samenvatting: Onderzoekers hebben OpenNeuro Average (onavg) ontwikkeld, een nieuwe corticale oppervlaktesjabloon die de nauwkeurigheid en efficiëntie van neuroimaging-gegevensanalyse verbetert.
Dit model is gebaseerd op 1.031 hersenen en biedt een consistentere en minder bevooroordeelde kaart vergeleken met eerdere modellen. Het maakt ook een beter gebruik van gegevens mogelijk, wat van cruciaal belang is voor onderzoeken met beperkte datasets.
Er wordt verwacht dat het onavg-sjabloon brede toepassingen zal hebben in de cognitieve en klinische neurowetenschappen.
Belangrijkste feiten:
- Gestandaardiseerd monster: Door het middelen van monsters over hersengebieden worden uniforme processen uitgevoerd, waardoor vooroordelen worden verminderd.
- Gegevensefficiëntie: Er zijn minder gegevens nodig voor een nauwkeurige analyse, wat studies met beperkte datasets ten goede komt.
- Brede toepassingen: Nuttig voor onderzoek naar gezichtsvermogen, taal en neurodegeneratieve ziekten.
bron: Dartmouth College
Het menselijk brein is verantwoordelijk voor belangrijke functies, waaronder perceptie, geheugen, taal, denken, bewustzijn en emoties.
Om te begrijpen hoe de hersenen werken, gebruiken wetenschappers vaak neuroimaging om de hersenactiviteit van deelnemers vast te leggen terwijl de hersenen een taak uitvoeren of in rust zijn. Hersenfuncties worden systematisch gereguleerd in de hersenschors, de buitenste laag van het menselijk brein.
Onderzoekers gebruiken vaak een zogenaamd ‘corticaal oppervlakmodel’ om neuroimaging-gegevens te analyseren en de functionele organisatie van het menselijk brein te bestuderen.
Ieder brein heeft een andere vorm. Om neuroimaging-gegevens van meerdere individuen te analyseren, moeten onderzoekers de gegevens registreren in hetzelfde hersensjabloon, waardoor dezelfde anatomische locatie in verschillende hersenen kan worden geïdentificeerd, ook al hebben de hersenen verschillende vormen. Deze sites staan bekend als “pieken”.
In de afgelopen 25 jaar zijn er verschillende iteraties van deze sjablonen geweest, en de meest gebruikte sjabloon voor het corticale oppervlak van vandaag is gebaseerd op gegevens verzameld uit 40 hersenen.
Nu zijn onderzoekers uit Dartmouth erin geslaagd een nieuwe corticale oppervlaktesjabloon te creëren, genaamd “OpenNeuro Average” of kortweg “onavg”, die een grotere nauwkeurigheid en efficiëntie biedt bij het analyseren van neuroimaging-gegevens.
De resultaten zijn gepubliceerd in De methoden van de natuur.
“Onze corticale oppervlaktesjabloon, onavg, is de eerste die op uniforme wijze verschillende delen van de hersenen bemonstert”, zegt hoofdauteur Feilong Ma, een postdoctoraal onderzoeker en lid van het Haxby Lab van de afdeling Psychologische en Hersenwetenschappen in Dartmouth. “Het is een minder bevooroordeelde kaart en rekentechnisch efficiënter.”
Het team bouwde de sjabloon op basis van de corticale anatomie van 1.031 hersenen uit 30 datasets in OpenNeuro, een gratis en open source platform voor het delen van neuroimaging-gegevens. Volgens de co-auteurs is het ook de eerste corticale oppervlaktesjabloon gebaseerd op de geometrie van de hersenen.
Daarentegen bemonsterden eerdere sjablonen verschillende delen van de cortex ongelijkmatig en vertrouwden ze op een balachtige vorm om corticale hoekpunten te lokaliseren, wat leidde tot vertekeningen in de verdeling van hoekpunten.
Met de onavg-sjabloon zijn er minder gegevens nodig voor analyse.
“Het verkrijgen van gegevens via neuroimaging is erg duur, en voor sommige klinische populaties (bijvoorbeeld als je een zeldzame ziekte bestudeert) kan het moeilijk of onmogelijk zijn om een grote hoeveelheid gegevens te verkrijgen”, zegt Felong.
“Door data efficiënter te gebruiken, kan ons sjabloon de reproduceerbaarheid en reproduceerbaarheid van resultaten in academische studies vergroten.”
“Ik geloof dat onavg een methodologische vooruitgang vertegenwoordigt die brede toepassingen heeft in alle aspecten van de cognitieve en klinische neurowetenschappen”, zegt co-auteur James Haxby, professor bij de afdeling Psychologische en Hersenwetenschappen en voormalig directeur van het Center for Cognitive Neuroscience in Dartmouth. .
Hij zegt dat hun corticale oppervlaktesjabloon kan worden gebruikt in onderzoeken naar visie, gehoor, taal en individuele verschillen, maar ook bij aandoeningen zoals autisme en neurodegeneratieve ziekten zoals de ziekte van Alzheimer en Parkinson.
“Wij denken dat dit een brede en diepgaande impact zal hebben op het veld”, zegt Haxby. Ook Jiahui Guo, een voormalig postdoctoraal onderzoeker in psychologische en hersenwetenschappen en assistent-professor aan de School of Behavioral and Brain Sciences aan de Universiteit van Texas in Dallas, en Maria Ida Gobini, universitair hoofddocent aan de afdeling Medische en Chirurgische Wetenschappen aan de Universiteit van Bologna.
Over hersenkarteringsonderzoeksnieuws
auteur: Amy Olson
bron: Dartmouth College
communicatie: Amy Olson – Dartmouth College
afbeelding: Afbeelding afkomstig van Neuroscience News
Originele zoekopdracht: Vrije toegang.
“Corticale oppervlaktesjabloon voor menselijke neurowetenschappen“Door Feilong Ma et al.” De methoden van de natuur
een samenvatting
Corticale oppervlaktesjabloon voor menselijke neurowetenschappen
Analyse van neuroimaging-gegevens is afhankelijk van normalisatie naar standaard anatomische sjablonen om grote anatomische verschillen tussen hersenen op te lossen. De huidige oppervlaktesjablonen van de menselijke hersenschors bemonsteren locaties ongelijkmatig als gevolg van vervormingen als gevolg van het opblazen van de cortex die in een standaardvorm is gevouwen.
Hier presenteren we de onavg-sjabloon, die uniforme bemonstering van de cortex biedt.
We hebben het onavg-sjabloon gemaakt op basis van openbaar beschikbare, hoogwaardige structurele scans van 1.031 hersenen – 25 keer meer dan bestaande corticale sjablonen. We hebben de locaties van de hoekpunten geoptimaliseerd op basis van de anatomie van de hersenschors, waardoor een gelijkmatige verdeling werd bereikt.
We hebben consequent de nauwkeurigheid van multivariate patroonclassificatie en correlaties tussen deelnemers waargenomen in representatieve geometrie op basis van onavg in vergelijking met andere sjablonen, en onavg heeft slechts driekwart van de gegevens nodig om dezelfde prestaties te bereiken in vergelijking met andere sjablonen.
Verbeterde sampling vermindert ook de CPU-tijd tussen algoritmen met 1,3% tot 22,4% vanwege minder variatie in het aantal hoekpunten in elk zoeklicht.
“Reisliefhebber. Onruststoker. Popcultuurfanaat. Kan niet typen met bokshandschoenen aan.”