Methoden - Funktionelle Bildgebung

• Strukturelle Bildgebung

  • Statisches Bild

  • Messung bestimmter Aspekte der Anatomie

• Funktionelle Bildgebung

  • Dynamische Zeitreihe von Bildern

  • Messung bestimmter Aspekte der Gehirnfunktion

• Idee: kognitive Anforderungen führen zu Akkumulation von Blus im Gehirn und zu einem Ausschlag der Waage

• Kann nur funktionieren, wenn das Gesamtblutvolumen bei kognitiven Anforderungen im Gehirn ansteigt, eher nicht der Fall

• Dass man Blutfluss misst, hat sich bestätigt

• Positronen-Emissions-Tomographie (PET)

• Funktionelle Magnetresonanztomographie (fMRT)

• Neuronale Aktivität -> erhöter Sauerstoff- und Glukoseverbrauch

• PET misst die Anreicherung bestimmter radioaktiv markierter „Tracer“ in einer Regeion, z.B. markierte Glukose, Sauerstoff

• fMRT misst die Sauerstoffsättigung des Blutes —> Latenz dieser Reaktionen ist langsam (mehrere Sekunden) —> schlechte zeitliche aber gute räumliche Auflösung (komplementär zur EEG)

• Nuklearmedizinische Methode: Injektion radioaktiver „Tracer“

  • Invasive Methode

  • Dadurch sehr kleine Stichprobe -> muss das sehr gut begründen, weil es invasiv ist

• Akkumulation der Tracer in Hirnregionen wird gemessen

• Dadurch Messung von z.B. Glukoseverbrauch

  • Bindung der Tracer an Rezeptoren, um Rezeptorverteilung messen zu können

• ❌Bis zu 30sec bis Akkumulation den „Peak“ erreicht

1. Isotop mit kurzer Halbwertszeit (Radionuklid) wird als Tracer an Molekül gehängt (z.B. Glukose, kann aber auch ein Ligand für einen bestimmten Rezeptor sein)

2. Tracer wird injiziert (über Blut-Hirn-Schranke)

3. Radionuklid gibt Positronen ab (Positronenemission)

4. Positionen kollidieren spätestens nach ca. 2-3mm mit Elektron

5. Hierbei werden zwei Gammastrahlen im Winkel von 180° freigesetzt

6. Diese Strahlung kann gemessen werden und ein Rükschluss auf die Verteilung des Tracers ist rechnerisch möglich (Rückschluss auf Position der Positronen-Emission möglich)

7. Dort wo der Tracer sich anreichert, ist ein verstärkter radioaktiver Zerfall messbar

• Tracer reichert sich da an, wo er z.B. an Dopaminrezeptoren andocken kann

• messen Zeitpunkt, wo Tracer angedockt ist?

• Kann daraus Karten erstellen, wo sich Tracer vor allem befindet

• 18F-Flourdesoxyglucose (FDG-PET): Glukosemetabolismus

• 15O-Wasser: Perfusion (Blutfluss), regional cerebral blood flow (rCBF)

• 11C-Racloprid: Dopamin-D2-Rezeptor-Verfürbarkeit

• 18F-DOPA: präsynaptische Dopamin-Verfügbarkeit (aus L-DOPA wird Dopamin synthetisiert)

• Mittlerweile in der psychologischen Forschung weitestgehend durch fMRT ersetzt

• Hauptnutzung heute nicht mehr kognitive „Aktivierung“ sondern Messung bestimmter Transmitter oder Rezeptoren

• Tracer binden z.B. an bestimmte Rezeptoren -> Messung der Rezeptorverfügbarkeit (und Verteilung dieser)

• Sehr relevant, um z.B. herauszufinden, wo sich Dopamin befindet im Gehirn

• Beispiel

  • 11C-Racloprid: Bindet an Dopamin D2 Rezeptoren und konkurriert so mit dem endogenen Dopamin (um die Bindung an die Rezeptoren)

  • Gruppen- oder Bedingungsunterschied in der Akkumulation von 11C-Racloprid -> Unterschied in der Anzahl an D2 Rezeptoren und/oder der Konzentration von Dopamin

    • Könnte dann heißen, dass eine Gruppe mehr Rezeptoren haben und Tracer deswegen mehr binden kann oder hat weniger Dopamin und deswegen klaut Dopamin nicht so viele Rezeptoren -> gibt immer diese zwei Möglichkeiten

• N = 23 Kontrollen

• N = 20 Kokainabhängige

• Bild rechts zeigt Scans von einer Kontrollperson und einem Patienten

• Reduzierte Verfügbarkeit von Dopamin D2-Rezeptoren bei Kokain-Abhängigkeit (weniger Rezeptoren oder mehr Dopamin?)

• ❌Im Striatum sehr hohe Bindung von Racloprid

  • Sehr großer Unterschied zu Personen mit Kokainabhängigkeit -> deutlich weniger Bindung

• Wird meist so interpretiert, dass man geringere Rezeptorverfügbarkeit hat -> physiologisch sinnvoll, da man Überstimulation hat durch Kokain

• Kann aber auch sein, dass insgesamt mehr Dopaminfreisetzung stattfindet -> das kann man nicht ausschließen

• Risikofaktor? Oder Konsequenz der Abhängigkeit?

  • Braucht longitudinale Studien, um zu sehen, wie sich das entwickelt

  • Kann dann aber auch nicht mit beantworten, ob das auf Dopaminverügbarkeit oder Rezeptoren zurückzuführen wäre

• Nader et al. (2006): Effekt von Kokain-Selbstadministration auf D2-Rezeptor Verfügbarkeit in N=12 Affen

• Baseline Rezeptorverfügbarkeit korreliert mit der Selbstadministration (-> Risikofaktor)

  • Je geringer Rezeptorverfügbarkeit ist, desto schneller eskalisert Selbstadministration

• Rezeptorverfügbarkeit wird geringer nach längerer Selbstadministration (-> Konsequenz des Substanzmissbrauchs)

• Haben Evidenz dafür gefunden, dass es Risikofaktor ist und dafür, dass es Anpassungsmechanismus ist

• Mit Einschränkungen, dass es auch mehr Dopamin ist (muss nicht auf weniger Rezeptoren zurückzuführen sein -> siehe Folie vorher)

• Zwei Aspekte sind wichtig

• Was ist die physikalische Grundlage des gemessenen Signals? -> Anknüpfung an unsere früheren Überlegungen zur Grundlage von MRT

  • Sauerstoffsättigung des Blutes hat Einfluss auf Relaxationsprozesse und wie die ablaufen -> das ist die Grundlage

• Welchen Aspekt der Physiologie spiegelt das Signal wider? -> neurovaskuläre Kopplung (=Zusammenhang zwischen neuronaler Aktivität und vaskulären Änderungen)

  • wie ist Zusammenhang zwischen neuronaler Aktivität und Durchblutungsveränderungen

• Nancy Kanwisher hat fusiformes Gesichtsareal entdeckt

• Paulig & Coryell (1936): Desoxyhämoglobin und Oxyhämoglobin haben unterschiedliche magnetische Eigenschaften

• Sauerstoffsättigung des Blutes als „körpereigenes“ Kontrastmittel

• Ogawa et al. (1990): Blood-Oxygenation-Level-Dependent-Effect (BOLD-Effekt) - gemessenes fMRT Signal ist abhängig von der Verfügbarkeit von Desoxyhämoglobin

• Ablauf

  • Neuronale Aktivität steigt an -> Sauerstoffverbrauch steigt an

  • Zunächst: Anstieg in Desoxyhämoglobin

  • Dann: mehr sauerstoffreiches Blut fließt in Hirnareal -> Überkompensation des Bedarfs (dann steigt Anteil an Oxyhämoglobin -> diese Unterschiede werden beim fMRT gemessen)

• Nettomagnetisierung klappt auf 0

• Direkt davor präzessieren durch Anregung der Spins diese in Phase / im Kreisel -> synchronisieren sich und Magnetisierung dreht sich kurze Zeit in der Ebene

• Nimmt dann aber ganz schnell wieder ab und hat Situation des 3. Bildes

  • Transversalmagnetisierung nimmt ab, weil Spins interagieren und weil das Magnetfeld in der Probe nicht überall homogen ist -> Spins werden entsprechend unterschiedlich beeinflusst

  • Auf Magnetfeldinhomogenität nehmen Oxy- und Desoxyhämoglobin Einfluss

• Oxy-Hämoglobin ist diamagnetisch

• Desoxy-Hämoglobin ist paramagnetisch und verzerrt das umliegende Magnetfeld -> Einfluss auf T2*-Signal

• Je größer der Anteil an Oxyhämoglobin (Desoxyhämoglobin), desto größer (kleiner) die T2*-Relaxationszeit, desto kleiner (größer) der Quotient 1/Relaxationszeit -> BOLD-Effekt

• Abbildung

  • X: Prozentsatz an Oxyhämaglobin

  • Y: 1 durch Relaxationszeit (T1 & T2)

  • Oxy- und Desoxy haben keinen Einfluss auf T1

  • Haben aber starken Einfluss auf T2 -> linearer Zusammenhang -> T2 sehr emfpindlich dafür, wie viel Oxy & Desoxy in der Probe ist

  • Ist die Basis für das Signal

• Rattenstudie

  • Oben sieht man nichts besonderes bezüglich auf T2

  • Unten hat man aber stärkeren Anteil von Desoxy

• Wie ist neuronale Aktivität an die Regulation der Blutgefäße gekoppelt? -> Neurovaskuläre Kopplung

• Stark vereinfachter Ablauf

• Neuronale Aktivität proxiamler Neurone führt zu Ca2+Signal („Ca2+Welle“) in Astrozyten; Ca2+ breitet sich über Gap Junction im lokalen Astrozytennetzwerk aus

• Ca2+ führt in Astrozyten der angrenzenden Blutgefäße

  • Astrozyten merken die neuronale Aktivität

• Astrozyten registrieren proximale neuronale Aktivität u.a. über eigenen Rezeptoren (z.B. metabotrope & AMPA-Glutamatrezeptoren) -> Ca2+Welle

• Synapsen sind von Astrozyten umgeben -> hat immer drei Beteiligte (Präsynapse, Postsynapse und Astrozyten)

• Astrozyten haben auch Rezeptoren -> dadruch merken die synaptische Aktivität und reagieren entsprechend auf Transmitterfreisetzung mit Calciumwelle

• gibt immer wieder Stellen, bei denen man noch nciht genau weiß, wie diese beteiligt sind

• Müssen Inhalte der Abbildung nicht wissen

• Herz -> Arterien -> Gehirn (sauerstoffhaltiges Blut)

• Gehirn -> Venen -> Herz (sauerstoffarmes Blut)

• Begrenzung der Räumlichen Auflösung des fMRTs sind die Blutgefäße -> kleiner kann man es nicht auflösen

• Veränderung der BOLD-Antwort über die Zeit: hämodynamische Antowrt (HFT, haemodynamic Response function)

• Zum Zeitpunkt 0 wird der Reiz gezeigt

• Peak der BOLD Antwort nach ca. 6-8s -> Begrenzung der zeitlichen Auflösung (sehr schlechte zeitliche Auflösung)

• Über die Form der HRF können wir Erwartungen über das gemessene BOLD Signal in Abhängigkeit unseres experimentellen Designs erstellen

  • ❌Je nach ITI/ISI überlagern sich aufeinanderfolgende HRFs

  • ❌Dekorrelation verschiedener experimenteller Bedingungen von größter Wichtigkeit

• Da man weiß, wie die Antwortfunktion aussieht, kann man mit diesem Wissen Erwartungen formulieren, wie in einem bestimmten Experiment in Bedingungen die hämodynamische Antwort aussieht

  • Hat Information über Timing der Reizpräsentation (z.B. Gesichtsreize jeweils immer dann gezeigt)

  • Weiß, dass auf jeden dieser Reize die BOLD-Antwort diese Form hat

  • Wenn man diese beiden Infos zusammenbringt, bekommt man vorhergesagte Zeitreihe raus für ein bestimmtes Areal, das immer dann aktiv ist, wenn Reize gezeigt werden

  • Vorne starke Aktivierung, da Reize schnell aufeinanderfolgen und HRFs sich überlagern ; wenn nichts passiert, geht Antwort wieder runter

  • ❌Bezieht sich auf einen Voxel

  • Wenn man verschiedene Reize zeigt, muss man die BOLD-Antworten für die jeweiligen Reize trennen können -> knan man nicht allzu schnell aufeinander zeigen und sollen möglichst nicht immer mit gleichem Abstand gezeigt werden

    • Abstände sollten variiert sein, wenn man Bedingungen miteinander vergleichen möchte

      • Wenn die immer den gleichen Abstand hätten, würden sie das gleiche Signal vorhersagen

    • ❌Auch vom Kosten-Nutzen-Verständnis her das beste (Jittern)

• Ist die Grundlage dafür, wie man statistisch die fMRT-Daten auswertet

• Block vs. Event-related -> gradueller Unterschied

• Block-Design

  • Hat viele Reize in einem langen Block (z.B. 20 Sek)

  • Mittelt am Schluss über die Blöcke die Hirnaktivität

  • Kann BOLD-Antwort auf einzelne Reize nicht mehr trennen, weil Reize zu schnell nacheinanderkommen -> BOLD-Antwort ist Plateau

• Event-Related

  • Kann Anzahl der Reize und Länge der Blöcke immer verringern -> irgendwann ist man bei einzelnem Reiz -> event-related

  • Bekommt für die einzelnen Reize BOLD-Antwort

• Vorteile Event-related

  • Verhaltensabhängige Klassifikation von Trials für einzelne VP

  • Aktivierung auf einzelne Stimuli kann gemessen werden

  • Macht man heutzutage eigentlich nur noch

• ❌Evtl. Vorteil Block-design: stärkere Effekte (weil man über ganze 20 Sekunden mittelt)

  • Effekte sind aber sehr unspezifisch, weil in diesen Blöcken alles mögliche im Gehirn passiert (Kodierung, Abgleichung, Entscheidung, Antwort etc.) -> kann man nicht voneinander trennen

• Blöcke wechseln sich ab (nicht immer nur A, B, A, B)

• Bekommt für jede Bedingung vorhergesagte BOLD-Antwort

• Analyse mittes GLM: General linear model

  • Zeitreihe in jedem Voxel wird als Linearkombination der vorhergesagten Aktivierung für die unterschiedlichen experimentellen Bedingungen modeliiert

  • Rechnet die Regressionskoeffizienten für die einzelnen Effekte aus

• PET eigentlich immer Block, weil zeitliche Auflösung so schlecht ist

• ❌Blutfluss bzw. Zufluss von Oxyhämoglobin findet kontinuierlich statt

• Idee der Substraktionslogik: betrachten von relativen Unterschieden in der Aktiviverung

  • Guckt sich Unterschiede in Aktivität in verschiedenen Bedingungen an

• Problem: was ist eine adäquate Vergleichsbedingung bzw. Ruhgebegingung? Bei „Ruhe“ oder „Fixation“ -> substantielle Aktivierungen (Augenbewegungen, mentale Vorstellung etc.)

  • Bei Fixation nicht gut kontrolliert, was die Personen in der Zeit machen

  • Sollte Bedingungen so Designen, dass sie sich nur in dem einen Prozess unterscheiden, der einen interessiert

• Region ist in Bedingung A „aktiv“, wenn in A ein stärkeres Signal gemessen wird als in einer Vergleichsbedingung

• ❌Zentrale Bedeutung des experimentellen Designs - Junk in, Junk out

• Kategoriale Designs / Kognitive Substraktion

  • Typische Substraktionslogik

• Faktorielle Designs

• Parametrische Designs

• Verarbeitung eines Wortes hat unterschiedliche Aspekte

• Könnte Wörter nehmen, die eine Bedeutung haben und Phantasiewörter oder Bild nehmen und Wort

• versucht, bestimmte kognitive Prozesse durch Kontrastbildung zu isolieren

• Durchgestrichen: hat die jeweiliegen Sachen bei der Methode mit drin, ist nur nicht das, woran der Unterschied gemessen wird (deswegen durchgestrichen)

• Sehr kompliziert, weil man experimentelle Bedingungen immer feiner definieren muss

• Bei komplexeren Fragestellungen stößt der Ansatz schnell an seine Grenzen -> Proble der adäquaten Kontrollbedingung

• Grundannahme der „pure Insertion“ - Prozesse lassen sich ohne Interaktionen „addieren“ - aber: Effekte sind oft kontextabhängig

  • Annahme ist immer, dass sich nur die eine Bedingung verändert, aber kann auch sein, dass das interagiert und es Interaktionseffekte gibt —> Faktorielle Designs (versucht, damit das Problem pure Insertion zu lösen)

• Why we can`t tickle ourselves

• Hat faktorielles Design, bei dem man Interaktionseffekte direkt messen kann

• kann sich entsprechend die Haupteffekte und Interaktionseffekte angucken

• Interessierende Variable ist kontinuierlich (statt kategorisch, wie bei faktoriellen Designs), nicht binär

• Beispiel: Anzahl gesprochener Worte / Minute

  • Hat unterschiedliche Effekte für unterschiedliche Areale

  • Wernicke: geht an bei sprachlichem Input und bleibt dann auf ähnlichem Niveau

  • Dorso-lateraler Kortex: für mittlere Anzahl starke Aktivität, aber schaltet ab gewissem Input ab (ggf. bis zu dem Punkt, dass man Worte noch im Arbeitsgedächtnis behalten kann)

  • Auditorischer: steigt linear an

• Werden auch benutzt, wenn sich die interessierende Variable von Trial zu trial ändert

  • Subjektive Ratings (Schmerz, Arousal, Valenz…)

  • Reaktionszeiten

  • Physiologishce Parameter (Pupillendilatation, Hautleitwert…)

  • Parameter von computationalen Modellen

  • Zeitliche Veränderungen in der Amplitude des BOLD Signals (time Modulation)

    • Gibt es Habituationseffekte?

  • Sichtbarkeit von Reizen, Intensität von Bildern (Arousal)

• ❌Hypothesen über die Form der Stimulus-Antwort-Funktion können getestet werden

  • Hypothesen darüber, wie sich Signale in Abhängigkeit von Faktoren verändern

• oben: Vergleicht geringe und hohe Sichtbarkeit

• Unten: interessiert sich eher dafür, wie Abhängigkeit zwischen BOLD und Sichtbarkeit sich darstellt

  • Links linearer Effekt

  • Rechts kein linearer Anstieg: sobald man Gesicht erkennen kann, ist Effekt da

  • Kann man oben nicht voneinander trennen

• bei faktoriellen nur die zwei Punkte, die man messen kann, bei parametrischen hat man auch die Punkte dazwischen (kontinuierlich)

• versucht immer, faktorielles Design zu nehmen

• ❌Bei kognitiven Fragestellungen fällt linker Bereich weg -> wird mit fMRT gemacht

• PET um zu gucken, wo die Rezeptoren sind im Gehirn -> wo wirkt etwas

• muss das erst in Bilder bringen (pre-processing), damit man das auswerten kann und dann macht man statistische Auswertung

• Rechts Unterscheidet sich ncht von anderen Ansätzen

• Das sind die wichtigsten drei Vorverarbeitungsschritte

• Hat die scans (Bildgebung empfindlich für Sauerstoffsättigung)

• Macht erst Bewegungskorrektur (z.B. wenn Kopf im Laufe der Messung bewegt wird, würden sonst Voxel / Bilder nicht mehr übereinanderliegen und das korrigiert man)

  • Sodass Bilder maximal gut auf das Referenzbild passen, bis Abweichung minimal ist

  • Kann sich merken, wie weit man jedes Bild rotieren musste -> sagt, wie viel Bewegung zu dem Zeitpunkt stattgefunden hat

  • Durch Bewegung können auch Artefakte entstehen -> Realignment daher als Kontrolle der Bewegung in statistischer Auswertung

• Als nächstes muss man Bilder in anatomischen Standard bringen -> Normalisierung

• Als letztes macht man die Glättung  -> Signal wird absichtlich räumlich verschmiert

  • ❌Intensität in jedem Bild-Voxel wird durch gewichteten Mittelwert von Voxel selbst und angrenzendem Voxel geglättet

  • Verschmiert, dass sozusagen in den Zwischenräumen auch mittlere Intensitäten sind

  • Räumliche Spezifizität geht dadurch runter, aber hat den Vorteil, dass man dadurch mehr für individuelle Unterschiede der räumlichen Lokalisation des Signals kontrolliert

    • Räumliche Lokalisation ist gut, funktionert aber nicht perfekt -> kann verrutschen -> kann man hiermit etwas korrigieren und ist nicht so empfindlich für Ungenauigkeiten in der Normalisierung

• Hat am Ende bewegungskorrigierte, normalisierte und geglättete Bewegungs-räumliche Scans für jede Proband*in

  • Koordinaten beziehen sich dann auf die gleichen Areale bei allen Personen

• GLM: multiple Regression

• Design matrix: Matrix aus Prädiktoren, mit der man gemessene Zeitreihe in Voxel erklärt

  • AV ist Zeitreihe in einem Voxel (macht man für jedes Voxel, was man gemessen hat)

  • Prädiktoren sind Einträge in der Design-Matrix, z.B. erwartete BOLD-Zeitreihe für eine Bedingung (entsprechend für alle Bedingungen)

  • Design-Matrix ist Modell dessen, was in Voxel passiert

• Hat dann lineares Modell, das man an die gemessenen Daten in jedem Voxel fittet

• Bekommt dann für jeden Prädktor einen Schätzer

• Schätzer sagt, wie in bestimmtem Voxel linearer Zusammenhang zwischen BOLD-Signal und Prädiktor ist

• Bekommt dann für jede Person und jede Bedingung Karte von Gehirn, in dem für jede Voxel Regressionskoeffizienten drin stehen und damit rechnet man weiter

• Guckt dann, wo man z.B. größere Regressionskoeffizienten von Gesichtern vs. Landschaften hat -> bekommt dann Karte aus t-Werten für den Vergleich

  • ❌Hellere / intensivere Farben bilden höheren t-Wert ab

• Kann da noch statistische Schwelle drüber legen

  • RFT: random field theory -> nutzt man, um für multiple Vergleiche in Karten zu korrigieren

• Voxel sind nicht unabhängige Beobachtungen: Voxel nebeneinander korrelieren miteinander

  • Wenn man in anderem Areal ist, gibt es keinen Zusammenhang mehr, aber Zeitreihene sind nicht koplett unabhängig

  • Mit RFT kann man schätzen, wie hoch räumlcihe Korrelation ist und wie viele statisctisch unabhängige Cluster man in Volument hat und korrieigert dann nur noch über Anazahl der unabhängigen Cluster

• Massive univariate Ansatz -> macht das für jeden Voxel einzeln

• ❌Sessionkonstanten nimmt man auch als Konstante mit rein zur Kontrolle

• ❌Manchmal kontrolliert man noch für Kovariate

• ❌BETA 0 -> gibt keinen Zusammenhang zwischen erwarteten und gemessenen Aktivität in dem Voxel?

• Ansatz für parametrische Designs

• Mittels parametrischem Design wird analysiert, in welchen Voxeln die Aktivierungsamplitude mit vorhersagen eines computationelen Modells (hier Rescorla-Wagner-Lernregel) korreliert

• Beispiel, wenn man Lerntask hat und manche werden belohnt -> Erwartung im nächsten Trial besteht aus Erwartung für Belohnung im nächsten Trial plus Abweichung im Lernprozess modifiziert mit Lernrate (Rescorla-Wagner)

  • Korrigiert Erwartung nach unten/oben je nachdem ob man schlechter oder besser als erwartet war

  • Modell liefert in jedem Trial Belohnungserwartung und Erwartungsverletzung

  • Wenn man das Modell an Daten anwendet, bekommt man Zeitreihe für Belohnungserwartung und für Predicition error

  • Striche sind unterschiedlich lang, weil Modell in jedem Trial unterschiedliche Belohnungserwartungen und Erwartungsverletzungen hat -> Amplitude verändert sich

  • Kann dann entsprechend unterschiedliche Erwartungen für z.B. unterschiedliche Areale annehmen

  • Bekommt dann wieder für jedes Voxel Schätzer für linearen Zusammenhang zwischen dem auf Folie und Stärke in Voxel

  • Kann dadurch genauere Informationen bekommen -> kann sich mehr der Frage annähern, was das Areal macht

  • ❌Kann nur gucken, ob Aktivität der vorhergesagten Aktivität entspricht oder Bedingungen vergleichen (Häuser vs. Gesichter) oder gucken, wo Regressionskoeffizient rößer als 0 ist (bezieht sich mehr darauf, wo man überhaupt Aktivität hat)

• Linke BOLD-Antwort Erwartung in einem Areal und rechts Erwartungsfehler

• Bedeutet noch nicht, dass das Modell stimmt -> Frage, ob das Modell das Verhalten gut beschreibt

• Ausschläge nach unten: negative Abweichung vom Mittleren Effekt -> BOLD-Amplitude niedrigerer als der Durchschnitt

• ❌Hemodynamic smoothing: die erwartete Aktiität

• ❌Guckt von trial zu trial, wie sich Effekte unterscheiden

• Unterschiede in der Amplitude kommen aus dem Verhaltensmodell

• ❌Regressionskoeffizienten können auch kleiner als 0 sein

• ❌Ventrales Striatum kodiert Vorhersagefehler

• Logothetis et al., 2001, Nature

  • fMRT spiegelt vor allem postsynaptische Potentiale wider - das kann (muss aber nicht)  mit Aktionspotentialen zusammenhängen

• Tiermodell

• BOLD ist hellrosa Signal

• LFP: Maß für synaptische Aktivität

• MUA: multi unit Aktivität: Aktionspotentiale von Neuronen

• ❌Signale korrelieren alle miteinander

• ❌BOLD korreliert mehr mit lokaler Feld-Aktivität (LFP)

  • Geht davon aus, dass BOLD hauptsähclich mich synaptischer Aktivität korreliert -> kann mit APs zusammenhängen, muss es aber nicht

  • Heißt nicht unbedingt AP, da Signal nicht unbedingt stark genug ist und IPSPs und EPSPs sich aufaddieren

• Sowohl inhibitorische als auch exzitatorische synaptische Aktivität ist mit eröhtem Sauerstoffverbrauch assoziiert

• Aktivierung / Deaktivierung ≠ Erregung / Hemmung

• Zeigt, wie BOLD-Signal ausgelöst werden kann, obwohl Areal gehemmt wird -> inhibitorische synaptische Aktiviätt

• Aktivierung bei BOLD bedeutet nicht immer, dass es eine neuronale Erregung gibt

  • Kann sein, dass nachgeschaltetes Neuron feuert, muss aber nicht

• Szenario 1 (Bildgebung + / Läsion -):

  • Bildgebungsdaten: Region wichtig für Aufgabe

  • Läsionsdaten: Region NICHT essentiell für Aufgabe

• Mögliche Gründe

  • Aktivierung reflektiert nur EINE mögliche Strategie, die Aufgabe zu lösen

  • Aktivierte Region reflektiert allgemeine / unspezifische kognitive Ressource -> nicht spezifisch für die Aufgabe

  • Aktivierte Region wird inhibiert, nicht erregt

  • Läsionsstudien können die Wichtigkeit der Region nicht detektieren (Power, methodologische Unterschiede…)

  • Neuronale Plastizität (v.a. wenn Äsion schon länger her ist) -> großes Problem bei Läsionsstudien, da man nicht weiß, inwiefern Reorganisation stattfindet

• Szenario 2 (Bildgebung - / Läsion +)

  • Bildgebungsdaten: Region NICHT wichtig für Aufgabe

  • Läsionsdaten: Region essentiell für Aufgabe

• Mögliche Gründe

  • Experimentelle und Kontrollbedingungen beanspruchen die Region - Bedingungsvergleich führt zu Nullergebnis

  • Detektion von Aktivierung in der Regreion evtl. schwierig / unmöglich (zu klein, zu große anatomische Variabilität zwischen Probanden, geringes Signal…)

    • Nur weil man im fMRT nichts gesehen hat, bedeutet das nicht, dass da ncihts funktioniert -> hat viele Vorverarbeitungsschritte

    • Voxel sind immer noch sehr groß im Vergleich zu darunterliegender Neuronenpopulation

  • Patienten sind beeinträchtigt auf Grund von Schädigungen von Faserbahnen, die durch das Areal laufen (-> Diskonnektion)

    • Kann Verbindung zu anderen Arealen geben, die wichtig für die Aufgabe sind -> Kommunikation zwischen Arealen ist gestört, ohne dass Läsion in anderem Areal ist

• Können wir mittels fMRT feststellen, was jemand gerade denkt?

• Geht jetzt nicht mehr um einzelne Voxel, sondern Kombination der Information multipler Voxel

Ist „brain reading“ möglich?

• Typisches Experiment

  • Kognitiver Prozess -> Hirndaten

• Funktioniert auch

  • Hirndaten -> kognitiver Prozess

• Man kann z.B. recht gut vorhersagen, welches Objekt jemand gerade anschaut

• Aber: nur wenn der Classifier (oder Decoder) vorher trainiert wurde

  • Wenn man Klassifikationsalgorhythmus trainiert hat über folgende Schritte

    • Lässt ein paar Daten im Training weg und guckt, wie gut man die noch nicht gezeigt hat

• Training

• Hold-Out

• Test

• —> Mehrmals wiederholen, Test-Accuracy Mitteln

• misst in mehreren Hirnarealen mehrere Voxel

• Gelb bis rot -> niedriges bis hohes Signal in Voxel

• Guckt sich Voxelpattern für Objekte an (Pattern der Aktivität)

• Kann dann basierend auf Voxelpattern Algotrhythmus trainieren, der vorhersagt, was angeguckt wird

• Gibt dann Classifier die Voxelaktivierung für noch nicht gezeigte Reize / Aktivierungen und guckt, wie häufig classifier richtig liegt

• ❌Misst generalisiert (Kreuzvalidierung)

• Hat dann Karte für Klassifikationsgenauigkeiten und kann das auf Gruppenebene testen

• Braucht Trennebene in den Daten -> für welche Datenkopination ist das Schuh und für welche Flasche

  • Bei zwei Voxel: x-Achse Aktivierung Voxel 1 und y Aktivierung Voxel 2 und guckt, wo die Grenze verläuft -> bei welcher Kombination an Voxelaktivierung ist das eher Schuh und wann Flasche

    • Klassifikationsgreze ist Linie darin

  • ❌Bei drei Voxel hat man dreidimenisonal und so weiter

• Kann gegen Habituationseffekte unterschiedliche Blöcke weglassen und man nicht nur den letzten Block weglässt, damit alle Blöcke gleich berücksichtigt werden

• MVPA: Kognitive Zustände als Punkte im hochdimensionalen Voxelraum (Pattern)

  • Punkt im Aktivierungsraum

• Zeigt classifier dann neues Haus und classifier ordnet zu, ob das Haus oder Gescht war und überprüft dann, ob Zurodnung stimm

  • Kognitiver Zustand ist, ob Gesicht oder Haus gesehen wird und der wird beschrieben über Punkt im Voxelraum

  • ❌Bedeutet nicht, dass ein Voxel stark auf Gesichter und das andere stark auf Häuser reagiert -> kombiniert die Information von beiden Voxel

• Kann auch gucken, wie der Abstand zwischen verschiedenen Patterns ist

  • Wie ähnlich ist Berg anderen Kategorien -> wie groß ist der Abstand zwischen den Patterns und ähnlichkeitsmatrizen generieren

  • Sagt etwas darüber, wie Gerhin Welt ategorisiet

• ❌Hat region of interest (z.B: Hippokampus) und guckt sich da dann die Aktivierung an

• ❌Oder hat Kugel an voxel und bewegt das durch Gehirn und guckt sch die Aktivierung und accuacies überall an auf explorativer map des Gehirns

• Klassische MRT Analyse: massive univariate approach

  • Jedes Voxel wird einzeln betrachtet

  • Das Signal wird mittels General Linear Model beschrieben und die geschätzten Parameter werden statistisch analysiert

• Multivariater Ansatz (z.B. MVPA)

  • Information wird über eine Menge an Voxeln kombiniert

  • ❌Classifier-basiert: Wie gut sagt das Aktivierungsmuster in einer bestimmten Region das Verhalten oder eine Bedingungen voraus?

  • Vorhersage wird mittels maschineller Lernverfahren (machine learning) durchgeführt

• rsfMRI Messung: Proband fisiert 5min / 10min ein Fixationskreuz -> kontinuierliche Messung von fMRT

• Traditional: hat verschiedene Bedingungen und guckt sich Aktivierung z.B. in bestimmten Arealen an

• Resting

  • Proband*innen liegen im Scanner und machen nichts und man misst die Aktivierung

  • ❌Hat in jedem Voxel Zeitreihe gemessen, hat nicht meh rKlassifikation

• Identifikation korrelierter und anti-korrelierter Netzwerke -> Resting-state connectivity ist z.T. auf anatomische Konnektivität zurückzuführen

  • Kommen sehr robuste Ergebnisse raus, die gut reproduzierbar sind

• Karte

  • ❌Braucht 1 Voxel, von dem man ausgeht (PCC), gelbe Zeitreihe

  • Kann gucken, welche andere Voxel wo im Gehirn Zeitreihe zeigen, die mit der Zeitreihe von PCC korreliert (alles, was farblich markiert ist)

  • Gibt auc welche, die dann aktiv werden, wenn die anderen nicht aktiv werden -> blaue Linie

  • Netzwerke haben eigene Bereiche / Aufgaben, wann sie aktiv werden -> aber im Ruhezustand sind Netzwerke funktionell gekoppelt

• Task-Netzwerke überlappen jeweils oft mit Resting State Netzwerken (episodisches Gedächtnisnetzwerk = default Mode network)

• Nachteil: Keinerlei Kontrolle über „Gedanken“ bzw. ablaufende Prozesse in den Probanden (außer über z.B. Post-scan Fragebögen) -> „Mind Wandering“

• Kontrolle von potentiellen Störvariablen (Bewegung, Atmung, Herzschlag) extrem wichtig

• Inflationäre explorative Studien mittels rsfMRI in Patientengruppen

• Vorteile

  • ❌ist relativ schnell gemessen

  • Hirnaktivität kann zwischen Gruppen verglichen werden, ohne dass z.B. die Patienten eine schwierige Aufgabe bewältigen müssen (wenn komplexe Aufgabe nnicht mehr bearbeitet werden können durch z.B. neurodegenerative Krankheiten)

• ❌Daten können auch mit Methoden der Netzwerktheorie (Graphentheorie) ausgewertet werden

• Strukturelle Bildgebung: CT, MRT, VBM, DTI

• fMRT vs. PET

• fMRT

  • Modellierung der HRF

  • Experimentelles Design (Block vs. Event-related; Kategorial vs. Faktoriell vs. Parametrisch)

  • Typisch Analysepipeline

  • Univariater vs. Multivariater Ansatz

• Resting state fMRI