichtungsansatzes.

Für die rein oberflächenbasierte Auslesung und Vorverarbeitung von Funktionsdaten im Vergleich zur standardmäßigen volumenbasierten Ausrichtung zeigte das entsprechende PDM (SBAV minus VBA) einen maximalen Anstieg der Wahrscheinlichkeit einer Aktivierungsüberlappung von 30 % um die zentralen ROIs. Umgekehrt beobachteten wir an der Stelle, die den ROIs der zentralen Gruppe entspricht, meist einen Rückgang der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu 19 % (Abb. 3a, Tabelle 6). Bemerkenswerterweise waren die Veränderungen weit verbreitet und erstreckten sich teilweise auf den hinteren temporalen und parietalen Kortex. Für die Hinzufügung der makroanatomischen Ausrichtung zeigte das entsprechende PDM (CBA minus SBAV) einen maximalen Anstieg der Wahrscheinlichkeit einer Aktivierungsüberlappung von 44 % in den zentralen ROIs (Abb. 3b, Tabelle 6). Im Gegensatz dazu zeigten peripherere Okzipitalregionen einen maximalen Rückgang der Wahrscheinlichkeit einer Aktivierungsüberlappung von 32 %. Insgesamt waren die Änderungen deutlich weniger verbreitet als beim SBAV-minus-VBA-Vergleich. Für die additive Wirkung beider methodischer Elemente zeigte das entsprechende PDM (CBA minus VBA) einen maximalen Anstieg der Aktivierungsüberlappungswahrscheinlichkeit von 52 % in den zentralen ROIs (Abb. 3c, Tabelle 6). Im Gegensatz dazu zeigten peripherere okzipitale Regionen sowie der hintere temporale und parietale Kortex einen maximalen Rückgang der Wahrscheinlichkeit einer Aktivierungsüberlappung von 36 %. Insgesamt lag das räumliche Ausmaß dieser Effekte zwischen dem der beiden anderen Vergleiche.

Wahrscheinlichkeitsdifferenzkarten (PDMs). PDMs, die die unterschiedlichen Auswirkungen der einzelnen Schritte unseres gesamten makroanatomischen Ausrichtungsansatzes für jeden visuellen Quadranten anzeigen. PDMs wurden mithilfe von PMs erstellt, die aus Einzelsubjektkarten abgeleitet wurden. PMs waren ungehindert. Der Farbcode zeigt den Unterschied der Aktivierungsüberlappung an. Der Farbcode von Braun nach Weiß weist auf einen höheren Grad an funktioneller Aktivierungsüberlappung bei der fortgeschritteneren Ausrichtungsmethode hin. Der Farbcode von Blau zu Grün weist auf einen höheren Grad an funktioneller Aktivierungsüberlappung bei der weniger fortgeschrittenen Ausrichtungsmethode hin. Für PDMs wurde eine Mindestwahrscheinlichkeitsdifferenz von 5 % festgelegt. (a) Die Auswirkung der oberflächenbasierten Auslesung und Vorverarbeitung von Funktionsdaten im Vergleich zur standardmäßigen volumenbasierten Ausrichtung (SBAV minus VBA) war durch eine weit verbreitete Aktivierung mit einer Erhöhung der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu 30 % gekennzeichnet zentrale ROIs und eine Verringerung der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu 19 % an der Stelle, die den zentralen ROIs entspricht. (b) Der zusätzliche Einfluss der makroanatomischen Ausrichtung (CBA minus SBAV) war weniger verbreitet, zeichnete sich jedoch durch eine Erhöhung der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu 44 % an der Stelle der zentralen ROIs und eine Verringerung der Wahrscheinlichkeit einer Aktivierungsüberlappung aus bis zu 32 % um die zentralen ROIs. (c) Die additive Wirkung beider methodischer Elemente (CBA minus VBA) war durch eine Erhöhung der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu 52 % am Standort der zentralen ROIs und eine Verringerung der Wahrscheinlichkeit einer Aktivierungsüberlappung um bis zu gekennzeichnet 36 % um die zentralen ROIs.

Die Erfolgsraten bei der Erkennung von Subjekt-Subjekt-ROIs waren wie folgt: unterer rechter visueller Quadrant 98 % (49 von 50 Probanden), unterer linker visueller Quadrant 94 % (47 von 50 Probanden), oberer linker visueller Quadrant 98 % (49). von 50 Probanden), oberer rechter visueller Quadrant 90 % (45 von 50 Probanden). Die PMs auf Gruppenebene spiegelnd, zeigten Spitzenverteilungskarten auf Einzelsubjektebene (Abb. 4) eine verringerte räumliche Variabilität für CBA im Vergleich zu SBAV. Darüber hinaus beobachteten wir für CBA im Vergleich zu SBAV einen Anstieg der Anzahl mehrerer überlappender Einzelsubjekt-ROI-Spitzenscheitelpunkte pro Scheitelpunkt für jeden visuellen Quadranten (Tabelle 7).

Einzelsubjekt-Peak-Scheitelpunktverteilungskarten für SBAV- und CBA-Datensätze. Für SBAV- und CBA-Daten haben wir für jeden visuellen Quadranten im Oberflächenraum Spitzenscheitelpunkte einzelner Subjekte kartiert. Anschließend haben wir die scheitelpunktweise Anzahl der Spitzenscheitelpunkte eines einzelnen Subjekts berechnet. Der Farbcode gibt die Anzahl der überlappenden Einzelsubjekt-Peak-Scheitelpunkte pro Scheitelpunkt an. Wir beobachteten einen Anstieg der Anzahl überlappender ROI-Spitzenscheitelpunkte pro Scheitelpunkt eines einzelnen Subjekts nach der makroanatomischen Ausrichtung (CBA). Die Anzahl der Einzelsubjekt-Spitzenscheitelpunkte pro Okzipitalscheitelpunkt für jeden visuellen Quadranten vor und nach der makroanatomischen Ausrichtung (SBAV und CBA) lag zwischen 1 und 5. Somit weist eine höhere Zahl auf eine verbesserte Ausrichtungsgenauigkeit der ROI-Spitzenscheitelpunkte eines Einzelsubjekts hin. LR unterer rechter visueller Quadrant, LL unterer linker visueller Quadrant, UL oberer linker visueller Quadrant, UR oberer rechter visueller Quadrant.

Das Ziel unserer Studie war es, den Nutzen von CBA für ein Aufmerksamkeits-verstärktes Gesichtsfeld-Lokalisierungsparadigma zu bewerten, das zur Kartierung umschriebener Regionen innerhalb retinotopisch organisierter visueller Bereiche verwendet wird. Unser Paradigma kartierte homologe Regionen in jedem visuellen Quadranten zuverlässig über frühe visuelle Bereiche hinweg. Wie erwartet führte CBA zu einer deutlichen Verringerung der makroanatomischen Variabilität mit einer Reihe positiver Auswirkungen auf der funktionellen Ebene, die deutlich über die für SBAV beobachteten hinausgingen. Im Vergleich zu VBA und SBAV führte CBA zu den konsistentesten Verbesserungen in der Gruppen-ROI-Analyse über alle visuellen Quadranten hinweg (Abb. 1).

Für SBAV im Vergleich zu VBA beobachteten wir einen Anstieg der Gruppen-ROI-Größe in drei von vier visuellen Quadranten (Abb. 1, Tabellen 1, 2). Für CBA beobachteten wir im Vergleich zu VBA einen Anstieg der Gruppen-ROI-Größe in allen vier visuellen Quadranten. Für CBA beobachteten wir im Vergleich zu SBAV eine Vergrößerung des Gruppen-ROI in drei von vier visuellen Quadranten.

Diese Ergebnisse deuten darauf hin, dass CBA besser in der Lage ist, Teilbereiche früher visueller Bereiche zu erkennen, die eine Positionsselektivität aufweisen. Umgekehrt konnten wir in unserer linearen gemischten Modellanalyse keinen Anstieg der Positionsselektivität innerhalb der entsprechenden visuellen Quadranten-ROIs über alle Ausrichtungstechniken hinweg beobachten (Tabelle 3). Allerdings war CBA der einzige Ansatz, der sowohl zu einer Vergrößerung der ROI-Größe als auch zur Erhaltung nicht nur der vertikalen, sondern auch der horizontalen Symmetrie führte (Tabelle 4).

Hinsichtlich der Änderungen in der Wahrscheinlichkeit einer Aktivierungsüberlappung zwischen den drei von den PMs reflektierten Ausrichtungstechniken zeichnete sich ein klares Muster ab. Die Wahrscheinlichkeit einer Aktivierungsüberlappung stieg mit jedem Schritt allmählich an und erreichte für CBA einen Höchstwert von 86 %. Bei SBAV waren die Auswirkungen schwächer und deutlich weiter verbreitet und betrafen hauptsächlich peripherere Hirnregionen. Ebenso zeigte sich beim Vergleich von CBA- und SBAV-PDMs ein Anstieg der Wahrscheinlichkeit einer Aktivierungsüberlappung mit einem Maximum von 44 % an den zentralen Stellen, die den Gruppen-ROIs entsprechen. Dies führte zu deutlich fokussierteren Aktivierungsmustern, während der gegenteilige Effekt an periphereren Eckpunkten auftrat (Abb. 3). Dies ist höchstwahrscheinlich nicht auf eine verringerte räumliche Überlappung in der Peripherie früher visueller Bereiche zurückzuführen. Vielmehr deutet es darauf hin, dass CBA die unerwünschte Ausbreitungsaktivierung, die aus einer schlechten makroanatomischen Übereinstimmung nach VBA und einem allgemeinen SNR-Anstieg aufgrund von SBAV resultiert, konsequent reduziert. Es deutet auch darauf hin, dass VBA und SBAV die Lage und Ausdehnung früher visueller Bereiche möglicherweise falsch darstellen. Diese Annahme wird durch Veränderungen des Schwerpunkts der Gruppen-ROIs zwischen SBAV und CBA gestützt, die im unteren linken visuellen Quadranten besonders ausgeprägt waren (Tabelle 1). Zusammengenommen deuten diese Ergebnisse darauf hin, dass CBA die statistische Aussagekraft bei der Untersuchung früher visueller Bereiche auf Gruppenebene erheblich steigert. Natürlich sollte sich dieser Effekt von CBA auch auf Studien mit einem globaleren Fokus erstrecken, wie etwa Konnektivitätsanalysen35,54.

Darüber hinaus zeigten sich die spezifischen Vorteile von CBA in der deutlich verringerten Variabilität der ROI-Peak-Scheitelpunkte eines einzelnen Probanden für jeden visuellen Quadranten im Vergleich zu SBAV (Abb. 4, Tabelle 7). Dies weist darauf hin, dass die durch CBA erzielte Verringerung der makroanatomischen und funktionellen interindividuellen Variabilität der Hauptgrund für die verbesserten Ergebnisse auf Gruppenebene ist. Unsere Ergebnisse bestätigen, dass die Umwandlung funktioneller Daten vom Volumenraum in den Oberflächenraum bereits die statistische Aussagekraft erhöht, indem die Signalkontamination durch nicht-neuronales Gewebe reduziert und so das SNR verbessert wird. Folglich würde die Verwendung von SBAV als Stellvertreter für VBA die tatsächlichen Vorteile von CBA unterschätzen. Unsere Ergebnisse deuten darauf hin, dass nur der CBA-Ansatz sowohl von einem verbesserten SNR als auch einer verringerten makroanatomischen Variabilität profitiert. Somit stützen unsere Daten die Annahme, dass CBA unter den bewerteten Methoden die vorteilhafteste Ausrichtungstechnik für die Untersuchung des visuellen Systems ist. Eine solche Interpretation wird auch durch die Tatsache gestützt, dass nur CBA, nicht aber SBAV, die für frühe visuelle Bereiche charakteristische vertikale Symmetrie der Gruppen-ROIs bewahren konnte, was bereits für VBA offensichtlich war (Tabelle 4). Diese Diskrepanz ist höchstwahrscheinlich auf den durch SBAV verursachten unspezifischen SNR-Anstieg zurückzuführen, der in Kombination mit seiner inhärent schlechten makroanatomischen Ausrichtung nicht zu einer konsistenten Verbesserung der funktionellen Überlappung für alle visuellen Quadranten führt.

Für VBA beobachteten wir die größten Gruppen-ROIs für den rechten und linken unteren visuellen Quadranten, ein Effekt, der sich nach SBAV und CBA änderte (Abb. 1a, Tabelle 1). Für SBAV beobachteten wir die größten Gruppen-ROIs für den linken oberen und rechten unteren visuellen Quadranten, die nach CBA nicht bestehen blieben (Abb. 1b, c, Tabelle 1). Bemerkenswerterweise berichteten mehrere Studien über laterale Auswirkungen auf neurophysiologische Parameter in frühen Sehbereichen55,56. Unsere Beobachtung wirft die Frage auf, ob diese Ergebnisse zumindest teilweise durch lateralisierte Unterschiede in der makroanatomischen Variabilität und nicht durch echte funktionelle Unterschiede erklärt werden könnten.

Umgekehrt ermöglichte uns unsere CBA-gestützte Gruppenanalyse, die Antworteigenschaften jedes visuellen Quadranten unvoreingenommener zu vergleichen. Wir beobachteten größere Gruppen-ROIs für das untere visuelle Hemifeld. In einem CBA-basierten probabilistischen Atlas des visuellen Systems, der alle Regionen umfasste, die bei mehr als 50 % der Probanden definiert werden konnten, waren die probabilistischen ROIs für dorsales V1 und V2 ebenfalls deutlich größer als die probabilistischen ROIs für ventrales V1 und V2, während dies der Fall war Der Effekt war für V343 weniger deutlich. Diese Ergebnisse stimmen mit unseren eigenen Erkenntnissen überein und könnten auf eine höhere verbleibende anatomische Variabilität nach CBA im ventralen okzipitalen Kortex zurückzuführen sein, der das obere visuelle Hemifeld darstellt. Alternativ könnten sie auf tatsächliche Unterschiede in den Reaktionseigenschaften zurückzuführen sein, wie z. B. die Größe des Empfangsfelds oder die Größe des Gesamtbereichs. Die letztgenannte Interpretation wird durch Studien gestützt, die funktionelle Unterschiede zwischen oberen und unteren visuellen Hemifeldern bereits auf Netzhautebene in Form von Unterschieden in der Rezeptordichte zeigen 57,58. Die Zapfendichte war in den oberen Teilen der Netzhaut höher, die Informationen aus unteren Gesichtsfeldern verarbeiten. Im Gegensatz dazu wurde in den unteren Teilen eine höhere Stäbchendichte beobachtet. Darüber hinaus haben Eickhoff et al. berichteten über dorso-ventrale Asymmetrien der Rezeptordichten in V2 und V357 und eine höhere GABA-A- und Muskarin-M3-Rezeptordichte in ventralen Teilen von V2 und V3. Darüber hinaus gibt es Hinweise auf grundlegende Unterschiede in der Form des Empfangsfelds gegenüber der pRF-Kartierung59. Bei der Schätzung sowohl der Seitenverhältnisse als auch der Größe der kartierten Bereiche wurde für das obere visuelle Hemifeld, das durch die ventralen Teile des visuellen Kortex repräsentiert wird, eine eher elliptische rezeptive Feldform beobachtet, verglichen mit dem unteren visuellen Hemifeld, das durch die dorsalen Teile des visuellen Kortex repräsentiert wird. Darüber hinaus gibt es Belege für einen Verhaltensvorteil im unteren visuellen Hemifeld bei der Formunterscheidung sowie für höhere BOLD-Signaländerungen und Spitzenamplituden der MEG/EEG-Antworten50,52,53,60,61. Zusammengenommen zeigen diese Ergebnisse deutliche Unterschiede in der funktionalen Architektur früher Sehbereiche, die das obere bzw. untere visuelle Hemifeld darstellen. Dies wurde auf die Tatsache zurückgeführt, dass das untere visuelle Hemifeld, das durch die dorsalen Teile des Hinterhauptslappens dargestellt wird, enger mit der dorsalen Sehbahn verbunden ist, während das obere visuelle Hemifeld, das durch die ventralen Teile des Hinterhauptslappens dargestellt wird, enger mit der ventralen verknüpft ist Sehweg62,63. Darüber hinaus gibt es Hinweise auf grundlegende Unterschiede in der Form des Empfangsfelds gegenüber der pRF-Kartierung59. Hier wurde für das obere visuelle Hemifeld, das durch die ventralen Teile des visuellen Kortex repräsentiert wird, eine größere Größe und eine eher elliptische Form der rezeptiven Felder beobachtet, verglichen mit dem unteren visuellen Hemifeld, das durch die dorsalen Teile des visuellen Kortex repräsentiert wird. Dies impliziert, dass das untere Gesichtsfeld stärker auf die präzise Lokalisierung und Darstellung von Räumen spezialisiert ist. Unsere Beobachtung größerer ROIs im unteren visuellen Hemifeld steht im Einklang mit diesen Ergebnissen. Daher deuten unsere Ergebnisse darauf hin, dass CBA ein geeignetes Instrument ist, um die Untersuchung von Funktions- und Verhaltensasymmetrien in frühen visuellen Bereichen auf die Gruppenebene auszudehnen.

Eine wichtige Einschränkung der aktuellen Studie ist das Fehlen ergänzender Retinotop-Kartierungsdaten aus Zeitgründen. Diese Daten hätten es uns ermöglicht, die Grenzen früher visueller Bereiche abzugrenzen und den genauen visuellen Bereich zu bestimmen, der jeden einzelnen Einzelsubjekt-ROI enthält. Retinotopische Kartierungsstudien weisen darauf hin, dass die durch visuelle Lokalisierer hervorgerufene Spitzenaktivierung einzelner Probanden nicht durchgängig im selben visuellen Bereich liegt. Die meisten Lokalisierungsparadigmen zeigen die Spitzenaktivierung nicht in V1, sondern in V2 oder V312. Es ist daher sehr wahrscheinlich, dass unsere Spitzenaktivierung bei einem einzelnen Probanden nicht durchweg zum selben visuellen kortikalen Bereich gehörte. Mit dem aktuellen Datensatz können wir nicht bestimmen, wie genau einzelne visuelle Bereiche mit CBA ausgerichtet waren und ob einzelne Ebenen der visuellen kortikalen Hierarchie unterschiedlich beeinflusst wurden. Die Position unserer Gruppen-ROIs, die an den Sulcus calcarinus grenzten und den Okzipitalpol überspannten, deutet jedoch darauf hin, dass sie hauptsächlich V2 und V3 umfassten. In ähnlicher Weise beobachteten wir nach der CBA einen vergleichbaren Anstieg der Überlappungswahrscheinlichkeit im gleichen Teil des okzipitalen Kortex. Obwohl dies zumindest auf einen relativ konsistenten Nutzen von CBA in allen visuellen Bereichen hindeutet, sind detailliertere Studien, einschließlich Retinotopic-Mapping, erforderlich, um dieses Problem definitiver anzugehen.

Darüber hinaus haben wir kein Eyetracking eingesetzt, um eine ausreichende Fixierung sicherzustellen. Wir haben auch keine zusätzliche Aufgabe zur Aufmerksamkeitskontrolle einbezogen, die sich auf das Fixierungskreuz konzentriert, was eine kontinuierliche Fixierung weiter gefördert hätte. Diese Auslassung war bewusst, um den Schwierigkeitsgrad für psychiatrische Patientengruppen angemessen zu halten. Unsere durchschnittliche Erfolgsquote beim Finden einer zuverlässigen Aktivierung in frühen Sehbereichen in allen vier Sehquadranten lag bei 95 (90–98) %. Eine unzureichende Fixierung könnte teilweise erklären, dass wir bei einem kleinen Teil der Probanden keine zuverlässige Aktivierung finden konnten.

Schließlich unterschieden sich mehrere Eigenschaften des VBA-Datensatzes von den SBAV- und CBA-Datensätzen. Aufgrund der inhärenten Unterschiede zwischen den verwendeten dreidimensionalen und zweidimensionalen räumlichen Glättungsalgorithmen konnten wir die volumenbasierten und oberflächenbasierten Vorverarbeitungsparameter nicht vollständig anpassen. Wichtig ist, dass die Anzahl der Voxel und Eckpunkte mit Funktionsdaten nicht identisch war, was sich unterschiedlich auf die Bonferroni-Korrektur der Gruppenergebnisse auswirkte. Der kleinere Analyseraum des VBA-Datensatzes – 69 % der Größe des SBAV- und CBA-Datensatzes – führt zu einem entsprechenden, weniger strengen Bonferroni-korrigierten, endgültigen statistischen Schwellenwert für VBA. Aufgrund dieser Ausrichtung auf den VBA-Datensatz sollten die positiven Auswirkungen der zusätzlichen Verarbeitungsschritte in den SBAV- und CBA-Datensätzen unterschätzt werden. Die Tatsache, dass wir die Vorteile von CBA trotz einer ungünstigen statistischen Schwelle zur Bestätigung dieser Primärhypothese nachweisen konnten, unterstreicht die Überlegenheit dieser Ausrichtungstechnik.

Unsere Studie hat auch Auswirkungen, die über die Kartierung des visuellen Systems in gesunden Populationen hinausgehen. Visuelle Verarbeitungsdefizite sind ein herausragendes Merkmal neurologischer entwicklungspsychiatrischer Störungen wie ADHS, Schizophrenie und Autismus-Spektrum-Störungen7,8,64,65,66,67,68,69,70,71, die auch entscheidende kognitive Prozesse höherer Ordnung stören können, einschließlich Arbeitsgedächtnis72,73,74. Das aktuelle Lokalisierungsparadigma wird nützlich sein, um lokale Beeinträchtigungen der visuellen Informationsverarbeitung sowie Störungen im Zusammenspiel zwischen frühen visuellen Bereichen und Gehirnnetzwerken, die kognitive Prozesse höherer Ordnung unterstützen, zu untersuchen. Hier wird CBA besonders relevant sein, um die verwirrenden Auswirkungen einer erhöhten makroanatomischen Variabilität bei Erkrankungen wie Schizophrenie zu reduzieren und so echte Gruppenunterschiede und echte funktionelle Variabilität zu messen37,75. Andererseits könnte CBA auch für die Untersuchung der neurologischen Entwicklungsgrundlagen einer erhöhten makroanatomischen Variabilität selbst von entscheidender Bedeutung sein. Zu diesem Zweck wird die Einbeziehung probabilistischer Atlanten, die Informationen über Genexpressionsprofile76 sowie Zyto- und Rezeptorarchitektur77,78 enthalten, von Nutzen sein.

Unser CBA-Ansatz stützte sich ausschließlich auf Informationen zur kortikalen Krümmung, um die makroanatomische Variabilität zu reduzieren. Ein Hauptvorteil dieser Methode ist ihre Anwendbarkeit für die überwiegende Mehrheit der fMRT-Datensätze, da lediglich ein struktureller Gehirnscan mit ausreichender Qualität und Auflösung erforderlich ist. Unter den vergleichbaren Methoden ist CBA der datengesteuerteste und objektivste Ansatz. Die erreichbare Reduzierung der makroanatomischen Variabilität wird jedoch durch die variable und unvollständige Korrelation zwischen Gehirnstruktur und Gehirnfunktion begrenzt34,39. Folglich nutzen fortschrittlichere Methoden zusätzlich orthogonale Funktionsdaten, um die anatomische Variabilität weiter zu reduzieren, einschließlich der Verwendung funktioneller Aktivierungs- oder Konnektivitätsmuster, um die makroanatomische Ausrichtung im gesamten Gehirn zu verbessern20,79,80. Darüber hinaus wurde ein komplexerer Ansatz vorgeschlagen, der kortikale Daten mithilfe von „arealen Merkmalen“ ausrichtet, die enger mit kortikalen Bereichen als mit kortikalen Faltmustern verknüpft sind, einschließlich Karten des relativen Myelingehalts und funktioneller Ruhezustandsnetzwerke81. Es hat sich gezeigt, dass diese Methoden eine relevante zusätzliche Reduzierung der makroanatomischen Variabilität für eine Vielzahl von Paradigmen, einschließlich visueller Funktionslokalisierer, bewirken. Zukünftige Studien sollten diese Methoden auch für die Retinotopkartierung und Gesichtsfeldlokalisierer evaluieren. Darüber hinaus wurde für frühe Hörbereiche gezeigt, dass die zusätzliche Verwendung eines probabilistischen Atlas zytoarchitektonisch definierter Bereiche die Standard-CBA-Ergebnisse weiter verbessert82. Grundsätzlich sollte ein solcher Ansatz für das visuelle System problemlos umsetzbar sein.

Zusammenfassend haben wir klare Vorteile von CBA im Vergleich zu VBA für die Analyse von Gesichtsfeldlokalisierungsdaten auf Gruppenebene gezeigt, was sich in einer erheblichen Verringerung der räumlichen Variabilität zwischen Probanden in frühen visuellen Bereichen niederschlägt. Unsere Ergebnisse erweitern frühere CBA-Studien, in denen andere wichtige Kategorien visueller Kartierungstechniken bewertet wurden. Sie unterstreichen den Verlust an Informationen und statistischer Aussagekraft, der durch den Einsatz von VBA-Methoden in den meisten fMRT-Studien entsteht. Daher sollten CBA und vergleichbare Methoden ernsthaft als Standardverfahren für die detaillierte Untersuchung der visuellen Informationsverarbeitung und ihrer Störungen bei neuropsychiatrischen Erkrankungen in Betracht gezogen werden.

Alle Teilnehmer gaben ihr schriftliches Einverständnis zur Teilnahme an der Studie gemäß dem vom Ethikausschuss der Medizinischen Fakultät der Goethe-Universität genehmigten Studienprotokoll. Wir haben alle experimentellen Verfahren in Übereinstimmung mit den genehmigten Richtlinien und der Deklaration von Helsinki durchgeführt. Einzelpersonen erhielten eine Entschädigung für ihre Teilnahme. Wir rekrutierten 51 gesunde Freiwillige (weiblich:männlich = 28:23) im Alter zwischen 18 und 43 Jahren (Mittelwert = 24). Alle Teilnehmer waren Nichtraucher, hatten in der Vergangenheit keine neurologischen oder psychiatrischen Erkrankungen und berichteten über eine normale oder auf den Normalzustand korrigierte Sehschärfe. Ein Teilnehmer war gemäß der deutschen Version des Edinburgh Handedness Inventory83 Linkshänder.

Die Probanden führten im Rahmen einer größeren Studie, die die Rolle visueller Bereiche für höhere kognitive Funktionen untersuchte, ein Aufmerksamkeits-verstärktes Gesichtsfeldlokalisierungsparadigma (Abb. 5a) durch, das mithilfe von Presentation (Neurobehavioral Systems, Version 18.0) implementiert wurde. Die Aufgabe bestand aus einer Reihe flackernder, schwarz-weißer, runder Schachbrettreize (Flimmerfrequenz = 7,5 Hz). Schachbrettreize erschienen zufällig für 2000 ms an einem von vier verschiedenen Orten (Standardversuch). Jeder Standort kartierte eine homologe Position in einem der vier visuellen Quadranten. Das reguläre Inter-Trial-Intervall (ITI) betrug 0 ms. Allerdings stieg der ITI einmal alle 10–14 Versuche (insgesamt 11 Mal) auf 2000 ms (verlängerter ITI) (Abb. 5b). Unser Paradigma beinhaltete eine einfache Zielerkennungsaufgabe. Während 36 Versuchen wechselten die beiden zentral gelegenen Quadrate des Schachbretts für 133 ms ihre Farbe in Gelb (Zielversuch). Die Teilnehmer mussten mit dem linken Daumen so schnell wie möglich eine Antwortbox-Taste drücken, wenn sie ein Ziel entdeckten. Das Paradigma bestand aus insgesamt 144 Versuchen: 36 Zielversuchen und 108 Standardversuchen, beide gleichmäßig auf die vier Standorte verteilt (Abb. 5b). Diese Zielwahrscheinlichkeit von 25 % führte im Durchschnitt zu einem Zielversuch bei jedem vierten Versuch (Bereich 3–5 Versuche) (Abb. 5b). Während der gesamten Aufgabe wurde in der Mitte des Bildschirms ein schwarzes, x-förmiges Fixierungskreuz angezeigt. Die Teilnehmer wurden angewiesen, kontinuierlich auf dem Fixationskreuz zu fixieren. Vor dem ersten Versuch wurde 10 s lang nur das Fixationskreuz angezeigt. Nach dem letzten Versuch wurde 20 s lang nur das Fixationskreuz angezeigt. Die Gesamtdauer des Paradigmas betrug 340 s (Abb. 5b). Für unsere Analysen haben wir insgesamt vier Bedingungen definiert, eine für jeden der vier Reizorte. Jeder Teilnehmer übte die Aufgabe vor der Messung.

Paradigma des Gesichtsfeldlokalisierers. (a) Das Paradigma bestand aus flackernden, schwarz-weiß gefärbten Schachbrettern, die zufällig an homologen Positionen im visuellen Quadranten des Teilnehmers erschienen. In 25 % der Versuche wechselten die beiden zentral gelegenen Quadrate für 133 ms ihre Farbe in Gelb. Wenn die Teilnehmer dies bemerkten, mussten sie eine Antwortbox-Taste drücken. Die Teilnehmer wurden angewiesen, kontinuierlich ein schwarzes, x-förmiges Fixierungskreuz in der Mitte des Bildschirms zu fixieren. Schachbrettmuster erschienen 2000 ms lang. Das reguläre Inter-Trial-Intervall (ITI) betrug 0 ms. (b) Alle 10–14 Versuche verlängerte sich der ITI auf 2000 ms. Die Aufgabe umfasste 144 Versuche (25 % Zielversuche). Vorher und nachher erfolgte jeweils eine Präsentation des Fixationskreuzes für 10 s.

Wir haben funktionelle MRT-Daten auf einem Siemens 3T MAGNETOM Trio-Scanner am Brain Imaging Center der Goethe-Universität mithilfe einer Gradientenecho-2D-EPI-Sequenz (32 axiale Schichten, TR = 2000 ms, TE = 30 ms, FA = 90°, FoV = 192) erfasst × 192 mm2, Voxelgröße = 3 × 3 × 3 mm3, Lücke = 1 mm, effektive Schichtdicke = 4 mm). Die Schnitte wurden parallel zur vorderen und hinteren Kommissur positioniert. Funktionsbilder wurden in einem einzigen Durchgang erfasst, der die Erfassung von 170 Bänden umfasste. Unmittelbar vor jedem Funktionslauf wurden 6 Volumina dieser 2D-EPI-Sequenz mit identischen Parametern erfasst, mit Ausnahme eines Wechsels der Phasenkodierungsrichtung (von hinten nach anterior statt von anterior nach posterior) zur Korrektur der EPI-Verzerrung. Anatomische MRT-Daten zur Kortexrekonstruktion und Co-Registrierung mit funktionellen MRT-Daten wurden mit einem hochauflösenden T1-gewichteten 3D-Volumen unter Verwendung einer Magnetization-Prepared Rapid Gradient-Echo (MP-RAGE)-Sequenz (192 sagittale Schichten, TR = 1900 ms) erfasst , TE = 3,04 ms, TI 900 ms, FA = 9°, FoV = 256 × 256 mm2, Voxelgröße = 1 × 1 × 1 mm3). Die Stimuluspräsentation wurde ständig mit der fMRT-Sequenz synchronisiert. Kopfbewegungen wurden durch Kissen minimiert. Die Aufgabe wurde von einem Beamer auf einen an der Kopfspule angebrachten Spiegel projiziert. MRT-Daten wurden mit BrainVoyager 20.684, der NeuroElf Matlab-Toolbox (www.neuroelf.net) und in Matlab geschriebener benutzerdefinierter Software vorverarbeitet und analysiert. Ein Proband musste aufgrund übermäßiger Intrascan-Bewegung ausgeschlossen werden.

Die Vorverarbeitung der Strukturdaten umfasste Hintergrundbereinigung, Gehirnextraktion und Bias-Feldkorrektur, um Inhomogenitäten der Bildintensität zu minimieren84. Bei der Bias-Field-Korrektur wurde ein „Oberflächenanpassungs“-Ansatz verwendet, der auf der Singulärwertzerlegung basierende Polynome der kleinsten Quadrate niedriger Ordnung (Legendre) nutzte, um niederfrequente Variationen im 3D-Bildraum zu modellieren85. Wir verwendeten Polynome der Ordnung drei, die wir an eine Teilmenge von Voxeln anpassten, die als zur weißen Substanz gehörend gekennzeichnet waren. Die geschätzten Parameter der Polynome wurden zur Konstruktion eines Bias-Feldes verwendet, das aus den Daten entfernt wurde. Unser Ansatz umfasste eine Iteration mit automatischer Kennzeichnung der weißen Substanz86 und vier Iterationen mit manueller Kennzeichnung der weißen Substanz.

Anschließend wurden die Strukturdaten in den Talairach-Koordinatenraum umgewandelt29. Dies umfasste die manuelle Markierung der vorderen Kommissur (AC) und hinteren Kommissur (PC) sowie der Grenzen des Großhirns. Diese Orientierungspunkte wurden dann verwendet, um jedes Gehirn in der AC-PC-Ebene zu drehen, gefolgt von stückweisen, linearen Transformationen, um jedes Gehirn in das gemeinsame Talairach-„Proportionalgitter“-System einzupassen19. Die Transformation in den Talairach-Koordinatenraum wurde durchgeführt, da das anschließende automatische Segmentierungsverfahren anatomisches Wissen für die anfängliche Gehirnsegmentierung nutzt, einschließlich der Entfernung subkortikaler Strukturen und der Trennung kortikaler Hemisphären 87. Um die Daten für dieses Verfahren vorzubereiten, führten wir eine manuelle Füllung der Seitenventrikel durch. Basierend auf der automatischen Segmentierung der Strukturscans entlang der Grenze zwischen weißer und grauer Substanz87 wurden kortikale Hemisphären in gefaltete, topologisch korrekte Netzdarstellungen rekonstruiert, die tesseliert wurden, um Oberflächenrekonstruktionen zu erstellen und Krümmungskarten zu berechnen, die individuelle kortikale Faltmuster widerspiegeln. Anschließend wurden Oberflächenrekonstruktionen in verzerrungskorrigierte sphärische Darstellungen umgewandelt. Schließlich wurden sowohl gefaltete als auch sphärische Netzdarstellungen auf eine Standardanzahl von Scheitelpunkten heruntergerechnet (40.962 Scheitelpunkte pro Hemisphäre, mittlerer Scheitelpunktabstand: 1,5 mm). Wir haben diese standardisierten Netzdarstellungen für alle oberflächenbasierten Verarbeitungsschritte verwendet.

Anschließend wendeten wir ein hochauflösendes, multiskalenkortexbasiertes Ausrichtungsverfahren an, das auf den individuellen Krümmungskarten aller 50 Teilnehmer für jede Hemisphäre separat basiert. Dieser CBA-Ansatz, der die entsprechenden Gyri und Sulci bei allen Probanden zuverlässig ausrichtet84, besteht aus einem anfänglichen starren und einem anschließenden nicht-starren Ausrichtungsschritt19 (Abb. 6a, b). Im ersten Schritt werden die kortikalen Faltmuster jeder Kugel durch globale Rotation starr an dem kortikalen Faltmuster einer einzelnen Zielkugel ausgerichtet. Rigid CBA arbeitet ausschließlich mit stark geglätteten Krümmungskarten, die nur die markantesten anatomischen Orientierungspunkte enthalten. Wir verwendeten die Rotationsparameter mit dem höchsten Grad an Überlappung zwischen der Krümmung jeder einzelnen Kugel und der Zielkugel als Ausgangspunkt für die anschließende nicht starre CBA.

Vollständig datengesteuerter CBA-Ansatz. CBA bestand aus einer starren Ausrichtung auf ein einzelnes Zielgehirn und einer nichtlinearen Ausrichtung auf ein iterativ aktualisiertes Gruppendurchschnittsgehirn. (a) Wir haben eine anfängliche CBA ausschließlich durchgeführt, um einen unvoreingenommenen durchschnittlichen Zielgehirn für die endgültige CBA zu generieren. Für die anfängliche starre CBA verwendeten wir ein zufällig ausgewähltes Gehirn aller Teilnehmer. (b) Für die endgültige CBA haben wir das unvoreingenommene durchschnittliche Zielhirn verwendet, das während der anfänglichen CBA für die starre CBA erstellt wurde. (c) Wir haben vor und nach der makroanatomischen Ausrichtung für jede Hemisphäre durchschnittliche Oberflächendarstellungen erstellt, die wir anschließend zusammengeführt, aufgeblasen und zur Analyse und Visualisierung der entsprechenden Datensätze verwendet haben. Die obere Reihe zeigt Gruppendurchschnittsdarstellungen sphärischer, gefalteter und aufgeblasener Netze vor der Anwendung von CBA. Die untere Reihe zeigt Gruppendurchschnittsdarstellungen sphärischer, gefalteter und aufgeblasener Netze nach Anwendung von CBA.

Die nicht starre CBA verwendet eine Grob-zu-Fein-Anpassungsstrategie, die nacheinander auf vier Ebenen der Krümmungsglättung arbeitet, beginnend mit der Detailebene, die bei der starren CBA verwendet wird. Jede weitere Ebene umfasst immer feinere anatomische Details bis hin zu nahezu vollständigen Krümmungsinformationen. Wichtig ist, dass die nicht starre CBA jedes kortikale Faltmuster durch iteratives Morphing an einem dynamisch aktualisierten Gruppendurchschnitt ausrichtet. Dieser Ansatz mit beweglichen Zielen, der die Zielkrümmungskarte aus der durchschnittlichen Krümmung aller Hemisphären in einem bestimmten Ausrichtungsstadium generiert, vermeidet die möglichen verwirrenden Auswirkungen einer suboptimalen Auswahl eines einzelnen Zielgehirns, dessen Faltungsmuster erheblich vom Kohortendurchschnitt abweichen könnte.

Bemerkenswert ist, dass bei der starren CBA typischerweise ein einzelnes Gehirn, das zufällig aus der gesamten Kohorte ausgewählt wird, als Zielgehirn verwendet wird. Allerdings kann das Faltungsmuster dieses Gehirns auch erheblich vom Kohortendurchschnitt abweichen. Um auch dieser potenziellen Verwirrung entgegenzuwirken, führten wir zunächst eine vorläufige CBA durch, die sowohl starre als auch nicht starre makroanatomische Ausrichtung umfasste (Abb. 6a). Anschließend führten wir eine zweite, abschließende CBA durch. Hier verwendeten wir das aus der vorläufigen CBA abgeleitete ausgerichtete durchschnittliche Gehirn als unvoreingenommenes Ziel für den starren Ausrichtungsschritt (Abb. 6b). Nach der endgültigen, nicht starren CBA haben wir beide Hemisphären jedes einzelnen Gehirns zusammengeführt, um einen globalen oberflächenbasierten Analyseraum zu schaffen.

Darüber hinaus haben wir für jede Hemisphäre durchschnittliche Oberflächendarstellungen aus den ursprünglichen, nicht ausgerichteten gefalteten Netzdarstellungen erstellt, die wir anschließend zusammengeführt, aufgeblasen und für die Datenanalyse und Visualisierung verwendet haben. Wir haben diese Schritte wiederholt, nachdem wir die Transformationsmatrix der endgültigen starren und nicht starren CBA auf die gefalteten Netzdarstellungen angewendet hatten, um eine genaue Darstellung der strukturellen Auswirkungen der makroanatomischen Ausrichtung zu erhalten (Abb. 6c).

Die ersten vier Volumina jedes Funktionslaufs wurden verworfen, um eine T1-Äquilibrierung zu ermöglichen. Die anfängliche volumenbasierte Vorverarbeitung funktioneller MRT-Daten umfasste eine Schichtzeitkorrektur mittels Sinc-Interpolation und eine 3D-Bewegungskorrektur mittels Sinc-Interpolation. Als nächstes führten wir eine Korrektur der echoplanaren Bildverzerrung mithilfe der Methode „Korrektur basierend auf der entgegengesetzten Phasenkodierung“88,89 durch. EPI-verzerrungskorrigierte Funktionsdaten wurden gemeinsam mit den nicht transformierten extrahierten Gehirnen registriert. Dies wurde mithilfe eines grenzbasierten Registrierungsalgorithmus erreicht, der für oberflächenbasierte Analysen optimiert wurde90. Nach der Co-Registrierung mit den vollständig bereinigten, aber nicht transformierten Strukturdaten wurden die Funktionsdaten in den Talairach-Koordinatenraum transformiert, indem die Transformationsmatrix angewendet wurde, die während der Talairach-Transformation der Strukturdaten mithilfe von Sinc-Interpolation erzeugt wurde. Durch diese Transformation blieb die ursprüngliche Voxelgröße der Funktionsdaten (3 × 3 × 3 mm3) erhalten (Abb. 7).

Sequenzen der Vorverarbeitung funktionaler Daten, der Koregistrierung struktureller und funktionaler Daten und räumlicher Transformationsoperationen, die zur Generierung der drei in unserer Studie verwendeten funktionalen Datensätze verwendet werden: VBA, SBAV und CBA. Für VBA führten wir alle Vorverarbeitungsvorgänge der Daten im Volumenraum durch, einschließlich Slice-Scan-Time-Korrektur, 3D-Bewegungskorrektur, Korrektur der echoplanaren Bildverzerrung, räumliche 3D-Glättung und Entfernung linearer Trends mit zeitlicher Hochpassfilterung. Schließlich wurden die Funktionsdaten mit den Strukturdaten gemeinsam registriert und in den Talairach-Raum umgewandelt. Für SBAV und CBA führten wir alle Vorverarbeitungsvorgänge der Daten bis hin zur Korrektur der echoplanaren Bildverzerrung im Volumenraum durch. Hier folgte auf die Co-Registrierung funktionaler Daten mit den Strukturdaten und die Transformation in den Talairach-Raum die Transformation in den Oberflächenraum. Anschließend führten wir eine räumliche 2D-Glättung und lineare Trendentfernung mit zeitlicher Hochpassfilterung im Oberflächenraum durch. Nur für CBA haben wir anschließend die makroanatomische Ausrichtung angewendet.

Die volumetrischen Funktionsdaten wurden dann durch Abtasten der einzelnen kortikalen Oberflächenrekonstruktionen in den Oberflächenraum umgewandelt, wobei Daten von – 1 bis + 3 mm entlang der Scheitelpunktnormalen unter Verwendung trilinearer Interpolation einbezogen wurden. Die anschließende Vorverarbeitung der fMRT-Daten im Oberflächenraum begann mit der räumlichen Glättung mithilfe einer Interpolation des nächsten Nachbarn (1 Iteration). Basierend auf dem standardisierten Scheitelpunktabstand von 1,5 mm entspricht dies einem 2D-Gaußschen Glättungskern mit einer Halbwertsbreite (FWHM) von 3 mm. Wir haben uns für eine minimale räumliche Glättung entschieden, um einen Genauigkeitsverlust unseres Gesichtsfeldlokalisierers zu verhindern. Auf die räumliche Glättung folgte die Entfernung linearer Trends und die zeitliche Hochpassfilterung unter Verwendung einer schnellen Fourier-Transformation (Hochpass 0,00903 Hz). Basierend auf der Scheitelpunkt-zu-Scheitelpunkt-Referenzierung von den gefalteten, topologisch korrekten Oberflächenrekonstruktionen zu den sphärischen Darstellungen haben wir die vollständig vorverarbeiteten Funktionsdaten in ein gemeinsames sphärisches Koordinatensystem abgebildet (Abb. 7). Schließlich haben wir oberflächenbasierte anatomische Masken, die in unserer Analyse nur kortikale Scheitelpunkte berücksichtigten, auf die Funktionsdaten angewendet. Diese Masken schlossen subkortikale Strukturen aus, die auf der Mittellinie unserer Oberflächenrekonstruktionen abgebildet waren, also Teile des Thalamus und der Basalganglien. Für die funktionale Datenanalyse und die anschließende Bonferroni-Korrektur im Oberflächenraum ergab dies eine Gesamtzahl von 76.132 Eckpunkten.

Um einen rein volumetrischen Datensatz für den Vergleich von VBA und SBAV zu generieren, wurde die Vorverarbeitung nach der EPI-Verzerrungskorrektur auch im Volumenraum durchgeführt, was den oben beschriebenen Schritten und Parametern für die oberflächenbasierte Vorverarbeitung möglichst nahe kam. Zuerst haben wir eine räumliche Glättung mithilfe eines 3D-Gaußschen Glättungskerns mit einer FWHM von 3 mm angewendet, was dem Grad der oberflächenbasierten räumlichen Glättung nahekommt. Zweitens haben wir eine lineare Trendentfernung und eine zeitliche Hochpassfilterung mithilfe einer schnellen Fourier-Transformation (Hochpass 0,00903 Hz) angewendet und dabei Parameter verwendet, die genau mit der oberflächenbasierten Vorverarbeitung übereinstimmen (Abb. 7). Dieser Datensatz wurde nicht in den Oberflächenraum umgewandelt und enthielt keine anatomische Maske. Für die funktionale Datenanalyse und anschließende Bonferroni-Korrektur im Volumenraum ergab sich eine Gesamtzahl von 52.504 Voxeln. Somit betrug der Analyseraum für VBA 69 % der Größe des Analyseraums für SBAV und CBA (52.504 Voxel gegenüber 76.132 Eckpunkten). Dieser Unterschied führte zu einem weniger strengen Bonferroni-korrigierten statistischen Schwellenwert für VBA (p = 0,00000095) im Vergleich zu SBAV und CBA (p = 0,00000066). Bemerkenswert ist, dass wir diesen Unterschied nicht korrigiert haben, auch wenn er die Bestätigung der hypothetischen Überlegenheit von CBA im Vergleich zu VBA auf Gruppenebene erschwerte.

Insgesamt haben wir drei verschiedene funktionale Datensätze generiert: einen volumenbasierten Datensatz, der vollständig vorverarbeitet und im Volumenraum (VBA) ausgerichtet wurde; ein oberflächenbasierter Datensatz, für den die letzten Vorverarbeitungsschritte – räumliche Glättung und zeitliche Filterung – erst nach der Transformation im Oberflächenraum, jedoch ohne makroanatomische Ausrichtung (SBAV) angewendet wurden; und ein oberflächenbasierter Datensatz, der genauso vorverarbeitet wurde wie der SBAV-Datensatz und auch die makroanatomische Ausrichtung (CBA) nutzte (Abb. 7). Dementsprechend wurde die primäre Analyse dieser Datensätze im Volumenraum (VBA) bzw. im Oberflächenraum (SBAV, CBA) durchgeführt. Geplante direkte Vergleiche zwischen diesen drei Datensätzen ermöglichten es uns, die Auswirkungen verschiedener Schritte unseres makroanatomischen Ausrichtungsansatzes zu bewerten. Wir haben die VBA- und SBAV-Datensätze verglichen, um die Auswirkungen der oberflächenbasierten Vorverarbeitung isoliert zu bewerten und gleichzeitig die makroanatomische Ausrichtung konstant zu halten. Wir haben die SBAV- und CBA-Datensätze verglichen, um die Auswirkungen der makroanatomischen Ausrichtung isoliert zu bewerten und gleichzeitig die Vorverarbeitungsparameter konstant zu halten. Abschließend verglichen wir die VBA- und CBA-Datensätze, um die kombinierte Auswirkung der oberflächenbasierten Vorverarbeitung und der makroanatomischen Ausrichtung zu bewerten.

Wir führten statistische Analysen mit mehreren Subjekten unter Verwendung mehrerer linearer Regressionen des BOLD-Signals durch. Die Präsentation jeder Schachbrett-Stimulussequenz an einem einzelnen Ort wurde durch eine ideale Box-Car-Funktion modelliert, die das Volumen jedes Versuchs abdeckte, gefaltet mit einer synthetischen Zwei-Gamma-Funktion. Diese Prädiktoren wurden verwendet, um die Designmatrix des Experiments zu erstellen. Individuelle statistische Karten wurden erstellt, indem jedes Voxel mit dem Beta-Wert verknüpft wurde, der dem spezifischen Satz von Prädiktoren entspricht, und auf der Grundlage der Lösung der kleinsten mittleren Quadrate des allgemeinen linearen Modells berechnet. Die resultierenden individuellen statistischen Karten wurden mithilfe eines zusammenfassenden statistischen Ansatzes in eine Zufallseffekt-Gruppenanalyse der zweiten Ebene eingegeben.

Wir führten Analysen durch, die sich auf die Kartierung der vier visuellen Quadranten auf Gruppenebene konzentrierten. Um ROIs auf Gruppenebene für jeden visuellen Quadranten zu definieren, haben wir separate gewichtete Kontraste für jeden Quadranten gegenüber den anderen drei Quadranten berechnet. Wir haben der interessierenden Position eine Gewichtung von drei zugewiesen, z. B. (βQuad_1 × 3)/(βQuad_2 + βQuad_3 + βQuad_4) (p < 0,05, Bonferroni korrigiert). Dadurch konnten wir Gehirnregionen erkennen, die eine signifikante Positionsselektivität aufweisen. Für jeden resultierenden ROI auf Gruppenebene haben wir durchschnittliche Zeitverläufe (einschließlich Standardfehler des Mittelwerts) für alle vier Bedingungen extrahiert. Wir haben diese Analyse für alle drei Datensätze (VBA, SBAV, CBA) durchgeführt. Für den VBA-Datensatz haben wir diese Analyse vollständig im Volumenraum unter Verwendung der ursprünglichen Auflösung der Funktionsdaten (Voxelgröße: 3 × 3 × 3 mm3) berechnet. Wir projizierten die resultierenden Karten auf die nicht ausgerichtete durchschnittliche Oberflächendarstellung, dh die aufgeblasenen Netzdarstellungen vor CBA, wie in der oberen Reihe von Abb. 6c dargestellt. Zu diesem Zweck wurden volumetrische Funktionskarten in den Oberflächenraum umgewandelt, indem auf der durchschnittlichen kortikalen Oberfläche Stichproben entnommen wurden, wobei Daten von – 1 bis + 3 mm entlang der Scheitelpunktnormalen des Gehirns der durchschnittlichen Gruppenoberfläche unter Verwendung trilinearer Interpolation einbezogen wurden.

Mit dieser Transformation wollten wir eine Visualisierung und Quantifizierung der VBA-Ergebnisse erreichen, die den SBAV- und CBA-Ergebnissen entsprechen. Um alle drei Datensätze vergleichbar zu machen, spiegelte diese Transformation der volumetrischen Funktionskarten die Transformation der Funktionsdaten in den Oberflächenraum wider, die für die SBAV- und CBA-Datensätze während der Vorverarbeitung durchgeführt wurde. Somit konnten wir die Clustergrößen für alle ROIs aller Datensätze im Oberflächenraum anhand der Anzahl der Eckpunkte beurteilen. Wir haben auch die Anzahl der Voxel für die VBA-Ergebnisse vor der Transformation in den Oberflächenraum extrahiert. Dieser Parameter eignet sich jedoch nicht für einen Vergleich mit den anderen Datensätzen und wurde nur einbezogen, um eine umfassende Berichterstattung unserer Ergebnisse zu gewährleisten.

Wir haben zwei Ansätze verwendet, um festzustellen, ob sich die Positionsselektivität zwischen unseren drei Datensätzen unterscheidet: Erstens verglichen wir die ROI-Größe, d über Datensätze hinweg. Zu diesem Zweck verglichen wir quantitative Änderungen der Gruppen-ROI-Größe zwischen Ausrichtungsmethoden unter Verwendung der folgenden Formel: {(size_ROIQuad[AMm] − size_ROIQuad[AMn])/size_ROIQuad[AMn]} × 100. Hier indiziert Quad den visuellen Quadranten von Interesse (LR, LL, UL, UR). AM bezieht sich auf Ausrichtungsmethoden (VBA, SBAV, CBA). Die tiefgestellten Zeichen n und m geben AMs an, wobei sich m auf das weniger fortgeschrittene AM und n auf das vergleichsweise fortgeschrittenere AM bezieht. Dementsprechend weist ein positiver Wert auf eine Zunahme der ROI-Größe – und damit der Positionsselektivität – für die fortgeschrittenere Ausrichtungsmethode hin. Zweitens haben wir, um zu testen, ob sich die Stärke der Positionsselektivität innerhalb der ROIs jedes visuellen Quadranten über die Ausrichtungstechniken hinweg ändert, separate lineare gemischte Modelle mit zufälligem Schnittpunkt für jeden visuellen Quadranten unter Verwendung von R (Version R 4.1.2) durchgeführt. Um den Grad der Positionsselektivität innerhalb jedes ROI zu berechnen, haben wir die Einzelsubjekt-t-Werte jedes visuellen Quadranten („Position von Interesse“) mit den Einzelsubjekt-T-Werten der drei anderen visuellen Quadranten verglichen, z. B. (tQuad_1 × 3)/(tQuad_2 + tQuad_3 + tQuad_4), separat für jede Ausrichtungsmethode. Wir verwendeten die Ergebnisse dieser Kontraste für jedes Subjekt als abhängige Variable und die Ausrichtungsmethoden (VBA, SBAV und CBA) als unabhängige Variable. Um mehrere Vergleiche zu korrigieren, wurden die p-Werte mithilfe der Bonferroni-Korrektur angepasst. Somit würde ein signifikanter Effekt in den linearen gemischten Modellen auf eine relevante Änderung der Positionsselektivität zwischen den Ausrichtungsmethoden für einen bestimmten visuellen Quadranten hinweisen.

Um schließlich die Auswirkungen der drei Ausrichtungsansätze auf die horizontale und vertikale Symmetrie unserer ROIs auf Gruppenebene zu bewerten, haben wir einen etablierten Asymmetrieindex (AI)91 basierend auf der ROI-Größe, d. h. der Anzahl der Scheitelpunkte, zwischen jedem ROI-Paar berechnet die folgende Formel: (|sizeROI_1 – sizeROI_2|/sizeROI_1 + sizeROI_2) × 100. Zur Berechnung der vertikalen AI haben wir die Anzahl der Scheitelpunkte von ROIs verglichen, die sich auf der vertikalen Achse gegenüberstehen. Daher haben wir für die vertikale KI den linken und rechten visuellen Quadranten verglichen. Zur Berechnung der horizontalen KI haben wir die Anzahl der Scheitelpunkte der ROIs verglichen, die sich auf der horizontalen Achse gegenüberstehen. Daher haben wir für die horizontale KI den oberen und unteren visuellen Quadranten verglichen.

Um die Variabilität der funktionellen Aktivierung und mögliche durch die makroanatomische Ausrichtung hervorgerufene Veränderungen zu quantifizieren und zu visualisieren, wurde die Verwendung von PMs vorgeschlagen. PMs sind besonders nützlich, um Inkonsistenzen zu beurteilen, d. h. Unterschiede zwischen Individuen hinsichtlich der Lage eines bestimmten (visuellen) Bereichs92,93. Um die räumliche Konsistenz positionsselektiver Aktivierungsmuster zu quantifizieren, haben wir PMs für jeden visuellen Quadranten für alle drei Datensätze (VBA, SBAV, CBA) generiert. Diese Karten stellen die relative Anzahl der Probanden dar, die in unserer Einzelsubjektanalyse eine signifikante aufgabenbezogene Aktivität zeigen. Zu diesem Zweck erstellten wir Einzelsubjekt-T-Karten auf der Grundlage der gleichen gewichteten Kontraste wie in der Gruppenanalyse, jedoch mit einem milderen statistischen Schwellenwert (p < 0,05 unkorrigiert). PMs wurden berechnet, indem die Anzahl der Probanden gezählt wurde, die in ihren einzelnen T-Maps an einem bestimmten Scheitelpunkt eine über dem Schwellenwert liegende Aktivierung zeigten, dieser Wert durch die Gesamtzahl der Probanden dividiert und das Ergebnis mit 100 multipliziert wurde. Für den VBA-Datensatz haben wir berechnet Alle diese Schritte wurden im Volumenraum durchgeführt und das endgültige PM unter Verwendung derselben Parameter, die oben für die volumetrischen Gruppenkarten beschrieben wurden, in den Oberflächenraum umgewandelt. Schließlich haben wir alle PMs auf eine Wahrscheinlichkeit von mindestens 10 % einer Aktivierungsüberlappung festgelegt. Wir haben auch einen Schwellenwert auf Clusterebene von 100 Eckpunkten angewendet, um uns auf die Hauptinteressenbereiche, dh die visuellen Quadranten, zu konzentrieren. Darüber hinaus haben wir für jeden visuellen Quadranten und jede Analysemethode die Anzahl der Eckpunkte in den entsprechenden Wahrscheinlichkeitskarten gezählt, die den Schwellenwert von 10 % der Aktivierungsüberlappungswahrscheinlichkeit überschreiten. Unser Ziel war es, das Ausmaß des frühen visuellen Kortex zu quantifizieren und zu vergleichen, wobei jede Analysemethode einen relevanten Einfluss auf die Wahrscheinlichkeit einer Aktivierungsüberlappung hatte.

Darüber hinaus wollten wir Änderungen in der räumlichen Konsistenz positionsselektiver Aktivierungsmuster quantifizieren, die sich aus den verschiedenen Ausrichtungsmethoden ergeben. Zu diesem Zweck haben wir PDMs für jeden visuellen Quadranten berechnet, die mit einer Mindestwahrscheinlichkeitsdifferenz von 5 % unter Verwendung der ursprünglichen PMs ohne Schwellenwert festgelegt wurden. Die resultierenden drei PDMs erfassen verschiedene Aspekte unseres Gesamtansatzes: die Auswirkungen der oberflächenbasierten Auslesung und Vorverarbeitung funktioneller Daten im Vergleich zur volumenbasierten Ausrichtung (SBAV minus VBA), die zusätzlichen Auswirkungen der Anwendung der makroanatomischen Ausrichtung (CBA minus SBAV) und die additive Wirkung beider Methoden (CBA minus VBA). Darüber hinaus haben wir für jeden visuellen Quadranten die Anzahl der Scheitelpunkte in den entsprechenden PDMs gezählt, die den Schwellenwert von plus fünf oder minus fünf % Unterschied in der Wahrscheinlichkeit einer Aktivierungsüberlappung überschritten. Unser Ziel war es, das Ausmaß des frühen visuellen Kortex zu quantifizieren und zu vergleichen, wo wir einen Unterschied in der Wahrscheinlichkeit einer Aktivierungsüberlappung beobachteten, um die Analysemethoden zu vergleichen.

Für Analysen auf Einzelsubjektebene definierten wir zunächst ROIs für jedes Subjekt unabhängig vor und nach der makroanatomischen Ausrichtung, dh für SBAV und CBA, und verwendeten dabei die gleichen gewichteten Kontraste wie in der Gruppenanalyse. Wir haben einen milderen statistischen Schwellenwert angewendet (p < 0,05 unkorrigiert). Als nächstes bestimmten wir den Spitzenscheitelpunkt für die vier visuellen Quadranten-ROIs jedes Probanden, dh den Scheitelpunkt mit dem höchsten t-Wert, für SBAV und CBA. Um den Einfluss der makroanatomischen Ausrichtung auf die Überlappung der ROI-Spitzenscheitelpunkte eines einzelnen Subjekts für jeden visuellen Quadranten gezielt zu bewerten, haben wir alle Spitzenscheitelpunkte pro visuellen Quadranten für SBAV und CBA kartiert. Um Änderungen in der Anzahl der genau überlappenden Einzelsubjekt-Spitzenscheitelpunkte zu quantifizieren, haben wir für jeden Hinterhauptscheitelpunkt die Anzahl der Spitzenscheitelpunkte für SBAV und CBA gezählt. Wir haben diese Analyse zusätzlich zur PM- und PDM-Analyse durchgeführt, um eine direktere Bewertung und Visualisierung der Auswirkungen der makroanatomischen Ausrichtung auf die räumliche Übereinstimmung von ROIs einzelner Probanden zu ermöglichen. Wir haben diese spezielle Analyse auf den Vergleich zwischen SBAV und CBA beschränkt, da wir speziell daran interessiert waren, die Auswirkung der im CBA-Datensatz eingeführten makroanatomischen Ausrichtung auf die Überlappung der ROI-Peak-Scheitelpunkte einzelner Probanden isoliert zu untersuchen. Da sowohl VBA als auch SBAV keine makroanatomische Ausrichtung beinhalteten, sich beide Datensätze jedoch in einer Reihe anderer Vorverarbeitungsschritte unterschieden, ist der direkte Vergleich zwischen SBAV und CBA am besten geeignet, um dieses spezielle Problem zu untersuchen.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor, RAB, erhältlich.

Wandell, BA, Dumoulin, SO & Brewer, AA Gesichtsfeldkarten im menschlichen Kortex. Neuron 56, 366–383. https://doi.org/10.1016/j.neuron.2007.10.012 (2007).

Artikel CAS PubMed Google Scholar

Corbetta, M. & Shulman, GL Kontrolle der zielgerichteten und reizgesteuerten Aufmerksamkeit im Gehirn. Nat. Rev. Neurosci. 3, 201–215. https://doi.org/10.1038/nrn755 (2002).

Artikel CAS PubMed Google Scholar

Das, M., Bennett, DM & Dutton, GN Visuelle Aufmerksamkeit als wichtige visuelle Funktion: Ein Überblick über Manifestationen, Diagnose und Management beeinträchtigter visueller Aufmerksamkeit. Br. J. Ophthalmol. 91, 1556–1560. https://doi.org/10.1136/bjo.2006.104844 (2007).

Artikel PubMed PubMed Central Google Scholar

de Haan, B., Bither, M., Brauer, A. & Karnath, HO Neuronale Korrelate von räumlicher Aufmerksamkeit und Zielerkennung in einer Umgebung mit mehreren Zielen. Großhirn. Cortex 25, 2321–2331. https://doi.org/10.1093/cercor/bhu046 (2015).

Artikel PubMed Google Scholar

Goodale, M. & Milner, D. Ein Gehirn – zwei visuelle Systeme. Psychologe 19, 660–663 (2006).

Google Scholar

Bergmann, J., Genç, E., Kohler, A., Singer, W. & Pearson, J. Die neuronale Anatomie des primären visuellen Kortex schränkt das visuelle Arbeitsgedächtnis ein. Großhirn. Kortex 26, 43–50. https://doi.org/10.1093/cercor/bhu168 (2014).

Artikel PubMed Google Scholar

Lee, J. et al. fMRT-Nachweis einer abweichenden neuronalen Anpassung für Objekte bei Schizophrenie und bipolarer Störung. Summen. Brain Mapp. 40, 1608–1617. https://doi.org/10.1002/hbm.24472 (2019).

Artikel PubMed Google Scholar

Silverstein, SM et al. Eine fMRT-Untersuchung der visuellen Integration bei Schizophrenie. J. Integr. Neurosci. 8, 175–202. https://doi.org/10.1142/s0219635209002113 (2009).

Artikel PubMed Google Scholar

Dumoulin, SO & Wandell, BA Populationsrezeptive Feldschätzungen im menschlichen visuellen Kortex. Neuroimage 39, 647–660. https://doi.org/10.1016/j.neuroimage.2007.09.034 (2008).

Artikel PubMed Google Scholar

Sereno, MI et al. Grenzen mehrerer visueller Bereiche beim Menschen, sichtbar durch funktionelle Magnetresonanztomographie. Science (New York, NY) 268, 889–893. https://doi.org/10.1126/science.7754376 (1995).

Artikel ADS CAS Google Scholar

Harrison, SA & Tong, F. Die Dekodierung enthüllt den Inhalt des visuellen Arbeitsgedächtnisses in frühen visuellen Bereichen. Natur 458, 632–635. https://doi.org/10.1038/nature07832 (2009).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Peters, B., Kaiser, J., Rahm, B. & Bledowski, C. Aktivität im menschlichen visuellen und parietalen Kortex zeigt objektbasierte Aufmerksamkeit im Arbeitsgedächtnis. J. Neurosci. 35, 3360–3369. https://doi.org/10.1523/jneurosci.3795-14.2015 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Downing, PE, Chan, AW, Peelen, MV, Dodds, CM & Kanwisher, N. Domänenspezifität im visuellen Kortex. Großhirn. Cortex 16, 1453–1461. https://doi.org/10.1093/cercor/bhj086 (2006).

Artikel CAS PubMed Google Scholar

Kanwisher, N., McDermott, J. & Chun, MM Der fusiforme Gesichtsbereich: Ein Modul im extrastriären Kortex des Menschen, das auf die Gesichtswahrnehmung spezialisiert ist. J. Neurosci. 17, 4302–4311. https://doi.org/10.1523/jneurosci.17-11-04302.1997 (1997).

Artikel CAS PubMed PubMed Central Google Scholar

Brett, M., Johnsrude, IS & Owen, AM Das Problem der funktionellen Lokalisierung im menschlichen Gehirn. Nat. Rev. Neurosci. 3, 243–249. https://doi.org/10.1038/nrn756 (2002).

Artikel CAS PubMed Google Scholar

Desai, R., Liebenthal, E., Possing, ET, Waldron, E. & Binder, JR Volumetrische vs. oberflächenbasierte Ausrichtung zur Lokalisierung der Aktivierung des auditorischen Kortex. Neuroimage 26, 1019–1029. https://doi.org/10.1016/j.neuroimage.2005.03.024 (2005).

Artikel PubMed Google Scholar

Dougherty, RF et al. Gesichtsfelddarstellungen und Positionen der visuellen Bereiche V1/2/3 im menschlichen visuellen Kortex. J. Vis. 3, 586–598. https://doi.org/10.1167/3.10.1 (2003).

Artikel PubMed Google Scholar

Fischl, B., Sereno, MI & Dale, AM Kortikale oberflächenbasierte Analyse. II: Inflation, Abflachung und ein oberflächenbasiertes Koordinatensystem. Neuroimage 9, 195–207. https://doi.org/10.1006/nimg.1998.0396 (1999).

Artikel CAS PubMed Google Scholar

Frost & Goebel. Messung der strukturell-funktionalen Korrespondenz: Räumliche Variabilität spezialisierter Gehirnregionen nach makroanatomischer Ausrichtung. Neuroimage 59, 1369–1381. https://doi.org/10.1016/j.neuroimage.2011.08.035 (2012).

Artikel PubMed Google Scholar

Frost & Goebel. Funktionell informierte kortexbasierte Ausrichtung: Ein integrierter Ansatz für die makroanatomische und ROI-basierte funktionelle Ausrichtung des gesamten Kortex. Neuroimage 83, 1002–1010. https://doi.org/10.1016/j.neuroimage.2013.07.056 (2013).

Artikel PubMed Google Scholar

Steinmetz, H., Fürst, G. & Freund, HJ Variation perisylvianischer und calcariner anatomischer Orientierungspunkte innerhalb stereotaktischer Proportionalkoordinaten. Bin. J. Neuroradiol. 11, 1123–1130 (1990).

CAS PubMed PubMed Central Google Scholar

Van Essen, DC et al. Eine integrierte Software-Suite für oberflächenbasierte Analysen der Großhirnrinde. Marmelade. Med. Informieren. Assoc. 8, 443–459. https://doi.org/10.1136/jamia.2001.0080443 (2001).

Artikel ADS PubMed PubMed Central Google Scholar

Zilles, K. et al. Quantitative Analyse von Sulci in der menschlichen Großhirnrinde: Entwicklung, regionale Heterogenität, Geschlechtsunterschied, Asymmetrie, intersubjektive Variabilität und kortikale Architektur. Summen. Brain Mapp. 5, 218–221. https://doi.org/10.1002/(SICI)1097-0193(1997)5:4%3c218::AID-HBM2%3e3.0.CO;2-6 (1997).

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

Bridge, H. Kartierung des visuellen Gehirns: Wie und warum. Eye (Lond) 25, 291–296. https://doi.org/10.1038/eye.2010.166 (2011).

Artikel CAS Google Scholar

Fedorenko, E., Hsieh, PJ, Nieto-Castañón, A., Whitfield-Gabrieli, S. & Kanwisher, N. Eine neue Methode für fMRI-Untersuchungen von Sprache: ROIs funktional in einzelnen Probanden definieren. J. Neurophysiol. Rev. 104, 1177–1194. https://doi.org/10.1152/jn.00032.2010 (2010).

Artikel PubMed PubMed Central Google Scholar

Julian, JB, Fedorenko, E., Webster, J. & Kanwisher, N. Eine algorithmische Methode zur funktionalen Definition von interessierenden Regionen im ventralen Sehweg. Neuroimage 60, 2357–2364. https://doi.org/10.1016/j.neuroimage.2012.02.055 (2012).

Artikel CAS PubMed Google Scholar

Nieto-Castañón, A. & Fedorenko, E. Subjektspezifische Funktionslokalisierer erhöhen die Empfindlichkeit und funktionale Auflösung von Mehrsubjektanalysen. Neuroimage 63, 1646–1669. https://doi.org/10.1016/j.neuroimage.2012.06.065 (2012).

Artikel PubMed Google Scholar

Smith, SM et al. Funktionelle Konnektomik aus der Ruhezustands-fMRT. Trends Cogn. Wissenschaft. 17, 666–682. https://doi.org/10.1016/j.tics.2013.09.016 (2013).

Artikel PubMed PubMed Central Google Scholar

Talairach, J. & Tournoux, P. Koplanarer stereotaktischer Atlas des menschlichen Gehirns: dreidimensionales Proportionalsystem: ein Ansatz zur zerebralen Bildgebung (Thieme, 1988).

Google Scholar

Evans, AC et al. Statistische neuroanatomische 3D-Modelle aus 305 MRT-Bänden. Im Jahr 1993 wurde die IEEE Conference Record Nuclear Science Symposium and Medical Imaging Conference, 1813–1817, Band 1813 (1993), veröffentlicht.

Klein, A. et al. Evaluierung volumenbasierter und oberflächenbasierter Methoden zur Registrierung von Gehirnbildern. Neuroimage 51, 214–220. https://doi.org/10.1016/j.neuroimage.2010.01.091 (2010).

Artikel PubMed Google Scholar

Ghosh, SS et al. Bewertung der Gültigkeit der volumenbasierten und oberflächenbasierten Gehirnbildregistrierung für Studien zur kognitiven Entwicklungsneurowissenschaft bei Kindern im Alter von 4 bis 11 Jahren. Neuroimage 53, 85–93. https://doi.org/10.1016/j.neuroimage.2010.05.075 (2010).

Artikel PubMed Google Scholar

Nieto-Castanon, A., Ghosh, SS, Tourville, JA & Guenther, FH Region-of-Interest-basierte Analyse funktioneller Bildgebungsdaten. Neuroimage 19, 1303–1316. https://doi.org/10.1016/s1053-8119(03)00188-5 (2003).

Artikel PubMed Google Scholar

Fischl, B., Sereno, MI, Tootell, RB & Dale, AM Hochauflösende intersubjektbezogene Mittelung und ein Koordinatensystem für die kortikale Oberfläche. Summen. Brain Mapp. 8, 272–284. https://doi.org/10.1002/(sici)1097-0193(1999)8:4%3c272::aid-hbm10%3e3.0.co;2-4 (1999).

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

Brodoehl, S., Gaser, C., Dahnke, R., Witte, OW & Klingner, CM Oberflächenbasierte Analyse erhöht die Spezifität kortikaler Aktivierungsmuster und Konnektivitätsergebnisse. Wissenschaft. Rep. 10, 5737. https://doi.org/10.1038/s41598-020-62832-z (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Fischl, B. et al. Kortikale Faltmuster und Vorhersage der Zytoarchitektur. Großhirn. Cortex 18, 1973–1980. https://doi.org/10.1093/cercor/bhm225 (2008).

Artikel PubMed Google Scholar

Anticevic, A. et al. Vergleich oberflächenbasierter und volumenbasierter Analysen funktioneller Neuroimaging-Daten bei Patienten mit Schizophrenie. Neuroimage 41, 835–848. https://doi.org/10.1016/j.neuroimage.2008.02.052 (2008).

Artikel PubMed Google Scholar

Pantazis, D. et al. Vergleich von markenbasierten und automatischen Methoden zur kortikalen Oberflächenregistrierung. Neuroimage 49, 2479–2493. https://doi.org/10.1016/j.neuroimage.2009.09.027 (2010).

Artikel PubMed Google Scholar

Van Essen, DC & Drury, HA Struktur- und Funktionsanalysen der menschlichen Großhirnrinde mithilfe eines oberflächenbasierten Atlas. J. Neurosci. 17, 7079–7102. https://doi.org/10.1523/jneurosci.17-18-07079.1997 (1997).

Artikel PubMed PubMed Central Google Scholar

Frost, MA, Esposito, F. & Goebel, R. Verbesserte Korrespondenz von Ruhezustandsnetzwerken nach makroanatomischer Ausrichtung. Summen. Brain Mapp. 35, 673–682. https://doi.org/10.1002/hbm.22191 (2014).

Artikel PubMed Google Scholar

Hinds, OP et al. Genaue Vorhersage der V1-Position anhand kortikaler Falten in einem Oberflächenkoordinatensystem. Neuroimage 39, 1585–1599. https://doi.org/10.1016/j.neuroimage.2007.10.033 (2008).

Artikel PubMed Google Scholar

Weiner, KS et al. Definieren der wahrscheinlichsten Position des parahippocampalen Ortsbereichs mithilfe kortexbasierter Ausrichtung und Kreuzvalidierung. Neuroimage 170, 373–384. https://doi.org/10.1016/j.neuroimage.2017.04.040 (2018).

Artikel PubMed Google Scholar

Rosenke, M., van Hoof, R., van den Hurk, J., Grill-Spector, K. & Goebel, R. Ein probabilistischer Funktionsatlas des menschlichen okzipito-temporalen visuellen Kortex. Großhirn. Cortex https://doi.org/10.1093/cercor/bhaa246 (2020).

Artikel PubMed PubMed Central Google Scholar

Huang, T., Chen, X., Jiang, J., Zhen, Z. & Liu, J. Ein probabilistischer Atlas des menschlichen Bewegungskomplexes, erstellt aus umfangreichen funktionalen Lokalisiererdaten. Summen. Brain Mapp. 40, 3475–3487. https://doi.org/10.1002/hbm.24610 (2019).

Artikel PubMed PubMed Central Google Scholar

Di Russo, F., Martínez, A. & Hillyard, SA Quellenanalyse ereignisbezogener kortikaler Aktivität während der visuell-räumlichen Aufmerksamkeit. Großhirn. Cortex 13, 486–499. https://doi.org/10.1093/cercor/13.5.486 (2003).

Artikel PubMed Google Scholar

Di Russo, F., Martínez, A., Sereno, MI, Pitzalis, S. & Hillyard, SA Kortikale Quellen der frühen Komponenten des visuell evozierten Potenzials. Summen. Brain Mapp. 15, 95–111. https://doi.org/10.1002/hbm.10010 (2002).

Artikel PubMed Google Scholar

Shigihara, Y., Hoshi, H. & Zeki, S. Frühe visuelle kortikale Reaktionen, die durch Schachbrettmusterstimulation erzeugt werden. Neuroimage https://doi.org/10.1016/j.neuroimage.2016.03.078 (2016).

Artikel PubMed Google Scholar

Kraft, A. et al. fMRI-Localizer-Technik: Effiziente Erfassung und funktionelle Eigenschaften einzelner retinotopischer Positionen im menschlichen visuellen Kortex. Neuroimage 28, 453–463. https://doi.org/10.1016/j.neuroimage.2005.05.050 (2005).

Artikel PubMed Google Scholar

Bressler, DW & Silver, MA Räumliche Aufmerksamkeit verbessert die Zuverlässigkeit von fMRT-Retinotop-Kartierungssignalen im okzipitalen und parietalen Kortex. Neuroimage 53, 526–533. https://doi.org/10.1016/j.neuroimage.2010.06.063 (2010).

Artikel PubMed Google Scholar

Anderson, J., Cameron, E. & Levine, M. Eine Methode zur Quantifizierung von Gesichtsfeldinhomogenitäten. Vis. Res. 105, 25. https://doi.org/10.1016/j.visres.2014.09.010 (2014).

Artikel Google Scholar

Liu, T., Heeger, DJ & Carrasco, M. Neuronale Korrelate der visuellen vertikalen Meridianasymmetrie. J. Vis. 6, 1294–1306. https://doi.org/10.1167/6.11.12 (2006).

Artikel PubMed Google Scholar

O'Connell, C. et al. Strukturelle und funktionelle Korrelate der Gesichtsfeldasymmetrie im menschlichen Gehirn mittels Diffusions-Kurtosis-MRT und funktionellem MRT. NeuroReport 27, 1225–1231. https://doi.org/10.1097/wnr.0000000000000682 (2016).

Artikel PubMed PubMed Central Google Scholar

Rubin, N., Nakayama, K. & Shapley, R. Verbesserte Wahrnehmung illusorischer Konturen im unteren gegenüber dem oberen visuellen Halbfeld. Wissenschaft 271, 651–653. https://doi.org/10.1126/science.271.5249.651 (1996).

Artikel ADS CAS PubMed Google Scholar

Bullmore, E. & Sporns, O. Komplexe Gehirnnetzwerke: Graphentheoretische Analyse struktureller und funktionaler Systeme. Nat. Rev. Neurosci. 10, 186–198. https://doi.org/10.1038/nrn2575 (2009).

Artikel CAS PubMed Google Scholar

Chen, H., Yao, D. & Liu, Z. Eine Studie zur Asymmetrie des räumlichen Gesichtsfeldes durch Analyse der fMRI BOLD-Reaktion. Gehirntopogr. 17, 39–46. https://doi.org/10.1023/b:brat.0000047335.00110.6a (2004).

Artikel PubMed Google Scholar

Loughnane, GM, Shanley, JP, Lalor, EC & O'Connell, RG Verhaltens- und elektrophysiologische Hinweise auf gegensätzliche laterale visuell-räumliche Asymmetrien im oberen und unteren Gesichtsfeld. Cortex 63, 220–231. https://doi.org/10.1016/j.cortex.2014.09.003 (2015).

Artikel PubMed Google Scholar

Eickhoff, SB, Rottschy, C., Kujovic, M., Palomero-Gallagher, N. & Zilles, K. Organisationsprinzipien des menschlichen visuellen Kortex, enthüllt durch Rezeptorkartierung. Großhirn. Cortex 18, 2637–2645. https://doi.org/10.1093/cercor/bhn024 (2008).

Artikel PubMed PubMed Central Google Scholar

Curcio, CA & Allen, KA Topographie von Ganglienzellen in der menschlichen Netzhaut. J. Comp. Neurol. 300, 5–25. https://doi.org/10.1002/cne.903000103 (1990).

Artikel CAS PubMed Google Scholar

Silson, EH, Reynolds, RC, Kravitz, DJ & Baker, CI Differenzielle Abtastung des visuellen Raums im ventralen und dorsalen frühen visuellen Kortex. J. Neurosci. 38, 2294–2303. https://doi.org/10.1523/jneurosci.2717-17.2018 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Hagler, DJ Jr. Gesichtsfeldasymmetrien bei visuell evozierten Reaktionen. J. Vis. 14, 13. https://doi.org/10.1167/14.14.13 (2014).

Artikel PubMed PubMed Central Google Scholar

Schmidtmann, G., Logan, AJ, Kennedy, GJ, Gordon, GE & Loffler, G. Deutliche Präferenz für die Objektform im unteren Gesichtsfeld. J. Vis. 15, 18. https://doi.org/10.1167/15.5.18 (2015).

Artikel PubMed Google Scholar

Thomas, NA & Elias, LJ Obere und untere Gesichtsfeldunterschiede bei Wahrnehmungsasymmetrien. Gehirnres. 1387, 108–115. https://doi.org/10.1016/j.brainres.2011.02.063 (2011).

Artikel CAS PubMed Google Scholar

Zito, GA, Cazzoli, D., Müri, RM, Mosimann, UP & Nef, T. Verhaltensunterschiede im oberen und unteren visuellen Halbfeld in der Form- und Bewegungswahrnehmung. Vorderseite. Verhalten. Neurosci. 10, 128–128. https://doi.org/10.3389/fnbeh.2016.00128 (2016).

Artikel PubMed PubMed Central Google Scholar

Bakroon, A. & Lakshminarayanan, V. Sehfunktion bei Autismus-Spektrum-Störungen: Eine kritische Rezension. Klin. Exp. Optom. 99, 297–308. https://doi.org/10.1111/cxo.12383 (2016).

Artikel PubMed Google Scholar

Butler, PD et al. Funktionsstörung der visuellen Verarbeitung im Frühstadium bei Schizophrenie. Bin. J. Psychiatrie 158, 1126–1133. https://doi.org/10.1176/appi.ajp.158.7.1126 (2001).

Artikel CAS PubMed Google Scholar

Butler, PD, Silverstein, SM & Dakin, SC Visuelle Wahrnehmung und ihre Beeinträchtigung bei Schizophrenie. Biol. Psychiatrie 64, 40–47. https://doi.org/10.1016/j.biopsych.2008.03.023 (2008).

Artikel PubMed PubMed Central Google Scholar

Chen, CY et al. Visuelle räumliche Aufmerksamkeit bei Kindern mit Aufmerksamkeitsdefizit-Hyperaktivitätsstörung. Chang Gung Med. J. 25, 514–521 (2002).

PubMed Google Scholar

Hale, TS et al. Visuelle Netzwerkasymmetrie und Standardmodus-Netzwerkfunktion bei ADHS: Eine fMRT-Studie. Vorderseite. Psychiatrie 5, 81. https://doi.org/10.3389/fpsyt.2014.00081 (2014).

Artikel PubMed PubMed Central Google Scholar

Sanz-Cervera, P., Pastor-Cerezuela, G., González-Sala, F., Tárraga-Mínguez, R. & Fernández-Andrés, M.-I. Sensorische Verarbeitung bei Kindern mit Autismus-Spektrum-Störung und/oder Aufmerksamkeitsdefizit-Hyperaktivitätsstörung im häuslichen und Klassenzimmerkontext. Vorderseite. Psychol. 8, 1772–1772. https://doi.org/10.3389/fpsyg.2017.01772 (2017).

Artikel PubMed PubMed Central Google Scholar

Seymour, RA, Rippon, G., Gooding-Williams, G., Schoffelen, JM & Kessler, K. Dysregulierte oszillatorische Konnektivität im visuellen System bei Autismus-Spektrum-Störung. Gehirn 142, 3294–3305. https://doi.org/10.1093/brain/awz214 (2019).

Artikel PubMed PubMed Central Google Scholar

Shimizu, VT, Bueno, OF & Miranda, MC Sensorische Verarbeitungsfähigkeiten von Kindern mit ADHS. Braz. J. Phys. Dort. 18, 343–352. https://doi.org/10.1590/bjpt-rbf.2014.0043 (2014).

Artikel PubMed PubMed Central Google Scholar

Bittner, RA et al. Das Wann und Wo einer Funktionsstörung des Arbeitsgedächtnisses bei früh einsetzender Schizophrenie – eine funktionelle Magnetresonanztomographie-Studie. Großhirn. Cortex 25, 2494–2506. https://doi.org/10.1093/cercor/bhu050 (2015).

Artikel PubMed Google Scholar

Butler, PD, Thompson, JL, Seitz, AR, Deveau, J. & Silverstein, SM Visuelle Wahrnehmungskorrektur für Personen mit Schizophrenie: Begründung, Methode und drei Fallstudien. Psychiater Rehabilitation. J. 40, 43–52. https://doi.org/10.1037/prj0000212 (2017).

Artikel PubMed Google Scholar

Haenschel, C. et al. Beitrag einer beeinträchtigten visuellen Verarbeitung im Frühstadium zur Funktionsstörung des Arbeitsgedächtnisses bei Jugendlichen mit Schizophrenie: Eine Studie mit ereignisbezogenen Potenzialen und funktioneller Magnetresonanztomographie. Bogen. Gen. Psychiatrie 64, 1229–1240. https://doi.org/10.1001/archpsyc.64.11.1229 (2007).

Artikel PubMed Google Scholar

Manoach, DS Dysfunktion des präfrontalen Kortex während der Arbeitsgedächtnisleistung bei Schizophrenie: Diskrepante Ergebnisse in Einklang bringen. Schizophr. Res. 60, 285–298. https://doi.org/10.1016/s0920-9964(02)00294-3 (2003).

Artikel PubMed Google Scholar

French, L. & Paus, T. Eine FreeSurfer-Ansicht des kortikalen Transkriptoms, das aus dem Allen Human Brain Atlas generiert wurde. Vorderseite. Neurosci. https://doi.org/10.3389/fnins.2015.00323 (2015).

Artikel PubMed PubMed Central Google Scholar

Gulban, OF et al. Verbesserung eines probabilistischen zytoarchitektonischen Atlas des auditorischen Kortex mithilfe einer neuartigen Methode zur interindividuellen Ausrichtung. Elife 9, e56963. https://doi.org/10.7554/eLife.56963 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Hawrylycz, MJ et al. Ein anatomisch umfassender Atlas des Transkriptoms des erwachsenen menschlichen Gehirns. Natur 489, 391–399. https://doi.org/10.1038/nature11405 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Sabuncu, MR et al. Funktionsbasierte intersubjektbezogene Ausrichtung der menschlichen kortikalen Anatomie. Großhirn. Kortex 20, 130–140. https://doi.org/10.1093/cercor/bhp085 (2009).

Artikel PubMed Central Google Scholar

Conroy, BR, Singer, BD, Guntupalli, JS, Ramadge, PJ & Haxby, JV Subjektübergreifende Ausrichtung der menschlichen kortikalen Anatomie mithilfe funktioneller Konnektivität. Neuroimage 81, 400–411. https://doi.org/10.1016/j.neuroimage.2013.05.009 (2013).

Artikel PubMed Google Scholar

Glasser, MF et al. Eine multimodale Parzellierung der menschlichen Großhirnrinde. Natur 536, 171–178. https://doi.org/10.1038/nature18933 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Gulban, OF et al. Verbesserung eines probabilistischen zytoarchitektonischen Atlas des auditorischen Kortex mithilfe einer neuartigen Methode zur interindividuellen Ausrichtung. Elife 9, 25. https://doi.org/10.7554/eLife.56963 (2020).

Artikel Google Scholar

Oldfield, RC Die Bewertung und Analyse der Händigkeit: Das Edinburgh-Inventar. Neuropsychologia 9, 97–113. https://doi.org/10.1016/0028-3932(71)90067-4 (1971).

Artikel CAS PubMed Google Scholar

Goebel, R., Esposito, F. & Formisano, E. Analyse von FIAC-Daten (Functional Image Analysis Contest) mit Brainvoyager QX: Von der Einzelsubjektanalyse zur allgemeinen linearen Modellanalyse mit kortikal ausgerichteter Gruppe und zur selbstorganisierenden gruppenunabhängigen Komponentenanalyse. Summen. Brain Mapp. 27, 392–401. https://doi.org/10.1002/hbm.20249 (2006).

Artikel PubMed PubMed Central Google Scholar

Sled, JG, Zijdenbos, AP & Evans, AC In Proceedings of the 15th International Conference on Information Processing in Medical Imaging 459–464 (Springer-Verlag, 1997).

Hou, Z., Huang, S., Hu, Q. & Nowinski, WL Eine schnelle und automatische Methode zur Korrektur von Intensitätsinhomogenitäten in MR-Gehirnbildern. Med. Bildberechnung. Berechnen. Helfen. Interv. 9, 324–331. https://doi.org/10.1007/11866763_40 (2006).

Artikel PubMed Google Scholar

Kriegeskorte, N. & Goebel, R. Ein effizienter Algorithmus zur topologisch korrekten Segmentierung der Kortikalisschicht in anatomischen MR-Volumina. Neuroimage 14, 329–346 (2001).

Artikel CAS Google Scholar

Fan, X. et al. Stoffwechseleffekte von zusätzlich verabreichtem Aripiprazol bei mit Clozapin behandelten Patienten mit Schizophrenie. Acta Psychiatr. Scan. 127, 217–226. https://doi.org/10.1111/acps.12009 (2013).

Artikel CAS PubMed Google Scholar

Breman, H. et al. In Biomedical Image Registration (Hrsg. Špiclin, Ž et al.) 122–130 (Springer, 2020).

Kapitel Google Scholar

Greve, DN & Fischl, B. Präzise und robuste Ausrichtung von Gehirnbildern mithilfe grenzenbasierter Registrierung. Neuroimage 48, 63–72. https://doi.org/10.1016/j.neuroimage.2009.06.060 (2009).

Artikel PubMed Google Scholar

Heckemann, RA et al. Automatische Morphometrie bei Alzheimer-Krankheit und leichter kognitiver Beeinträchtigung. Neuroimage 56, 2024–2037. https://doi.org/10.1016/j.neuroimage.2011.03.014 (2011).

Artikel PubMed Google Scholar

Wang, L., Mruczek, RE, Arcaro, MJ & Kastner, S. Wahrscheinlichkeitskarten der visuellen Topographie im menschlichen Kortex. Großhirn. Cortex 25, 3911–3931. https://doi.org/10.1093/cercor/bhu277 (2015).

Artikel CAS PubMed Google Scholar

Yamamoto, H. et al. Inkonsistenz und Unsicherheit der Orte des menschlichen Sehbereichs nach oberflächenbasierter Registrierung: Wahrscheinlichkeits- und Entropiekarten. Summen. Brain Mapp. 33, 121–129. https://doi.org/10.1002/hbm.21200 (2012).

Artikel PubMed Google Scholar

Referenzen herunterladen

Die Autoren danken insbesondere Deliah Macht, Christina Raab und Leonie Winkler-Lauble für ihre Hilfe bei der Datenerfassung. CV Barnes-Scheufler wurde durch ein „main doctus“-Stipendium der Polytechnischen Stiftung Frankfurt am Main unterstützt. E. Raspor wurde durch ein Forschungsstipendium für Doktorandenprogramme in Deutschland vom Deutschen Akademischen Austauschdienst (DAAD) unterstützt.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Klinik für Psychiatrie, Psychosomatische Medizin und Psychotherapie und Brain Imaging Center, Universitätsklinikum Frankfurt, Goethe-Universität, Frankfurt am Main, Deutschland

Mishal Qubad, Catherine V. Barnes-Scheufler, Eva Raspor, Lara Rosler, Carmen Schiweck, Andreas Reif und Robert A. Bittner

Leibniz-Institut für Resilienzforschung, Mainz, Deutschland

Michael Schaum

Niederländisches Institut für Neurowissenschaften, Amsterdam, Niederlande

Lara Rösler & Rainer Goebel

Institut für Medizinische Psychologie, Universitätsklinikum Frankfurt, Goethe-Universität, Frankfurt am Main, Deutschland

Benjamin Peters

Zuckerman Mind Brain Behavior Institute, Columbia University, New York, NY, USA

Benjamin Peters

Abteilung für kognitive Neurowissenschaften, Fakultät für Psychologie und Neurowissenschaften, Universität Maastricht, Maastricht, Niederlande

Rainer Goebel

Ernst-Strüngmann-Institut für Neurowissenschaften (ESI) in Kooperation mit der Max-Planck-Gesellschaft, Frankfurt am Main, Deutschland

Robert A. Bittner

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben wesentliche Beiträge zur Konzeption oder Gestaltung des Werks oder zur Erfassung, Analyse oder Interpretation von Daten geleistet. AR und RAB haben Finanzmittel eingeworben. RAB, BP, MS und LR haben das Experiment entworfen. MQ, CVB-S., LR und RAB haben die Daten erfasst. ER und RG stellten Analysetools zur Verfügung. MQ, CS und RAB analysierten die Daten. MQ und RAB führten die Literaturrecherche durch und verfassten den ersten Entwurf des Manuskripts. Alle Autoren haben zum Manuskript beigetragen und es überarbeitet. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Robert A. Bittner.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Qubad, M., Barnes-Scheufler, CV, Schaum, M. et al. Verbesserte Übereinstimmung der fMRT-Gesichtsfeldlokalisierungsdaten nach kortexbasierter makroanatomischer Ausrichtung. Sci Rep 12, 14310 (2022). https://doi.org/10.1038/s41598-022-17909-2

Zitat herunterladen

Eingegangen: 01. Juli 2021

Angenommen: 02. August 2022

Veröffentlicht: 22. August 2022

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.