Correspondencia mejorada de los datos del localizador del campo visual fMRI después de la corteza

Scientific Reports volumen 12, Número de artículo: 14310 (2022) Citar este artículo

749 Accesos

4 Altmetric

Detalles de métricas

El estudio del sistema visual con fMRI a menudo requiere el uso de paradigmas de localizador para definir regiones de interés (ROI). Sin embargo, la considerable variabilidad interindividual de la corteza cerebral representa una confusión crucial para los análisis a nivel de grupo. Las técnicas de alineación basada en la corteza (CBA) reducen de forma fiable la variabilidad macroanatómica interindividual. Sin embargo, su utilidad no ha sido evaluada para paradigmas de localizadores de campo visual, que mapean partes específicas del campo visual dentro de áreas visuales organizadas retinotópicamente. Evaluamos CBA para un localizador de campo visual mejorado por atención, mapeando partes homólogas de cada cuadrante visual en 50 participantes. Comparamos el CBA con la alineación basada en el volumen y un análisis basado en la superficie, que no incluía la alineación macroanatómica. CBA condujo al aumento más fuerte en la probabilidad de superposición de activación (hasta 86%). A nivel de grupo, CBA condujo al aumento más consistente en el tamaño del ROI mientras preservaba la simetría del ROI vertical. En general, nuestros resultados indican que además del aumento de la relación señal-ruido de un análisis basado en la superficie, la alineación macroanatómica mejora considerablemente el poder estadístico. Estos hallazgos confirman y amplían la utilidad de CBA para el estudio del sistema visual en el contexto de los análisis de grupo. El CBA debe ser particularmente relevante cuando se estudian trastornos neuropsiquiátricos con una variabilidad macroanatómica interindividual anormalmente aumentada.

El sistema visual incluye una multitud de representaciones topográficas de resolución variable en áreas visuales cada vez más especializadas1. La resonancia magnética funcional (fMRI) ofrece una variedad de métodos para mapear estas representaciones topográficas en su totalidad o para localizar áreas visuales específicas o posiciones retinotópicas dentro de su topografía. Estos enfoques son esenciales no solo para el estudio detallado de las propiedades fundamentales del sistema visual1, sino también para investigar el papel de estas áreas en los procesos cognitivos de orden superior, como la atención visual y la memoria de trabajo2,3,4,5,6 . Esto también se extiende a los estudios traslacionales de la disfunción visual y sus consecuencias cognitivas en los trastornos neuropsiquiátricos7,8.

Los métodos para el mapeo visual basado en fMRI, es decir, técnicas para definir regiones de interés en el sistema visual basadas en propiedades funcionales específicas, se dividen en tres categorías amplias: mapeo retinotópico, localizador de campo visual y paradigmas de localizador funcional. El mapeo retinotópico y el mapeo de campo receptivo de población (pRF) más avanzado permiten la delineación completa de las áreas visuales tempranas1,9,10. Por el contrario, los paradigmas del localizador del campo visual pueden mapear una región circunscrita dentro de un área visual retinotópicamente organizada11,12. Finalmente, los localizadores funcionales pueden detectar áreas visuales de orden superior, como el área facial fusiforme (FFA), el área del lugar parahipocampal (PPA), el área corporal extraestriada y el complejo occipital lateral (LOC), que se agrupan y muestran especialización para el procesamiento de específicos. categorías de información visual compleja1,13,14. En la mayoría de los estudios de resonancia magnética funcional, la alta variabilidad anatómica interindividual de las áreas corticales en términos de tamaño y ubicación constituye un desafío importante15,16,17,18,19,20,21,22,23. Por ejemplo, se ha demostrado que la corteza visual primaria (V1) puede diferir en tamaño aproximadamente el doble entre los individuos17. Además, se ha demostrado que la variabilidad anatómica en términos de ubicación es particularmente pronunciada en las áreas visuales extraestriadas24. Esta confusión crucial reduce el poder de mapear de manera confiable áreas visuales a nivel de grupo.

Una forma de mitigar este problema es agrupar regiones de interés (ROI) de un solo sujeto, al mismo tiempo que se usa la probabilidad general basada en grupos para ese ROI en cada punto en un sistema de coordenadas cartesianas como una restricción25,26,27. Si bien dicho análisis basado en un solo sujeto mejora la sensibilidad y la resolución funcional en comparación con un enfoque estándar basado en grupos, en realidad no reduce la variabilidad macroanatómica. Además, estudiar la interacción entre las áreas visuales y otras áreas corticales más directamente involucradas en los procesos cognitivos de orden superior con métodos de todo el cerebro como los análisis de redes de conectómica funcional28 podría descartar una estrategia basada en un solo sujeto.

Los análisis basados ​​en grupos generalmente requieren la normalización espacial de los datos de imágenes estructurales y funcionales a un sistema de coordenadas cartesiano común, como el espacio Talairach29 o MNI30. En su forma más básica, la normalización espacial basada en el volumen emplea una transformación lineal que hace coincidir la extensión general de los cerebros con una plantilla cerebral estándar. Mientras que la transformación en el espacio de Talairach se basa en puntos de referencia anatómicos, la transformación en el espacio MNI utiliza un registro de imágenes estructurales completamente basado en datos en un cerebro de plantilla promedio30. Si bien estos enfoques de normalización espacial resultan inherentemente en una alineación de cerebros, los algoritmos subyacentes no están optimizados específicamente para alinear estructuras cerebrales homólogas. Por el contrario, los métodos más refinados emplean algoritmos de deformación no lineal guiados por diferencias de intensidad para mejorar la alineación macroanatómica31. Por lo tanto, todos estos métodos se pueden categorizar como técnicas de alineación basadas en volumen (VBA). Sin embargo, tanto el VBA lineal como el no lineal en su mayoría ignoran las propiedades topológicas de la corteza cerebral y sus características geométricas, como los surcos y las circunvoluciones. En consecuencia, los métodos VBA dan como resultado una cantidad considerable de variabilidad anatómica interindividual residual32,33.

Los procedimientos basados ​​en la superficie constituyen un enfoque alternativo importante. La normalización espacial basada en la superficie suele utilizar un sistema de coordenadas geodésicas, que permite una representación bidimensional de la corteza cerebral y respeta la topografía cortical en un grado mucho mayor que los sistemas de coordenadas cartesianas tradicionales18,34. Este enfoque ofrece dos ventajas principales sobre VBA. En primer lugar, la normalización espacial basada en la superficie permite restringir la lectura de datos y el preprocesamiento de datos, como el suavizado espacial, al tejido cortical. Esto reduce sustancialmente la contaminación de la señal por la materia blanca y el líquido cefalorraquídeo y también evita en su mayor parte la contaminación de las áreas corticales proximales en el espacio volumétrico pero considerablemente más distantes en el espacio superficial. En general, este enfoque mejora la relación señal-ruido (SNR). En consecuencia, el suavizado espacial en el espacio superficial es superior al suavizado espacial en el espacio volumétrico19,35. La segunda ventaja de la normalización espacial basada en la superficie es la posibilidad de utilizar patrones individuales de plegamiento cortical para una alineación macroanatómica de la corteza cerebral adicional, totalmente basada en datos34. En comparación con las técnicas VBA, estos métodos de alineación basada en la corteza (CBA) mejoran considerablemente la correspondencia anatómica de las estructuras corticales al tiempo que respetan los límites citoarquitectónicos36. Así, el CBA conduce a una notable reducción de la variabilidad anatómica interindividual18,34,37,38,39.

Es importante destacar que los estudios anteriores a menudo han comparado exclusivamente los datos basados ​​en la superficie antes y después de la alineación macroanatómica19,40, utilizando esencialmente el enfoque anterior como un proxy para VBA. Sin embargo, esta comparación solo refleja la segunda ventaja de CBA, a saber, el uso de alineación macroanatómica en lugar de VBA. Sin embargo, en este caso, ambos conjuntos de datos se benefician por igual de la reducción de la contaminación de la señal, lo que probablemente subestima los efectos completos de CBA. Evaluar el impacto de esta primera ventaja de los análisis basados ​​en la superficie de forma aislada requiere una comparación de VBA con un análisis basado en la superficie sin alineación macroanatómica. Nos referimos a este enfoque intermedio como un "análisis basado en la superficie usando VBA" (SBAV). Por lo tanto, evaluar ambos beneficios de CBA requiere la comparación de tres enfoques: VBA, SBAV y CBA.

Debido a las propiedades ventajosas descritas anteriormente, los métodos CBA se han propuesto como un enfoque alternativo a VBA específicamente para el sistema visual26. Varios estudios han comparado el impacto de los métodos VBA y CBA en técnicas específicas de mapeo visual. Para el mapeo retinotópico, se ha demostrado una mejora de la superposición funcional tanto en V1 como en V2 después de CBA34,41. Para los datos del localizador funcional, CBA aumenta sustancialmente la superposición de las áreas de procesamiento de objetos LOC, FFA y PPA entre sujetos19,42,43,44. Por el contrario, no se han estudiado los efectos de CBA en los paradigmas del localizador del campo visual que mapean posiciones retinotópicas específicas. Por lo tanto, la utilidad de CBA se ha demostrado para dos de las tres categorías principales de métodos de mapeo visual, es decir, aquellos métodos que mapean áreas completas, definidas principalmente por propiedades citoarquitectónicas (por ejemplo, V1) o funcionales (por ejemplo, FFA). Por el contrario, no está claro en qué medida CBA puede mejorar la alineación de los ROI mapeados por los paradigmas del localizador de campo visual. Dichos paradigmas son necesarios para el estudio detallado del procesamiento local de estímulos visuales simples en áreas visuales tempranas11,12,45,46,47. Los tableros de ajedrez intermitentes que cubren el área exacta de interés dentro del campo visual se utilizan principalmente para este propósito. Los tableros de ajedrez conducen a un aumento de la señal BOLD particularmente fuerte en las primeras áreas visuales (V1–V3)48. Para maximizar la fidelidad de los mapas de localizadores resultantes, los paradigmas de localizadores de campo visual normalmente utilizan el hecho de que la modulación atencional inducida por las demandas de la tarea mejora significativamente la confiabilidad de la respuesta en todas las áreas visuales. Esto se puede lograr agregando una tarea simple de detección de objetivos49.

Utilizamos un paradigma de localizador de campo visual de atención mejorada para mapear una ubicación circunscrita en cada cuadrante visual en áreas visuales tempranas con el objetivo de definir ROI adecuados para el estudio de procesos cognitivos superiores. Elegimos un método CBA utilizando un promedio de grupo dinámico como cerebro objetivo19. Por lo tanto, eliminamos la posible confusión de un objetivo CBA estático basado en un cerebro individual, cuyo patrón de plegamiento cortical podría, por casualidad, desviarse considerablemente del promedio del grupo.

Nuestro objetivo principal fue examinar los efectos de CBA para un paradigma de localizador de campo visual. Más específicamente, nuestro objetivo fue determinar si la alineación macroanatómica mejora la confiabilidad del mapeo de subregiones dentro de áreas visuales organizadas retinotópicamente delineadas por tal paradigma a nivel de grupo. Con este fin, además del análisis de los ROI completos de un solo sujeto, también examinamos la correspondencia de los vértices máximos de ROI de un solo sujeto, es decir, vértices únicos que muestran el nivel más fuerte de activación en cada sujeto para cada cuadrante visual. Realizamos este análisis porque los vértices máximos son una buena aproximación del centro de un ROI y, por lo tanto, permiten una evaluación y visualización más precisas de los efectos de la alineación macroanatómica. Con base en hallazgos previos para otras clases de paradigmas de localizadores y la correspondencia estructural-funcional relativamente buena en la corteza occipital posterior, esperábamos observar un beneficio de CBA en comparación con SBAV al alinear subregiones dentro de la corteza visual temprana tanto para ROI completos como para vértices máximos.

Nuestro segundo objetivo fue examinar los efectos de SBAV. Más específicamente, nuestro objetivo fue evaluar el impacto de la lectura y el preprocesamiento de datos funcionales basados ​​en la superficie sin alineación macroanatómica. Aquí, esperábamos una mejora general de la SNR para SBAV en comparación con VBA y un aumento global correspondiente en el tamaño del ROI del grupo para todos los cuadrantes visuales. En particular, varios estudios han demostrado propiedades de respuesta diferenciales, como el tamaño del campo receptivo por cuadrante visual o hemicampo para áreas visuales tempranas homólogas. Por ejemplo, estudios previos informaron un mejor rendimiento conductual y mayores amplitudes de señal BOLD en el hemicampo visual inferior50,51,52,53. Por lo tanto, también nos interesó saber si podíamos observar diferencias entre los hemicampos visuales superior e inferior en nuestro análisis de grupo después de la CBA.

En general, el objetivo del estudio fue cerrar una brecha importante en la evaluación de CBA para el estudio del sistema visual. Dado que los localizadores de campo visual son cruciales para investigar las contribuciones del sistema visual a los procesos cognitivos de orden superior, nuestros resultados deberían tener implicaciones para el estudio de la cognición visual en la investigación de neurociencia básica y traslacional.

El mapeo a nivel de grupo de los cuatro cuadrantes visuales reveló diferencias notables para las tres técnicas de alineación (VBA, SBAV, CBA) (Fig. 1, Tablas 1, 2). Para el cuadrante visual inferior derecho, el tamaño del ROI aumentó considerablemente de VBA a SBAV, pero disminuyó para CBA (Tabla 2). Para el cuadrante visual inferior izquierdo, el tamaño de ROI disminuyó ligeramente de VBA a SBAV, pero aumentó considerablemente para CBA. Para el cuadrante visual superior izquierdo, el tamaño del ROI aumentó considerablemente de VBA a SBAV y aumentó aún más para CBA. Para el cuadrante visual superior derecho, el tamaño del ROI aumentó ligeramente de VBA a SBAV y aumentó considerablemente para CBA. Por lo tanto, dos de los cuatro ROI de cuadrante visual exhibieron un patrón de tamaño de grupo en continuo aumento, lo que refleja una expansión de la selectividad de posición significativa a través de las técnicas de alineación. Además, mientras que el tamaño de ROI para el cuadrante visual inferior izquierdo disminuyó ligeramente de VBA a SBAV, el tamaño de ROI para CBA también fue, con mucho, el más grande. Además, mientras que el tamaño de la ROI disminuyó para el cuadrante visual inferior derecho después de la CBA, para SBAV esta ROI mostró, con mucho, la mayor extensión de cualquier ROI para cualquier técnica de alineación, incluso abarcando las partes posteriores de la corteza temporal.

Análisis grupal de cuadrantes visuales. (a) Resultados VBA. Los mapas y los cursos de tiempo promedio se calcularon en el espacio de volumen; los mapas se proyectaron sobre la representación de la superficie promedio no alineada. (b) Resultados SBAV. Los mapas y los cursos de tiempo promedio se calcularon en el espacio de superficie; los mapas se proyectaron en la representación de la superficie no alineada. (c) resultados de CBA. Los mapas y los cursos de tiempo promedio se calcularon en el espacio de superficie; los mapas se proyectaron sobre la representación de la superficie media alineada. En general, dos de los cuatro ROI de cuadrante visual exhibieron un patrón de tamaño de grupo en continuo aumento, lo que refleja un grado creciente de selectividad de posición significativa en todas las técnicas de alineación. Además, mientras que el tamaño de ROI para el cuadrante visual inferior izquierdo disminuyó ligeramente de VBA a SBAV, el tamaño de ROI para CBA también fue, con mucho, el más grande. Solo el ROI del cuadrante visual inferior derecho mostró una disminución del tamaño del grupo después de la CBA. Los cursos de tiempo promedio (incluido el error estándar de la media) mostraron una clara selectividad de posición con un fuerte aumento de la señal BOLD para la posición de interés y ningún aumento de la señal BOLD para las otras tres posiciones. ROI/colores del gráfico: azul claro = cuadrante visual inferior derecho (LR), naranja = cuadrante visual inferior izquierdo (LL), rojo = cuadrante visual superior izquierdo (UL), azul oscuro = cuadrante visual superior derecho (UR).

Dentro de los ROI grupales, los cursos de tiempo promedio mostraron una clara selectividad de posición, que no se vio más afectada por la técnica de alineación, como lo indican los resultados negativos de nuestros modelos mixtos lineales (Tabla 3). En particular, los índices de asimetría (IA) revelaron una simetría vertical marcadamente mayor de las ROI del hemicampo superior e inferior para VBA y CBA en comparación con SBAV (Tabla 4). Después de la CBA, los tamaños de ROI para el hemicampo visual inferior fueron considerablemente mayores que para el hemicampo visual superior (Tabla 1).

Para los tres conjuntos de datos, la probabilidad máxima de superposición de activación se ubicó consistentemente en el centro de cada ROI como se definió en nuestro análisis de grupo anterior (Fig. 1, Tablas 1, 5). Para los datos de VBA, los mapas de probabilidad (PM) mostraron una dispersión relativamente amplia de la activación funcional alrededor de los ROI centrales (Fig. 2a, Tabla 5). La probabilidad máxima de superposición de activación fue del 55%. Para los datos de SBAV, los PM mostraron una distribución aún más amplia de la activación funcional alrededor de los ROI centrales (Fig. 2b, Tabla 5). La probabilidad máxima de superposición de activación fue del 66%. Para los datos de CBA, los PM mostraron una disminución notable en la propagación de la activación funcional alrededor de los ROI centrales con un aumento correspondiente en la probabilidad máxima de superposición en el centro de los ROI centrales (Fig. 2c, Tabla 5). La probabilidad máxima de superposición de activación fue del 86%.

Mapas de probabilidad (PMs). PM que indican la probabilidad de superposición de activación entre sujetos para cada cuadrante visual. El código de color de gris a blanco indica la probabilidad de superposición de activación de mapas de un solo sujeto, con un umbral mínimo del 10 % de probabilidad de superposición de activación. Los mapas de un solo sujeto se establecieron como umbral en p < 0,05 (no corregido). También aplicamos un umbral de nivel de clúster de 100 vértices. (a) Los PM para VBA mostraron una probabilidad máxima de superposición de activación de hasta el 55%. (b) Los PM para SBAV mostraron una probabilidad máxima de superposición de activación de hasta el 66 %. (c) Los PM para CBA mostraron una probabilidad máxima de superposición de activación de hasta el 86%.

Los mapas de diferencia de probabilidad (PDM) revelaron un impacto diferencial de los elementos metodológicos individuales de nuestro enfoque de alineación macroanatómica.

Para la lectura y el preprocesamiento de datos funcionales puramente basados ​​en la superficie en comparación con la alineación estándar basada en el volumen, el PDM correspondiente (SBAV menos VBA) mostró un aumento máximo en la probabilidad de superposición de activación del 30 % alrededor de las ROI centrales. Por el contrario, en la ubicación correspondiente a los ROI del grupo central, observamos principalmente una disminución en la probabilidad de superposición de activación de hasta un 19% (Fig. 3a, Tabla 6). En particular, los cambios fueron generalizados y se extendieron en parte a la corteza temporal y parietal posterior. Para la adición de la alineación macroanatómica, el PDM correspondiente (CBA menos SBAV) mostró un aumento máximo en la probabilidad de superposición de activación del 44% en las ROI centrales (Fig. 3b, Tabla 6). Por el contrario, las regiones occipitales más periféricas mostraron una disminución máxima en la probabilidad de superposición de activación del 32%. En general, los cambios fueron considerablemente menos generalizados que en la comparación SBAV menos VBA. Para el impacto aditivo de ambos elementos metodológicos, el PDM correspondiente (CBA menos VBA) mostró un aumento máximo en la probabilidad de superposición de activación del 52% en los ROI centrales (Fig. 3c, Tabla 6). Por el contrario, las regiones occipitales más periféricas, así como la corteza temporal posterior y parietal, mostraron una disminución máxima en la probabilidad de superposición de activación del 36 %. En general, la extensión espacial de estos efectos se situó entre las de las otras dos comparaciones.

Mapas de diferencia de probabilidad (PDM). PDM que indican el impacto diferencial de los pasos individuales de nuestro enfoque de alineación macroanatómica general para cada cuadrante visual. Los PDM se generaron utilizando PM derivados de mapas de un solo tema. Los PM no tenían umbral. El código de color indica la diferencia de superposición de activación. El código de color de marrón a blanco indica un mayor grado de superposición de activación funcional para el método de alineación más avanzado. El código de color de azul a verde indica un mayor grado de superposición de activación funcional para el método de alineación menos avanzado. Los PDM se establecieron como umbral a una diferencia de probabilidad mínima del 5 %. (a) El impacto de la lectura y el preprocesamiento de datos funcionales basados ​​en la superficie en comparación con la alineación estándar basada en el volumen (SBAV menos VBA) se caracterizó por una activación generalizada con un aumento en la probabilidad de superposición de activación de hasta un 30 % alrededor del ROI centrales y una disminución en la probabilidad de superposición de activación de hasta un 19 % en la ubicación correspondiente a los ROI centrales. (b) El impacto adicional de la alineación macroanatómica (CBA menos SBAV) fue menos generalizado pero se caracterizó por un aumento en la probabilidad de superposición de activación de hasta un 44 % en la ubicación de las regiones de interés centrales y una disminución en la probabilidad de superposición de activación de hasta un 32% alrededor de los ROI centrales. (c) El impacto aditivo de ambos elementos metodológicos (CBA menos VBA) se caracterizó por un aumento en la probabilidad de superposición de activación de hasta un 52% en la ubicación de las ROI centrales y una disminución en la probabilidad de superposición de activación de hasta 36% alrededor de los ROI centrales.

Las tasas de éxito para detectar ROIs sujeto a sujeto fueron las siguientes: cuadrante visual inferior derecho 98% (49 de 50 sujetos), cuadrante visual inferior izquierdo 94% (47 de 50 sujetos), cuadrante visual superior izquierdo 98% (49 de 50 sujetos), cuadrante visual superior derecho 90% (45 de 50 sujetos). Al reflejar los PM a nivel de grupo, los mapas de distribución de vértices máximos a nivel de un solo sujeto (Fig. 4) mostraron una variabilidad espacial reducida para CBA en comparación con SBAV. Además, para CBA en comparación con SBAV, observamos un aumento en la cantidad de vértices máximos de ROI de un solo sujeto superpuestos por vértice para cada cuadrante visual (Tabla 7).

Mapas de distribución de vértices pico de un solo sujeto para conjuntos de datos SBAV y CBA. Mapeamos los vértices máximos de un solo sujeto para cada cuadrante visual en el espacio de superficie para datos SBAV y CBA. Luego calculamos el número sabio de vértices de vértices máximos de un solo sujeto. El código de color indica el número de vértices de pico de un solo sujeto superpuestos por vértice. Observamos un aumento en el número de vértices máximos de ROI de un solo sujeto superpuestos por vértice después de la alineación macroanatómica (CBA). El número de vértices máximos de un solo sujeto por vértice occipital para cada cuadrante visual antes y después de la alineación macroanatómica (SBAV y CBA) osciló entre 1 y 5. Por lo tanto, un número más alto indica una precisión de alineación mejorada de los vértices máximos de ROI de un solo sujeto. LR cuadrante visual inferior derecho, LL cuadrante visual inferior izquierdo, UL cuadrante visual superior izquierdo, UR cuadrante visual superior derecho.

El objetivo de nuestro estudio fue evaluar la utilidad de CBA para un paradigma de localizador de campo visual mejorado por atención utilizado para mapear regiones circunscritas dentro de áreas visuales organizadas retinotópicamente. Nuestro paradigma asignó regiones homólogas en cada cuadrante visual de manera confiable en áreas visuales tempranas. Como era de esperar, CBA condujo a una marcada reducción en la variabilidad macroanatómica con una serie de efectos beneficiosos en el nivel funcional, que superaron claramente los observados para SBAV. En comparación con VBA y SBAV, CBA resultó en las mejoras más consistentes en el análisis de ROI grupal en los cuadrantes visuales (Fig. 1).

Para SBAV en comparación con VBA, observamos un aumento en el tamaño del ROI del grupo en tres de los cuatro cuadrantes visuales (Fig. 1, Tablas 1, 2). Para CBA en comparación con VBA, observamos un aumento en el tamaño del ROI del grupo en los cuatro cuadrantes visuales. Para CBA en comparación con SBAV, observamos un aumento en el tamaño del ROI del grupo en tres de los cuatro cuadrantes visuales.

Estos resultados indican un poder mejorado para CBA para detectar subregiones de áreas visuales tempranas, que muestran selectividad de posición. Por el contrario, no observamos un aumento de la selectividad de posición dentro de los ROI del cuadrante visual correspondiente a través de las técnicas de alineación en nuestro análisis de modelo mixto lineal (Tabla 3). Sin embargo, CBA fue el único enfoque que condujo tanto a un aumento en el tamaño de la ROI como a una preservación no solo de la simetría vertical sino también de la horizontal (Tabla 4).

Con respecto a los cambios en la probabilidad de superposición de activación en las tres técnicas de alineación reflejadas por los PM, surgió un patrón claro. La probabilidad de superposición de activación aumentó gradualmente con cada paso, alcanzando un máximo para CBA con un valor máximo del 86 %. Para SBAV, los efectos fueron más débiles y considerablemente más generalizados, afectando principalmente a regiones cerebrales más periféricas. Asimismo, para la comparación de CBA y SBAV, los PDM mostraron un aumento en la probabilidad de superposición de activación con un máximo del 44% en las ubicaciones centrales correspondientes a los ROI grupales. Esto resultó en patrones de activación considerablemente más enfocados, mientras que el efecto opuesto surgió en vértices más periféricos (Fig. 3). Lo más probable es que esto no sea atribuible a una disminución de la superposición espacial en la periferia de las primeras áreas visuales. Más bien, indica que CBA reduce consistentemente la activación de dispersión espuria que resulta de una mala correspondencia macroanatómica después de VBA y un aumento generalizado de SNR debido a SBAV. También sugiere que VBA y SBAV podrían tergiversar la ubicación y el alcance de las primeras áreas visuales. Esta noción está respaldada por cambios en el centro de gravedad de los ROI grupales entre SBAV y CBA, que fueron particularmente pronunciados para el cuadrante visual inferior izquierdo (Tabla 1). Juntos, estos hallazgos indican que CBA aumenta sustancialmente el poder estadístico cuando se estudian áreas visuales tempranas a nivel de grupo. Naturalmente, este efecto del CBA también debería extenderse a estudios con un enfoque más global, como los análisis de conectividad35,54.

Además, las ventajas específicas de CBA fueron evidentes en la marcada disminución de la variabilidad de las ubicaciones de los vértices máximos de ROI de un solo sujeto para cada cuadrante visual en comparación con SBAV (Fig. 4, Tabla 7). Esto es indicativo de una reducción de la variabilidad macroanatómica y funcional entre sujetos lograda por CBA como la razón principal de los mejores resultados a nivel de grupo. Nuestros hallazgos confirman que la transformación de los datos funcionales del volumen-espacio en el espacio de la superficie ya aumenta el poder estadístico al reducir la contaminación de la señal del tejido no neuronal, mejorando así la SNR. En consecuencia, usar SBAV como sustituto de VBA subestimaría los beneficios reales de CBA. Nuestros hallazgos indican que solo el enfoque CBA se beneficia tanto de una SNR mejorada como de una variabilidad macroanatómica reducida. Por lo tanto, nuestros datos respaldan la idea de que, entre los métodos evaluados, CBA es la técnica de alineación más ventajosa para estudiar el sistema visual. Tal interpretación también está respaldada por el hecho de que solo CBA, pero no SBAV, pudo preservar la simetría vertical de los ROI grupales característicos de las primeras áreas visuales, que ya era evidente para VBA (Tabla 4). Lo más probable es que esta discrepancia se deba al aumento inespecífico de SNR inducido por SBAV, que en combinación con su alineación macroanatómica intrínsecamente deficiente no da como resultado una mejora constante de la superposición funcional para todos los cuadrantes visuales.

Para VBA, observamos los ROI de grupo más grandes para los cuadrantes visuales inferiores derecho e izquierdo, un efecto que cambió después de SBAV y CBA (Fig. 1a, Tabla 1). Para SBAV, observamos los ROI de grupo más grandes para los cuadrantes visuales superior izquierdo e inferior derecho, que no persistieron después de CBA (Fig. 1b, c, Tabla 1). En particular, varios estudios informaron efectos lateralizados en parámetros neurofisiológicos en áreas visuales tempranas55,56. Nuestra observación plantea la pregunta de si estos hallazgos podrían explicarse, al menos en parte, por diferencias lateralizadas en la variabilidad macroanatómica en lugar de verdaderas diferencias funcionales.

Por el contrario, nuestro análisis de grupo asistido por CBA nos permitió comparar las propiedades de respuesta de cada cuadrante visual de una manera más imparcial. Observamos ROI de grupo más grandes para el hemicampo visual inferior. En un atlas probabilístico del sistema visual basado en CBA, que incluía todas las regiones que podían definirse en más del 50 % de los sujetos, las ROI probabilísticas para V1 dorsal y V2 también eran notablemente más grandes que las ROI probabilísticas para V1 y V2 ventral, mientras que esto el efecto fue menos claro para V343. Estos resultados están en línea con nuestros propios hallazgos y podrían atribuirse a una mayor variabilidad anatómica residual después de la CBA en la corteza occipital ventral que representa el hemicampo visual superior. Alternativamente, podrían deberse a diferencias reales en las propiedades de respuesta, como el tamaño del campo receptivo o el tamaño del área general. Esta última interpretación está respaldada por estudios que muestran diferencias funcionales entre los hemicampos visuales superior e inferior ya a nivel de la retina en forma de diferencias en las densidades de los receptores 57,58. La densidad de conos fue mayor en las partes superiores de la retina, que procesa la información de los campos visuales inferiores. Por el contrario, se observó una mayor densidad de varillas en las partes inferiores. Además, Eickhoff et al. informaron asimetrías dorso-ventrales en las densidades de los receptores en V2 y V357 y una mayor densidad de receptores GABA-A y M3 muscarínicos en las partes ventrales de V2 y V3. Además, existe evidencia de diferencias fundamentales en la forma del campo receptivo a partir del mapeo de pRF59. Al estimar tanto las relaciones de aspecto como el tamaño de las áreas mapeadas, se observó una forma de campo receptivo más elíptica para el hemicampo visual superior representado por las partes ventrales de la corteza visual en comparación con el hemicampo visual inferior representado por las partes dorsales de la corteza visual. Además, existe evidencia de una ventaja de comportamiento en el hemicampo visual inferior para la discriminación de formas, así como cambios de señal BOLD más altos y amplitudes máximas de respuestas MEG/EEG50,52,53,60,61. Juntos, estos hallazgos demuestran claras diferencias en la arquitectura funcional de las primeras áreas visuales que representan el hemicampo visual superior e inferior, respectivamente. Esto se ha atribuido al hecho de que el hemicampo visual inferior representado por las partes dorsales del lóbulo occipital está más estrechamente relacionado con la vía visual dorsal, mientras que el hemicampo visual superior representado por las partes ventrales del lóbulo occipital está más estrechamente relacionado con la vía visual ventral. vía visual62,63. Además, existe evidencia de diferencias fundamentales en la forma del campo receptivo a partir del mapeo de pRF59. Aquí, para el hemicampo visual superior representado por las partes ventrales de la corteza visual, se observó un tamaño aumentado y una forma más elíptica de los campos receptivos en comparación con el hemicampo visual inferior representado por las partes dorsales de la corteza visual. Esto implica que el campo visual inferior está más especializado para la localización y representación precisa del espacio. Nuestra observación de ROI más grandes en el hemicampo visual inferior está en línea con estos hallazgos. Por lo tanto, nuestros resultados implican que el CBA es una herramienta adecuada para extender el estudio de las asimetrías funcionales y conductuales en áreas visuales tempranas al nivel de grupo.

Una limitación importante del estudio actual es la falta de datos complementarios de mapeo retinotópico debido a limitaciones de tiempo. Estos datos nos habrían permitido delinear los límites de las primeras áreas visuales y señalar el área visual exacta que contiene cada ROI individual de un solo sujeto. Los estudios de mapeo retinotópico indican que la activación máxima de sujetos individuales provocada por localizadores visuales no se ubican de manera consistente en la misma área visual. La mayoría de los paradigmas de localizadores muestran una activación máxima no en V1 sino en V2 o V312. Por lo tanto, es muy probable que nuestra activación máxima de un solo sujeto no perteneciera consistentemente a la misma área cortical visual. Con el conjunto de datos actual, no podemos determinar con qué precisión se alinearon las áreas visuales individuales con el CBA y si los niveles individuales de la jerarquía cortical visual se vieron afectados de manera diferente. Sin embargo, la posición de las regiones de interés de nuestro grupo, que bordeaban el surco calcarino y se extendían por el polo occipital, indica que comprendían principalmente V2 y V3. De manera similar, después de CBA observamos un aumento comparable en la probabilidad de superposición en la misma parte de la corteza occipital. Si bien esto sugiere al menos un beneficio relativamente constante de la CBA en todas las áreas visuales, se requieren estudios más detallados, incluido el mapeo retinotópico, para abordar este problema de manera más definitiva.

Además, no utilizamos el seguimiento ocular para garantizar una fijación suficiente. Tampoco incluimos una tarea de control atencional adicional centrada en la cruz de fijación, lo que habría fomentado aún más la fijación continua. Esta omisión fue deliberada para mantener el nivel de dificultad adecuado para las poblaciones de pacientes psiquiátricos. Nuestra tasa de éxito promedio para encontrar una activación confiable en áreas visuales tempranas en los cuatro cuadrantes visuales fue de 95 (90–98) %. La fijación insuficiente podría explicar en parte nuestra incapacidad para encontrar una activación confiable en una pequeña fracción de sujetos.

Finalmente, varias propiedades del conjunto de datos VBA diferían de los conjuntos de datos SBAV y CBA. No pudimos igualar completamente los parámetros de preprocesamiento basados ​​en el volumen y en la superficie debido a las diferencias inherentes entre los algoritmos de suavizado espacial tridimensionales y bidimensionales empleados. Es importante destacar que el número de vóxeles y vértices que contenían datos funcionales no eran idénticos, lo que afectaba de manera diferente la corrección de Bonferroni de los resultados del grupo. El espacio de análisis más pequeño del conjunto de datos de VBA (69 % del tamaño del conjunto de datos de SBAV y CBA) conduce a un umbral estadístico final corregido por Bonferroni menos estricto correspondiente para VBA. Debido a este sesgo hacia el conjunto de datos de VBA, se deben subestimar los efectos beneficiosos de los pasos de procesamiento adicionales presentados en los conjuntos de datos de SBAV y CBA. El hecho de que pudiéramos demostrar las ventajas de la ACB a pesar de un umbral estadístico desfavorable para confirmar esta hipótesis principal subraya la superioridad de esta técnica de alineación.

Nuestro estudio también tiene implicaciones más allá del mapeo del sistema visual en poblaciones sanas. Los déficits de procesamiento visual son una característica destacada de los trastornos psiquiátricos del neurodesarrollo, como el TDAH, la esquizofrenia y los trastornos del espectro autista7,8,64,65,66,67,68,69,70,71, que también pueden perturbar procesos cognitivos cruciales de orden superior, incluidos memoria de trabajo72,73,74. El paradigma del localizador actual será útil para investigar las deficiencias locales del procesamiento de la información visual, así como las alteraciones en la interacción entre las áreas visuales tempranas y las redes cerebrales que respaldan los procesos cognitivos de orden superior. Aquí, el CBA será particularmente relevante para reducir los efectos de confusión del aumento de la variabilidad macroanatómica en trastornos como la esquizofrenia para medir las verdaderas diferencias de grupo y la verdadera variabilidad funcional37,75. Por otro lado, el CBA también podría ser crucial para investigar los fundamentos del desarrollo neurológico de la propia variabilidad macroanatómica aumentada. Para ello, será valiosa la inclusión de atlas probabilísticos que contengan información sobre perfiles de expresión génica76, así como arquitecturas de cito y receptor77,78.

Nuestro enfoque CBA se basó únicamente en la información de la curvatura cortical para reducir la variabilidad macroanatómica. Una de las principales ventajas de este método es su viabilidad para la gran mayoría de los conjuntos de datos de fMRI, ya que solo requiere un escáner cerebral estructural de suficiente calidad y resolución. Entre los métodos comparables, CBA es el enfoque más objetivo y basado en datos. Sin embargo, la reducción alcanzable de la variabilidad macroanatómica está limitada por la correlación variable e imperfecta entre la estructura cerebral y la función cerebral34,39. En consecuencia, los métodos más avanzados utilizan además datos funcionales ortogonales para reducir aún más la variabilidad anatómica, incluido el uso de patrones de conectividad o activación funcional para mejorar la alineación macroanatómica en todo el cerebro20,79,80. Además, se ha propuesto un enfoque más complejo, que alinea los datos corticales utilizando "características de área" más estrechamente ligadas a las áreas corticales que a los patrones de plegamiento cortical, incluidos mapas de contenido relativo de mielina y redes funcionales de estado de reposo81. Se ha demostrado que estos métodos proporcionan una reducción adicional relevante de la variabilidad macroanatómica para una variedad de paradigmas, incluidos los localizadores funcionales visuales. Los estudios futuros también deberían evaluar estos métodos para el mapeo retinotópico y los localizadores del campo visual. Además, se ha demostrado para áreas auditivas tempranas que el uso adicional de un atlas probabilístico de áreas definidas citoarquitectónicamente mejora aún más los resultados estándar de CBA82. En principio, tal enfoque debería ser fácilmente factible para el sistema visual.

Para resumir, demostramos ventajas claras de CBA en comparación con VBA para el análisis de datos de localizador de campo visual a nivel de grupo, lo que significa una reducción considerable de la variabilidad espacial entre sujetos en áreas visuales tempranas. Nuestros hallazgos amplían estudios anteriores de CBA que evalúan otras categorías importantes de técnicas de mapeo visual. Subrayan la pérdida de información y poder estadístico en que incurre el uso de métodos VBA en la mayoría de los estudios de fMRI. Por lo tanto, el CBA y los métodos comparables deben considerarse seriamente como un procedimiento estándar para el estudio detallado del procesamiento de la información visual y su alteración en los trastornos neuropsiquiátricos.

Todos los participantes dieron su consentimiento informado por escrito para participar en el estudio de acuerdo con el protocolo del estudio aprobado por la junta de revisión ética de la Facultad de Medicina de la Universidad Goethe. Realizamos todos los procedimientos experimentales de conformidad con las directrices aprobadas y la Declaración de Helsinki. Las personas recibieron una compensación por su participación. Reclutamos a 51 voluntarios sanos (mujer:hombre = 28:23) con edades comprendidas entre 18 y 43 años (media = 24). Todos los participantes eran no fumadores, no tenían antecedentes de enfermedades neurológicas o psiquiátricas y reportaron una agudeza visual normal o corregida a normal. Un participante era zurdo según la evaluación de la versión alemana del Edinburgh Handedness Inventory83.

Los sujetos realizaron un paradigma de localizador de campo visual con atención mejorada (Fig. 5a) implementado usando Presentation (Neurobehavioral Systems, Version 18.0) como parte de un estudio más amplio que investiga el papel de las áreas visuales para funciones cognitivas superiores. La tarea consistió en una serie de estímulos parpadeantes de tablero de ajedrez en forma redonda de color blanco y negro (frecuencia de parpadeo = 7,5 Hz). Los estímulos de tablero de ajedrez aparecieron aleatoriamente durante 2000 ms en una de cuatro ubicaciones diferentes (ensayo estándar). Cada ubicación mapeó una posición homóloga en uno de los cuatro cuadrantes visuales. El intervalo regular entre ensayos (ITI) fue de 0 ms. Sin embargo, una vez cada 10-14 ensayos (11 veces en total), el ITI aumentó a 2000 ms (ITI prolongado) (Fig. 5b). Nuestro paradigma presentaba una tarea simple de detección de objetivos. Durante 36 ensayos, los dos cuadrados ubicados en el centro del tablero de ajedrez cambiaron su color a amarillo durante 133 ms (ensayo objetivo). Los participantes tenían que presionar un botón de cuadro de respuesta con el pulgar izquierdo lo más rápido posible si detectaban un objetivo. El paradigma consistió en un total de 144 ensayos: 36 ensayos objetivo, 108 ensayos estándar, ambos distribuidos por igual en las cuatro ubicaciones (Fig. 5b). Esta probabilidad objetivo del 25 % resultó en una prueba objetivo cada cuatro pruebas en promedio (rango 3–5 pruebas) (Fig. 5b). A lo largo de la tarea, se mostró una cruz de fijación negra en forma de X en el centro de la pantalla. Se instruyó a los participantes para que se fijaran continuamente en la cruz de fijación. Antes de la primera prueba, solo se mostró la cruz de fijación durante 10 s. Después de la última prueba, solo se mostró la cruz de fijación durante 20 s. La duración total del paradigma fue de 340 s (Fig. 5b). A los efectos de nuestros análisis, definimos un total de cuatro condiciones, una para cada una de las cuatro ubicaciones de estímulo. Cada participante practicó la tarea antes de la medición.

Paradigma del localizador de campo visual. (a) El paradigma consistía en tableros de ajedrez parpadeantes de color blanco y negro que aparecían al azar en posiciones homólogas del cuadrante visual del participante. En el 25% de las pruebas, los dos cuadrados ubicados en el centro cambiaron su color a amarillo durante 133 ms. Los participantes debían presionar un botón de cuadro de respuesta al notar eso. Se instruyó a los participantes para que fijaran continuamente una cruz de fijación negra en forma de x presentada en el centro de la pantalla. Aparecieron tableros de ajedrez durante 2000 ms. El intervalo regular entre ensayos (ITI) fue de 0 ms. (b) Cada 10-14 intentos, el ITI se extendió a 2000 ms. La tarea comprendió 144 ensayos (25% de ensayos objetivo). Fue precedida y seguida de una presentación de la cruz de fijación durante 10 s.

Adquirimos datos de resonancia magnética funcional en un escáner Siemens 3T MAGNETOM Trio en el Centro de imágenes cerebrales de la Universidad de Goethe utilizando una secuencia EPI 2D de eco de gradiente (32 cortes axiales, TR = 2000 ms, TE = 30 ms, FA = 90 °, FoV = 192 × 192 mm2, tamaño de vóxel = 3 × 3 × 3 mm3, espacio = 1 mm, espesor efectivo de corte = 4 mm). Los cortes se colocaron paralelos a la comisura anterior y posterior. Las imágenes funcionales se adquirieron en una sola ejecución que comprende la adquisición de 170 volúmenes. Inmediatamente antes de cada ejecución funcional, se adquirieron 6 volúmenes de esta secuencia EPI 2D con parámetros idénticos excepto por un cambio de dirección de codificación de fase (posterior a anterior en lugar de anterior a posterior) para la corrección de distorsión EPI. Los datos de resonancia magnética anatómica para la reconstrucción de la corteza y el registro conjunto con los datos de resonancia magnética funcional se adquirieron con un volumen 3D ponderado en T1 de alta resolución utilizando una secuencia de eco de gradiente rápido preparado por magnetización (MP-RAGE) (192 cortes sagitales, TR = 1900 ms , TE = 3,04 ms, TI 900 ms, FA = 9°, FoV = 256 × 256 mm2, tamaño de vóxel = 1 × 1 × 1 mm3). La presentación del estímulo se sincronizó constantemente con la secuencia de fMRI. El movimiento de la cabeza se minimizó con almohadas. La tarea fue proyectada por un proyector en un espejo unido a la bobina principal. Los datos de resonancia magnética fueron preprocesados ​​y analizados utilizando BrainVoyager 20.684, la caja de herramientas NeuroElf Matlab (www.neuroelf.net) y software personalizado escrito en Matlab. Un sujeto tuvo que ser excluido debido al excesivo movimiento dentro del escaneo.

El preprocesamiento de datos estructurales incluyó la limpieza del fondo, la extracción del cerebro y la corrección del campo de sesgo para minimizar las faltas de homogeneidad en la intensidad de la imagen84. La corrección del campo de sesgo empleó un enfoque de "ajuste de superficie" utilizando polinomios de orden bajo (Legendre) de mínimos cuadrados basados ​​en descomposición de valores singulares para modelar variaciones de baja frecuencia en el espacio de imagen 3D85. Usamos polinomios con un orden de tres, que ajustamos a un subconjunto de vóxeles etiquetados como pertenecientes a la sustancia blanca. Los parámetros estimados de los polinomios se usaron para construir un campo de sesgo, que se eliminó de los datos. Nuestro enfoque constaba de una iteración con etiquetado automático de materia blanca86 y cuatro iteraciones con etiquetado manual de materia blanca.

Posteriormente, los datos estructurales se transformaron en el espacio de coordenadas de Talairach29. Esto comprendió el etiquetado manual de la comisura anterior (AC) y la comisura posterior (PC), así como los bordes del cerebro. Estos puntos de referencia se usaron luego para rotar cada cerebro en el plano AC-PC seguido de transformaciones lineales por partes para ajustar cada cerebro en el sistema común de "cuadrícula proporcional" de Talairach19. Se realizó la transformación al espacio de coordenadas de Talairach porque el procedimiento de segmentación automática subsiguiente explota el conocimiento anatómico para la segmentación cerebral inicial, incluida la eliminación de estructuras subcorticales y la desconexión de los hemisferios corticales 87. Para preparar los datos para este procedimiento, realizamos un llenado manual de los ventrículos laterales. Sobre la base de la segmentación automática de los escaneos estructurales a lo largo del límite entre la materia gris y blanca87, los hemisferios corticales se reconstruyeron en representaciones de malla plegadas y topológicamente correctas, que se teselaron para producir reconstrucciones de superficie y calcular mapas de curvatura que reflejaban patrones individuales de plegado cortical. Las reconstrucciones de superficie se transformaron posteriormente en representaciones esféricas con distorsión corregida. Finalmente, tanto las representaciones de malla plegada como esférica se muestrearon a un número estándar de vértices (40.962 vértices por hemisferio, distancia media de vértice: 1,5 mm). Usamos estas representaciones de malla estandarizadas para todos los pasos de procesamiento basados ​​en la superficie.

Luego aplicamos un procedimiento de alineación basado en la corteza multiescala de alta resolución basado en los mapas de curvatura individuales de los 50 participantes para cada hemisferio por separado. Este enfoque CBA, que alinea de manera confiable las circunvoluciones y los surcos correspondientes entre los sujetos84, consiste en un paso de alineación rígido inicial y otro no rígido posterior19 (Fig. 6a, b). Durante el paso inicial, los patrones de plegado cortical de cada esfera se alinean rígidamente con el patrón de plegado cortical de una sola esfera objetivo mediante rotación global. Rigid CBA opera únicamente en mapas de curvatura altamente suavizados que contienen solo los puntos de referencia anatómicos más prominentes. Usamos los parámetros de rotación con el mayor grado de superposición entre la curvatura de cada esfera individual y la esfera objetivo como punto de partida para el CBA no rígido posterior.

Enfoque CBA totalmente basado en datos. CBA consistió en una alineación rígida a un solo cerebro objetivo y una alineación no lineal a un cerebro promedio de grupo actualizado iterativamente. (a) Llevamos a cabo un CBA inicial únicamente para generar un cerebro objetivo promedio imparcial para el CBA final. Utilizamos un cerebro seleccionado al azar entre todos los participantes para el CBA rígido inicial. (b) Para el CBA final, utilizamos el cerebro objetivo promedio imparcial creado durante el CBA inicial para un CBA rígido. (c) Generamos representaciones de superficie promedio antes y después de la alineación macroanatómica para cada hemisferio, que luego fusionamos, inflamos y usamos para el análisis y la visualización de los conjuntos de datos apropiados. La fila superior muestra las representaciones de malla esférica, plegada e inflada promedio del grupo antes de aplicar CBA. La fila inferior muestra las representaciones de malla esférica, plegada e inflada promedio del grupo después de aplicar CBA.

El CBA no rígido emplea una estrategia de coincidencia de grueso a fino, que opera secuencialmente en cuatro niveles de suavizado de curvatura, comenzando con el nivel de detalle utilizado durante el CBA rígido. Cada nivel subsiguiente incluye detalles anatómicos cada vez más finos hasta casi la información de curvatura completa. Es importante destacar que el CBA no rígido alinea cada patrón de plegamiento cortical con un promedio de grupo actualizado dinámicamente a través de morphing iterativo. Este enfoque de objetivo en movimiento, que genera el mapa de curvatura del objetivo a partir de la curvatura promedio en todos los hemisferios en una etapa de alineación dada, evita los posibles efectos de confusión de una selección subóptima de un cerebro objetivo individual, cuyo patrón de plegamiento podría desviarse considerablemente del promedio de la cohorte.

En particular, el CBA rígido generalmente utiliza un solo cerebro extraído al azar de la cohorte completa como su cerebro objetivo. Sin embargo, el patrón de plegamiento de este cerebro también podría desviarse considerablemente del promedio de la cohorte. Para abordar también este posible factor de confusión, primero realizamos un CBA preliminar que abarcaba la alineación macroanatómica tanto rígida como no rígida (Fig. 6a). Luego llevamos a cabo un segundo CBA final. Aquí, usamos el cerebro promedio alineado derivado del CBA preliminar como un objetivo imparcial para el paso de alineación rígida (Fig. 6b). Después del CBA no rígido final, fusionamos ambos hemisferios de cada cerebro individual para crear un espacio de análisis global basado en la superficie.

Además, para cada hemisferio creamos representaciones de superficie promedio a partir de las representaciones originales de malla plegada no alineada, que luego fusionamos, inflamos y usamos para el análisis y la visualización de datos. Repetimos estos pasos después de aplicar la matriz de transformación del CBA rígido y no rígido final a las representaciones de malla plegada, lo que produce una representación precisa de los efectos estructurales de la alineación macroanatómica (Fig. 6c).

Los primeros cuatro volúmenes de cada ejecución funcional se descartaron para permitir el equilibrio T1. El preprocesamiento inicial basado en el volumen de los datos de resonancia magnética funcional comprendía la corrección del tiempo de corte mediante la interpolación sinc y la corrección de movimiento 3D mediante la interpolación sinc. A continuación, realizamos la corrección de la distorsión de la imagen ecoplanar utilizando el método de Corrección basada en la codificación de fase opuesta88,89. Los datos funcionales corregidos por distorsión EPI se registraron conjuntamente en los cerebros extraídos sin transformar. Esto se logró utilizando un algoritmo de registro basado en límites optimizado para análisis basados ​​en superficies90. Después del registro conjunto de los datos estructurales completamente limpios pero sin transformar, los datos funcionales se transformaron en el espacio de coordenadas de Talairach aplicando la matriz de transformación generada durante la transformación de Talairach de los datos estructurales mediante la interpolación sinc. Esta transformación conservó el tamaño de vóxel original de los datos funcionales (3 × 3 × 3 mm3) (Fig. 7).

Secuencias de preprocesamiento de datos funcionales, corregistro de datos estructurales y funcionales y operaciones de transformación espacial utilizadas para generar los tres conjuntos de datos funcionales utilizados en nuestro estudio: VBA, SBAV y CBA. Para VBA, llevamos a cabo todas las operaciones de preprocesamiento de datos en el espacio de volumen, incluida la corrección de tiempo de escaneo de corte, corrección de movimiento 3D, corrección de distorsión de imágenes ecoplanares, suavizado espacial 3D y eliminación de tendencias lineales con filtrado de paso alto temporal. Finalmente, los datos funcionales se registraron conjuntamente con los datos estructurales y se transformaron en el espacio de Talairach. Para SBAV y CBA, llevamos a cabo todas las operaciones de preprocesamiento de datos hasta la corrección de distorsión de imágenes ecoplanares en el espacio de volumen. Aquí, el registro conjunto de los datos funcionales en los datos estructurales y la transformación en el espacio de Talairach fue seguida por la transformación en el espacio de superficie. Luego llevamos a cabo el suavizado espacial 2D y la eliminación de tendencias lineales con filtrado temporal de paso alto en el espacio de superficie. Solo para CBA, posteriormente aplicamos alineación macroanatómica.

Luego, los datos funcionales volumétricos se transformaron en espacio de superficie mediante el muestreo en las reconstrucciones de la superficie cortical individual que incorporan datos de -1 a + 3 mm a lo largo de los vértices normales mediante interpolación trilineal. El procesamiento previo posterior de los datos de fMRI en el espacio de superficie comenzó con el suavizado espacial utilizando una interpolación de vecino más cercano (1 iteración). Basado en la distancia de vértice estandarizada de 1,5 mm, esto se aproxima a un núcleo de suavizado gaussiano 2D con un ancho total a la mitad del máximo (FWHM) de 3 mm. Optamos por un suavizado espacial mínimo para evitar la pérdida de precisión de nuestro localizador de campo visual. El suavizado espacial fue seguido por la eliminación de tendencias lineales y el filtrado de paso alto temporal utilizando la transformación rápida de Fourier (paso alto 0,00903 Hz). Con base en la referencia de vértice a vértice de las reconstrucciones de superficie plegadas y topológicamente correctas a las representaciones esféricas, mapeamos los datos funcionales completamente preprocesados ​​en un sistema de coordenadas esféricas común (Fig. 7). Finalmente, aplicamos máscaras anatómicas basadas en la superficie que solo incluían vértices corticales en nuestro análisis a los datos funcionales. Estas máscaras excluyeron las estructuras subcorticales, que se mapearon en la línea media de nuestras reconstrucciones de superficie, es decir, partes del tálamo y los ganglios basales. Para el análisis de datos funcionales y la subsiguiente corrección de Bonferroni en el espacio superficial, se obtuvo un número total de 76.132 vértices.

Para generar un conjunto de datos puramente volumétricos para la comparación de VBA y SBAV, el preprocesamiento después de la corrección de la distorsión EPI también se realizó en un espacio de volumen reflejando lo más cerca posible los pasos y parámetros descritos anteriormente para el preprocesamiento basado en la superficie. En primer lugar, aplicamos suavizado espacial utilizando un núcleo de suavizado gaussiano 3D con un FWHM de 3 mm, que se aproxima al grado de suavizado espacial basado en la superficie. En segundo lugar, aplicamos la eliminación de tendencias lineales y el filtrado temporal de paso alto mediante la transformación rápida de Fourier (0,00903 Hz de paso alto) utilizando parámetros que coincidían exactamente con el preprocesamiento basado en la superficie (Fig. 7). Este conjunto de datos no se transformó en espacio superficial y no incluía una máscara anatómica. Para el análisis de datos funcionales y la subsiguiente corrección de Bonferroni en el espacio de volumen, esto arrojó un número total de 52.504 vóxeles. Por lo tanto, el espacio de análisis para VBA fue el 69 % del tamaño del espacio de análisis para SBAV y CBA (52 504 vóxeles frente a 76 132 vértices). Esta diferencia conduce a un umbral estadístico corregido de Bonferroni menos estricto para VBA (p = 0,00000095) en comparación con SBAV y CBA (p = 0,00000066). En particular, no corregimos esta diferencia, aunque aumentó la dificultad de confirmar la superioridad hipotética de CBA en comparación con VBA a nivel de grupo.

En general, generamos tres conjuntos de datos funcionales diferentes: un conjunto de datos basado en volumen, que fue completamente preprocesado y alineado en volumen-espacio (VBA); un conjunto de datos basado en la superficie, para el cual los pasos finales de preprocesamiento (suavizado espacial y filtrado temporal) solo se aplicaron después de la transformación en el espacio de la superficie, pero sin alineación macroanatómica (SBAV); y un conjunto de datos basado en la superficie, que se preprocesó exactamente de la misma manera que el conjunto de datos SBAV y también utilizó alineación macroanatómica (CBA) (Fig. 7). En consecuencia, el análisis principal de estos conjuntos de datos se llevó a cabo en el espacio de volumen (VBA) y el espacio de superficie (SBAV, CBA), respectivamente. Las comparaciones directas planificadas entre estos tres conjuntos de datos nos permitieron evaluar los efectos de los diferentes pasos de nuestro enfoque de alineación macroanatómica. Comparamos los conjuntos de datos de VBA y SBAV para evaluar de forma aislada el impacto del procesamiento previo basado en la superficie, manteniendo constante la alineación macroanatómica. Comparamos los conjuntos de datos SBAV y CBA para evaluar de forma aislada el impacto de la alineación macroanatómica mientras mantenemos constantes los parámetros de preprocesamiento. Finalmente, comparamos los conjuntos de datos de VBA y CBA para evaluar el impacto combinado del preprocesamiento basado en la superficie y la alineación macroanatómica.

Realizamos análisis estadísticos de múltiples sujetos utilizando regresión lineal múltiple de la señal BOLD. La presentación de cada secuencia de estímulo de tablero de ajedrez en un solo lugar fue modelada por una función de vagón de caja ideal, que cubría el volumen de cada ensayo, convolucionado con una función de dos gamma sintética. Estos predictores se utilizaron para construir la matriz de diseño del experimento. Los mapas estadísticos individuales se generaron asociando cada vóxel con el valor beta correspondiente al conjunto específico de predictores y se calcularon sobre la base de la solución de mínimos cuadrados medios del modelo lineal general. Los mapas estadísticos individuales resultantes se introdujeron en un análisis grupal de efectos aleatorios de segundo nivel utilizando un enfoque estadístico de resumen.

Realizamos análisis centrándonos en el mapeo de los cuatro cuadrantes visuales a nivel de grupo. Para definir los ROI a nivel de grupo para cada cuadrante visual, calculamos contrastes ponderados separados para cada cuadrante frente a los otros tres cuadrantes. Asignamos un peso de tres a la posición de interés, por ejemplo (βQuad_1 × 3)/(βQuad_2 + βQuad_3 + βQuad_4) (p < 0,05, corregido por Bonferroni). Esto nos permitió detectar regiones del cerebro que mostraban una selectividad de posición significativa. Para cada ROI a nivel de grupo resultante, extrajimos cursos de tiempo promedio (incluidos los errores estándar de la media) para las cuatro condiciones. Realizamos este análisis para los tres conjuntos de datos (VBA, SBAV, CBA). Para el conjunto de datos de VBA, calculamos este análisis completamente en el espacio de volumen utilizando la resolución original de los datos funcionales (tamaño de vóxel: 3 × 3 × 3 mm3). Proyectamos los mapas resultantes en la representación de superficie promedio no alineada, es decir, las representaciones de malla inflada antes de CBA, como se muestra en la fila superior de la Fig. 6c. Con este fin, los mapas funcionales volumétricos se transformaron en espacio de superficie mediante el muestreo en la superficie cortical promedio incorporando datos de -1 a + 3 mm a lo largo de los vértices normales de la superficie cerebral promedio del grupo usando interpolación trilineal.

Con esta transformación, nuestro objetivo era lograr una visualización y cuantificación de los resultados de VBA equivalentes a los resultados de SBAV y CBA. Para que los tres conjuntos de datos sean comparables, esta transformación de mapas funcionales volumétricos reflejó fielmente la transformación de datos funcionales en espacio de superficie realizada para los conjuntos de datos SBAV y CBA durante el preprocesamiento. Por lo tanto, pudimos evaluar los tamaños de clúster para todos los ROI de todos los conjuntos de datos en el espacio de superficie en función de los vértices numéricos. También extrajimos el número de vóxeles para los resultados de VBA antes de la transformación en espacio de superficie. Sin embargo, este parámetro no es adecuado para una comparación con los otros conjuntos de datos y solo se incluyó para garantizar un informe completo de nuestros hallazgos.

Utilizamos dos enfoques para determinar si la selectividad de posición difería entre nuestros tres conjuntos de datos: primero, para evaluar las diferencias en la extensión de la corteza visual temprana que mostraba una selectividad de posición significativa, comparamos el tamaño del ROI, es decir, el número de vértices, para cada posición de interés. a través de conjuntos de datos. Con este fin, comparamos los cambios cuantitativos en el tamaño del ROI del grupo entre los métodos de alineación utilizando la siguiente fórmula: {(size_ROIQuad[AMm] − size_ROIQuad[AMn])/size_ROIQuad[AMn]} × 100. Aquí, Quad indexa el cuadrante visual de interés (LR, LL, UL, UR). AM se refiere a métodos de alineación (VBA, SBAV, CBA). Los caracteres con subíndice n y m especifican AM, con m refiriéndose al AM menos avanzado y n refiriéndose al AM comparativamente más avanzado. En consecuencia, un valor positivo indica un aumento en el tamaño de la ROI (y, por lo tanto, en la selectividad de la posición) para el método de alineación más avanzado. En segundo lugar, para probar si la fuerza de la selectividad de posición dentro de los ROI de cada cuadrante visual cambió a través de las técnicas de alineación, realizamos modelos mixtos lineales separados con intersección aleatoria para cada cuadrante visual usando R (versión R 4.1.2). Para calcular el grado de selectividad de posición dentro de cada ROI, contrastamos los valores t de un solo sujeto de cada cuadrante visual ("posición de interés") con los valores t de un solo sujeto de los otros tres cuadrantes visuales, por ejemplo (tQuad_1 × 3)/(tQuad_2 + tQuad_3 + tQuad_4), por separado para cada método de alineación. Utilizamos los resultados de estos contrastes de cada sujeto como variable dependiente y los métodos de alineación (VBA, SBAV y CBA) como variable independiente. Para corregir las comparaciones múltiples, los valores de p se ajustaron mediante la corrección de Bonferroni. Por lo tanto, un efecto significativo en los modelos mixtos lineales indicaría un cambio relevante en la selectividad de posición entre los métodos de alineación para un cuadrante visual dado.

Finalmente, para evaluar el impacto de los tres enfoques de alineación en la simetría horizontal y vertical de nuestros ROI a nivel de grupo, calculamos un índice de asimetría establecido (AI)91 basado en el tamaño del ROI, es decir, el número de vértices, entre cada par de ROI usando la siguiente fórmula: (|sizeROI_1 – sizeROI_2|/sizeROI_1 + sizeROI_2) × 100. Para calcular la IA vertical, comparamos la cantidad de vértices de las ROI enfrentadas en el eje vertical. Por lo tanto, para la IA vertical comparamos los cuadrantes visuales izquierdo y derecho. Para calcular la IA horizontal, comparamos la cantidad de vértices de ROI enfrentados en el eje horizontal. Por lo tanto, para la IA horizontal comparamos los cuadrantes visuales superior e inferior.

Para cuantificar y visualizar la variabilidad de la activación funcional y los posibles cambios inducidos por la alineación macroanatómica, se ha propuesto el uso de PM. Los PM son específicamente útiles para evaluar las inconsistencias, es decir, las disparidades entre individuos con respecto a la ubicación de un área (visual) particular92,93. Para cuantificar la consistencia espacial de los patrones de activación selectivos de posición, generamos PM para cada cuadrante visual para los tres conjuntos de datos (VBA, SBAV, CBA). Estos mapas representan el número relativo de sujetos que muestran una actividad significativa relacionada con la tarea en nuestro análisis de un solo sujeto. Con este fin, generamos mapas t de un solo sujeto basados ​​en los mismos contrastes ponderados empleados en el análisis de grupo, pero establecidos en un umbral estadístico más indulgente (p < 0,05 sin corregir). Los PM se calcularon contando el número de sujetos que mostraban activación por encima del umbral en sus mapas t individuales en un vértice dado, dividiendo este valor por el número total de sujetos y multiplicando el resultado por 100. Para el conjunto de datos de VBA, calculamos todos estos pasos en el espacio del volumen y transformaron el PM final en el espacio de la superficie utilizando los mismos parámetros descritos anteriormente para los mapas de grupos volumétricos. Finalmente, fijamos todos los PM en un mínimo del 10 % de probabilidad de superposición de activación. También aplicamos un umbral de nivel de grupo de 100 vértices para centrarnos en las principales áreas de interés, es decir, los cuadrantes visuales. Además, contamos la cantidad de vértices en los mapas de probabilidad correspondientes que superan el umbral del 10% de probabilidad de superposición de activación para cada cuadrante visual y métodos de análisis. Nuestro objetivo fue cuantificar y comparar la extensión de la corteza visual temprana, donde cada método de análisis tuvo un impacto relevante en la probabilidad de superposición de activación.

Además, nuestro objetivo fue cuantificar los cambios en la consistencia espacial de los patrones de activación selectiva de posición resultantes de los diferentes métodos de alineación. Con este fin, calculamos los PDM para cada cuadrante visual, umbralizados a una diferencia de probabilidad mínima del 5 %, utilizando los PM originales sin umbral. Los tres PDM resultantes capturan diferentes aspectos de nuestro enfoque general: el impacto de la lectura y preprocesamiento de datos funcionales basados ​​en la superficie en comparación con la alineación basada en el volumen (SBAV menos VBA), el impacto adicional de aplicar la alineación macroanatómica (CBA menos SBAV) y el impacto aditivo de ambos métodos (CBA menos VBA). Además, contamos el número de vértices en los PDM correspondientes que superan el umbral de más cinco o menos cinco % de diferencia en la probabilidad de superposición de activación para cada cuadrante visual. Nuestro objetivo era cuantificar y comparar la extensión de la corteza visual temprana, donde observamos una diferencia en la probabilidad de superposición de activación, para comparar el método de análisis.

Para los análisis a nivel de un solo sujeto, primero definimos los ROI para cada sujeto de forma independiente antes y después de la alineación macroanatómica, es decir, para SBAV y CBA, utilizando los mismos contrastes ponderados empleados en el análisis de grupo. Aplicamos un umbral estadístico más indulgente (p < 0,05 sin corregir). A continuación, determinamos el vértice máximo para las ROI de los cuatro cuadrantes visuales de cada sujeto, es decir, el vértice con el valor t más alto, para SBAV y CBA. Para evaluar específicamente el impacto de la alineación macroanatómica en la superposición de los vértices máximos de ROI de un solo sujeto para cada cuadrante visual, mapeamos todos los vértices máximos por cuadrante visual para SBAV y CBA. Para cuantificar los cambios en el número de vértices máximos de un solo sujeto superpuestos con precisión, contamos para cada vértice occipital el número de vértices máximos para SBAV y CBA. Realizamos este análisis además del análisis PM y PDM para proporcionar una evaluación y visualización más directas de los efectos de la alineación macroanatómica en la correspondencia espacial de los ROI de un solo sujeto. Restringimos este análisis particular a la comparación entre SBAV y CBA, porque estábamos específicamente interesados ​​en estudiar de forma aislada el efecto de la alineación macroanatómica introducida en el conjunto de datos de CBA en la superposición de los vértices máximos de ROI de un solo sujeto. Dado que tanto VBA como SBAV no incluían la alineación macroanatómica, pero ambos conjuntos de datos diferían en una serie de otros pasos de preprocesamiento, la comparación directa entre SBAV y CBA es la más adecuada para estudiar este tema en particular.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente, RAB, previa solicitud razonable.

Wandell, BA, Dumoulin, SO & Brewer, AA Mapas de campo visual en la corteza humana. Neurona 56, 366–383. https://doi.org/10.1016/j.neuron.2007.10.012 (2007).

Artículo CAS PubMed Google Académico

Corbetta, M. & Shulman, GL Control de la atención dirigida por objetivos y estimulada por estímulos en el cerebro. Nat. Rev. Neurosci. 3, 201–215. https://doi.org/10.1038/nrn755 (2002).

Artículo CAS PubMed Google Académico

Das, M., Bennett, DM y Dutton, GN La atención visual como una función visual importante: un resumen de las manifestaciones, el diagnóstico y el manejo de la atención visual deficiente. Hermano J. Oftalmol. 91, 1556-1560. https://doi.org/10.1136/bjo.2006.104844 (2007).

Artículo PubMed PubMed Central Google Académico

de Haan, B., Bither, M., Brauer, A. y Karnath, HO Correlatos neuronales de atención espacial y detección de objetivos en un entorno de objetivos múltiples. cerebro. Corteza 25, 2321–2331. https://doi.org/10.1093/cercor/bhu046 (2015).

Artículo PubMed Google Académico

Goodale, M. & Milner, D. Un cerebro: dos sistemas visuales. Psicólogo 19, 660–663 (2006).

Google Académico

Bergmann, J., Genç, E., Kohler, A., Singer, W. & Pearson, J. La anatomía neural de la corteza visual primaria limita la memoria de trabajo visual. cerebro. Corteza 26, 43–50. https://doi.org/10.1093/cercor/bhu168 (2014).

Artículo PubMed Google Académico

Lee, J. et al. Evidencia de fMRI de adaptación neuronal aberrante para objetos en esquizofrenia y trastorno bipolar. Tararear. Mapa cerebral. 40, 1608–1617. https://doi.org/10.1002/hbm.24472 (2019).

Artículo PubMed Google Académico

Silverstein, SM et al. Un examen fMRI de integración visual en la esquizofrenia. J.Integr. Neurosci. 8, 175–202. https://doi.org/10.1142/s0219635209002113 (2009).

Artículo PubMed Google Académico

Dumoulin, SO & Wandell, BA Estimaciones del campo receptivo de la población en la corteza visual humana. Neuroimagen 39, 647–660. https://doi.org/10.1016/j.neuroimage.2007.09.034 (2008).

Artículo PubMed Google Académico

Sereno, MI et al. Bordes de múltiples áreas visuales en humanos revelados por imágenes de resonancia magnética funcional. Ciencia (Nueva York, NY) 268, 889–893. https://doi.org/10.1126/science.7754376 (1995).

Artículo ADS CAS Google Académico

Harrison, SA & Tong, F. La decodificación revela los contenidos de la memoria de trabajo visual en áreas visuales tempranas. Naturaleza 458, 632–635. https://doi.org/10.1038/nature07832 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Peters, B., Kaiser, J., Rahm, B. y Bledowski, C. La actividad en la corteza parietal y visual humana revela la atención basada en objetos en la memoria de trabajo. J. Neurosci. 35, 3360–3369. https://doi.org/10.1523/jneurosci.3795-14.2015 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Downing, PE, Chan, AW, Peelen, MV, Dodds, CM y Kanwisher, N. Especificidad de dominio en la corteza visual. cerebro. Corteza 16, 1453-1461. https://doi.org/10.1093/cercor/bhj086 (2006).

Artículo CAS PubMed Google Académico

Kanwisher, N., McDermott, J. & Chun, MM El área facial fusiforme: un módulo en la corteza extraestriada humana especializado en la percepción facial. J. Neurosci. 17, 4302–4311. https://doi.org/10.1523/jneurosci.17-11-04302.1997 (1997).

Artículo CAS PubMed PubMed Central Google Scholar

Brett, M., Johnsrude, IS & Owen, AM El problema de la localización funcional en el cerebro humano. Nat. Rev. Neurosci. 3, 243–249. https://doi.org/10.1038/nrn756 (2002).

Artículo CAS PubMed Google Académico

Desai, R., Liebenthal, E., Possing, ET, Waldron, E. & Binder, JR Alineación volumétrica frente a basada en la superficie para la localización de la activación de la corteza auditiva. Neuroimagen 26, 1019–1029. https://doi.org/10.1016/j.neuroimage.2005.03.024 (2005).

Artículo PubMed Google Académico

Dougherty, RF y col. Representaciones del campo visual y ubicaciones de las áreas visuales V1/2/3 en la corteza visual humana. J. Vis. 3, 586–598. https://doi.org/10.1167/3.10.1 (2003).

Artículo PubMed Google Académico

Fischl, B., Sereno, MI & Dale, AM Análisis basado en la superficie cortical. II: inflación, aplanamiento y un sistema de coordenadas basado en la superficie. Neuroimagen 9, 195–207. https://doi.org/10.1006/nimg.1998.0396 (1999).

Artículo CAS PubMed Google Académico

Frost y Gobel. Medición de la correspondencia estructural-funcional: variabilidad espacial de regiones cerebrales especializadas después de la alineación macroanatómica. Neuroimagen 59, 1369–1381. https://doi.org/10.1016/j.neuroimage.2011.08.035 (2012).

Artículo PubMed Google Académico

Frost y Gobel. Alineación basada en la corteza informada funcionalmente: un enfoque integrado para la alineación funcional basada en ROI y macroanatómica de toda la corteza. Neuroimagen 83, 1002–1010. https://doi.org/10.1016/j.neuroimage.2013.07.056 (2013).

Artículo PubMed Google Académico

Steinmetz, H., Fürst, G. & Freund, HJ Variación de puntos de referencia anatómicos perisilvianos y calcarinos dentro de coordenadas proporcionales estereotáxicas. Soy. J. Neuroradiol. 11, 1123–1130 (1990).

CAS PubMed PubMed Central Google Académico

Van Essen, DC et al. Un paquete de software integrado para análisis basados ​​en la superficie de la corteza cerebral. Mermelada. Medicina. Informar. Asoc. 8, 443–459. https://doi.org/10.1136/jamia.2001.0080443 (2001).

Artículo ADS PubMed PubMed Central Google Scholar

Zilles, K. et al. Análisis cuantitativo de surcos en la corteza cerebral humana: desarrollo, heterogeneidad regional, diferencia de género, asimetría, variabilidad entre sujetos y arquitectura cortical. Tararear. Mapa cerebral. 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">Artículo CAS PubMed Google Académico

Bridge, H. Mapeo del cerebro visual: cómo y por qué. Ojo (Londres) 25, 291–296. https://doi.org/10.1038/eye.2010.166 (2011).

Artículo CAS Google Académico

Fedorenko , E. , Hsieh , PJ , Nieto-Castañón , A. , Whitfield-Gabrieli , S. & Kanwisher , N. Un nuevo método para las investigaciones de fMRI del lenguaje: definición funcional de los ROI en sujetos individuales . J. Neurofisiol. Rev. 104 , 1177–1194. https://doi.org/10.1152/jn.00032.2010 (2010).

Artículo PubMed PubMed Central Google Académico

Julian, JB, Fedorenko, E., Webster, J. & Kanwisher, N. Un método algorítmico para definir funcionalmente regiones de interés en la vía visual ventral. Neuroimagen 60, 2357–2364. https://doi.org/10.1016/j.neuroimage.2012.02.055 (2012).

Artículo CAS PubMed Google Académico

Nieto-Castañón, A. & Fedorenko, E. Los localizadores funcionales específicos del sujeto aumentan la sensibilidad y la resolución funcional de los análisis de múltiples sujetos. Neuroimagen 63, 1646–1669. https://doi.org/10.1016/j.neuroimage.2012.06.065 (2012).

Artículo PubMed Google Académico

Smith, SM et al. Conectómica funcional de fMRI en estado de reposo. Cognición de tendencias. ciencia 17, 666–682. https://doi.org/10.1016/j.tics.2013.09.016 (2013).

Artículo PubMed PubMed Central Google Académico

Talairach, J. & Tournoux, P. Atlas estereotáxico coplanar del cerebro humano: sistema proporcional tridimensional: una aproximación a las imágenes cerebrales (Thieme, 1988).

Google Académico

Evans, AC et al. Modelos neuroanatómicos estadísticos en 3D de 305 volúmenes de resonancia magnética. En 1993 IEEE Conference Record Simposio de ciencia nuclear y Conferencia de imágenes médicas, 1813–1817 vol.1813 (1993).

Klein, A. et al. Evaluación de métodos de registro de imágenes cerebrales basados ​​en el volumen y en la superficie. Neuroimagen 51, 214–220. https://doi.org/10.1016/j.neuroimage.2010.01.091 (2010).

Artículo PubMed Google Académico

Ghosh, SS et al. Evaluación de la validez del registro de imágenes cerebrales basadas en el volumen y en la superficie para estudios de neurociencia cognitiva del desarrollo en niños de 4 a 11 años de edad. Neuroimagen 53, 85–93. https://doi.org/10.1016/j.neuroimage.2010.05.075 (2010).

Artículo PubMed Google Académico

Nieto-Castanon, A., Ghosh, SS, Tourville, JA y Guenther, FH Análisis basado en regiones de interés de datos de imágenes funcionales. Neuroimagen 19, 1303–1316. https://doi.org/10.1016/s1053-8119(03)00188-5 (2003).

Artículo PubMed Google Académico

Fischl, B., Sereno, MI, Tootell, RB y Dale, AM Promedio entre sujetos de alta resolución y un sistema de coordenadas para la superficie cortical. Tararear. Mapa cerebral. 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">Artículo CAS PubMed PubMed Central Google Scholar

Brodoehl, S., Gaser, C., Dahnke, R., Witte, OW y Klingner, CM El análisis basado en superficies aumenta la especificidad de los patrones de activación cortical y los resultados de conectividad. ciencia Rep. 10, 5737. https://doi.org/10.1038/s41598-020-62832-z (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Fischl, B. et al. Patrones de plegamiento cortical y citoarquitectura predictiva. cerebro. Corteza 18, 1973–1980. https://doi.org/10.1093/cercar/bhm225 (2008).

Artículo PubMed Google Académico

Anticevic, A. et al. Comparación de análisis basados ​​en la superficie y en el volumen de datos de neuroimagen funcional en pacientes con esquizofrenia. Neuroimagen 41, 835–848. https://doi.org/10.1016/j.neuroimage.2008.02.052 (2008).

Artículo PubMed Google Académico

Pantazis, D. et al. Comparación de métodos automáticos y basados ​​en puntos de referencia para el registro de superficies corticales. Neuroimagen 49, 2479–2493. https://doi.org/10.1016/j.neuroimage.2009.09.027 (2010).

Artículo PubMed Google Académico

Van Essen, DC & Drury, HA Análisis estructurales y funcionales de la corteza cerebral humana utilizando un atlas de superficie. J. Neurosci. 17, 7079–7102. https://doi.org/10.1523/jneurosci.17-18-07079.1997 (1997).

Artículo PubMed PubMed Central Google Académico

Frost, MA, Esposito, F. & Goebel, R. Correspondencia mejorada de las redes de estado de reposo después de la alineación macroanatómica. Tararear. Mapa cerebral. 35, 673–682. https://doi.org/10.1002/hbm.22191 (2014).

Artículo PubMed Google Académico

Hinds, OP et al. Predicción precisa de la ubicación de V1 a partir de pliegues corticales en un sistema de coordenadas de superficie. Neuroimagen 39, 1585–1599. https://doi.org/10.1016/j.neuroimage.2007.10.033 (2008).

Artículo PubMed Google Académico

Weiner, KS y col. Definición de la ubicación más probable del área del lugar parahipocampal mediante alineación basada en la corteza y validación cruzada. Neuroimagen 170, 373–384. https://doi.org/10.1016/j.neuroimage.2017.04.040 (2018).

Artículo PubMed Google Académico

Rosenke, M., van Hoof, R., van den Hurk, J., Grill-Spector, K. y Goebel, R. Un atlas funcional probabilístico de la corteza visual occipito-temporal humana. cerebro. Corteza https://doi.org/10.1093/cercor/bhaa246 (2020).

Artículo PubMed PubMed Central Google Académico

Huang, T., Chen, X., Jiang, J., Zhen, Z. & Liu, J. Un atlas probabilístico del complejo de movimiento humano construido a partir de datos de localizadores funcionales a gran escala. Tararear. Mapa cerebral. 40, 3475–3487. https://doi.org/10.1002/hbm.24610 (2019).

Artículo PubMed PubMed Central Google Académico

Di Russo, F., Martínez, A. & Hillyard, SA Análisis de fuentes de actividad cortical relacionada con eventos durante la atención visuoespacial. cerebro. Corteza 13, 486–499. https://doi.org/10.1093/cercar/13.5.486 (2003).

Artículo PubMed Google Académico

Di Russo, F., Martínez, A., Sereno, MI, Pitzalis, S. & Hillyard, SA Fuentes corticales de los componentes tempranos del potencial evocado visual. Tararear. Mapa cerebral. 15, 95–111. https://doi.org/10.1002/hbm.10010 (2002).

Artículo PubMed Google Académico

Shigihara, Y., Hoshi, H. y Zeki, S. Respuestas corticales visuales tempranas producidas por la estimulación del patrón de tablero de ajedrez. Neuroimagen https://doi.org/10.1016/j.neuroimage.2016.03.078 (2016).

Artículo PubMed Google Académico

Kraft, A. et al. Técnica de localizador fMRI: Adquisición eficiente y propiedades funcionales de posiciones retinotópicas individuales en la corteza visual humana. Neuroimagen 28, 453–463. https://doi.org/10.1016/j.neuroimage.2005.05.050 (2005).

Artículo PubMed Google Académico

Bressler, DW & Silver, MA La atención espacial mejora la confiabilidad de las señales de mapeo retinotópico de fMRI en la corteza occipital y parietal. Neuroimagen 53, 526–533. https://doi.org/10.1016/j.neuroimage.2010.06.063 (2010).

Artículo PubMed Google Académico

Anderson, J., Cameron, E. & Levine, M. Un método para cuantificar las faltas de homogeneidad del campo visual. Vis. Res. 105, 25. https://doi.org/10.1016/j.visres.2014.09.010 (2014).

Artículo Google Académico

Liu, T., Heeger, DJ & Carrasco, M. Correlatos neurales de la asimetría del meridiano vertical visual. J. Vis. 6, 1294–1306. https://doi.org/10.1167/6.11.12 (2006).

Artículo PubMed Google Académico

O'Connell, C. et al. Correlatos estructurales y funcionales de la asimetría del campo visual en el cerebro humano mediante resonancia magnética con curtosis por difusión y resonancia magnética funcional. NeuroInforme 27, 1225–1231. https://doi.org/10.1097/wnr.0000000000000682 (2016).

Artículo PubMed PubMed Central Google Académico

Rubin, N., Nakayama, K. y Shapley, R. Percepción mejorada de contornos ilusorios en los hemicampos visuales inferior versus superior. Ciencia 271, 651–653. https://doi.org/10.1126/science.271.5249.651 (1996).

Artículo ADS CAS PubMed Google Scholar

Bullmore, E. & Sporns, O. Redes cerebrales complejas: análisis teórico gráfico de sistemas estructurales y funcionales. Nat. Rev. Neurosci. 10, 186–198. https://doi.org/10.1038/nrn2575 (2009).

Artículo CAS PubMed Google Académico

Chen, H., Yao, D. y Liu, Z. Un estudio sobre la asimetría del campo visual espacial mediante el análisis de la respuesta de fMRI BOLD. Cerebro Topogr. 17, 39–46. https://doi.org/10.1023/b:brat.0000047335.00110.6a (2004).

Artículo PubMed Google Académico

Loughnane, GM, Shanley, JP, Lalor, EC y O'Connell, RG Evidencia conductual y electrofisiológica de asimetrías visuoespaciales laterales opuestas en los campos visuales superior e inferior. Corteza 63, 220–231. https://doi.org/10.1016/j.cortex.2014.09.003 (2015).

Artículo PubMed Google Académico

Eickhoff, SB, Rottschy, C., Kujovic, M., Palomero-Gallagher, N. y Zilles, K. Principios organizativos de la corteza visual humana revelados por el mapeo de receptores. cerebro. Corteza 18, 2637–2645. https://doi.org/10.1093/cercor/bhn024 (2008).

Artículo PubMed PubMed Central Google Académico

Curcio, CA & Allen, KA Topografía de las células ganglionares en la retina humana. J.Comp. Neurol. 300, 5–25. https://doi.org/10.1002/cne.903000103 (1990).

Artículo CAS PubMed Google Académico

Silson, EH, Reynolds, RC, Kravitz, DJ y Baker, CI Muestreo diferencial del espacio visual en la corteza visual temprana ventral y dorsal. J. Neurosci. 38, 2294–2303. https://doi.org/10.1523/jneurosci.2717-17.2018 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Hagler, DJ Jr. Asimetrías de campo visual en respuestas evocadas visuales. J. Vis. 14, 13. https://doi.org/10.1167/14.14.13 (2014).

Artículo PubMed PubMed Central Google Académico

Schmidtmann, G., Logan, AJ, Kennedy, GJ, Gordon, GE y Loffler, G. Distinción de la preferencia del campo visual inferior por la forma del objeto. J. Vis. 15, 18. https://doi.org/10.1167/15.5.18 (2015).

Artículo PubMed Google Académico

Thomas, NA & Elias, LJ Diferencias de campo visual superior e inferior en asimetrías perceptivas. Res. cerebral. 1387, 108–115. https://doi.org/10.1016/j.brainres.2011.02.063 (2011).

Artículo CAS PubMed Google Académico

Zito, GA, Cazzoli, D., Müri, RM, Mosimann, UP & Nef, T. Diferencias de comportamiento en los hemicampos visuales superior e inferior en la percepción de forma y movimiento. Frente. Comportamiento Neurosci. 10, 128–128. https://doi.org/10.3389/fnbeh.2016.00128 (2016).

Artículo PubMed PubMed Central Google Académico

Bakroon, A. & Lakshminarayanan, V. Función visual en los trastornos del espectro autista: una revisión crítica. clin. Exp. Opta. 99, 297–308. https://doi.org/10.1111/cxo.12383 (2016).

Artículo PubMed Google Académico

Butler, PD et al. Disfunción del procesamiento visual en etapa temprana en la esquizofrenia. Soy. J. Psiquiatría 158, 1126–1133. https://doi.org/10.1176/appi.ajp.158.7.1126 (2001).

Artículo CAS PubMed Google Académico

Butler, PD, Silverstein, SM y Dakin, SC La percepción visual y su deterioro en la esquizofrenia. Biol. Psiquiatría 64, 40–47. https://doi.org/10.1016/j.biopsych.2008.03.023 (2008).

Artículo PubMed PubMed Central Google Académico

Chen, CY et al. Atención visoespacial en niños con trastorno por déficit de atención con hiperactividad. Chang Gung Med. J. 25, 514–521 (2002).

Académico de Google de PubMed

Hale, TS et al. Asimetría de red visual y función de red de modo predeterminado en TDAH: un estudio de fMRI. Frente. Psiquiatría 5, 81. https://doi.org/10.3389/fpsyt.2014.00081 (2014).

Artículo PubMed PubMed Central Google Académico

Sanz-Cervera, P., Pastor-Cerezuela, G., González-Sala, F., Tárraga-Mínguez, R. & Fernández-Andrés, M.-I. Procesamiento sensorial en niños con trastorno del espectro autista y/o trastorno por déficit de atención con hiperactividad en los contextos del hogar y el aula. Frente. psicol. 8, 1772–1772. https://doi.org/10.3389/fpsyg.2017.01772 (2017).

Artículo PubMed PubMed Central Google Académico

Seymour, RA, Rippon, G., Gooding-Williams, G., Schoffelen, JM y Kessler, K. Conectividad oscilatoria desregulada en el sistema visual en el trastorno del espectro autista. Cerebro 142, 3294–3305. https://doi.org/10.1093/brain/awz214 (2019).

Artículo PubMed PubMed Central Google Académico

Shimizu, VT, Bueno, OF & Miranda, MC Habilidades de procesamiento sensorial de niños con TDAH. Brasil. J. física. El r. 18, 343–352. https://doi.org/10.1590/bjpt-rbf.2014.0043 (2014).

Artículo PubMed PubMed Central Google Académico

Bittner, RA et al. El cuándo y dónde de la disfunción de la memoria de trabajo en la esquizofrenia de inicio temprano: un estudio de resonancia magnética funcional. cerebro. Corteza 25, 2494–2506. https://doi.org/10.1093/cercor/bhu050 (2015).

Artículo PubMed Google Académico

Butler, PD, Thompson, JL, Seitz, AR, Deveau, J. y Silverstein, SM Rehabilitación de la percepción visual para personas con esquizofrenia: justificación, método y tres estudios de casos. psiquiatra rehabilitación J. 40, 43–52. https://doi.org/10.1037/prj0000212 (2017).

Artículo PubMed Google Académico

Haenschel, C. et al. Contribución del procesamiento visual deteriorado en etapa temprana a la disfunción de la memoria de trabajo en adolescentes con esquizofrenia: un estudio con potenciales relacionados con eventos e imágenes de resonancia magnética funcional. Arco. Psiquiatría general 64, 1229–1240. https://doi.org/10.1001/archpsyc.64.11.1229 (2007).

Artículo PubMed Google Académico

Manoach, DS Disfunción de la corteza prefrontal durante el rendimiento de la memoria de trabajo en la esquizofrenia: Reconciliación de hallazgos discrepantes. Esquizofr. Res. 60, 285–298. https://doi.org/10.1016/s0920-9964(02)00294-3 (2003).

Artículo PubMed Google Académico

French, L. & Paus, T. Una vista de FreeSurfer del transcriptoma cortical generado a partir del Allen Human Brain Atlas. Frente. Neurosci. https://doi.org/10.3389/fnins.2015.00323 (2015).

Artículo PubMed PubMed Central Google Académico

Gulban, OF et al. Mejora de un atlas citoarquitectónico probabilístico de la corteza auditiva utilizando un método novedoso para la alineación interindividual. Elife 9, e56963. https://doi.org/10.7554/eLife.56963 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Hawrylycz, MJ et al. Un atlas anatómicamente completo del transcriptoma del cerebro humano adulto. Naturaleza 489, 391–399. https://doi.org/10.1038/nature11405 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Sabuncu, MR et al. Alineación entre sujetos basada en funciones de la anatomía cortical humana. cerebro. Corteza 20, 130–140. https://doi.org/10.1093/cercor/bhp085 (2009).

Artículo PubMed Central Google Académico

Conroy, BR, Singer, BD, Guntupalli, JS, Ramadge, PJ y Haxby, JV Alineación entre sujetos de la anatomía cortical humana mediante conectividad funcional. Neuroimagen 81, 400–411. https://doi.org/10.1016/j.neuroimage.2013.05.009 (2013).

Artículo PubMed Google Académico

Glasser, MF et al. Una parcelación multimodal de la corteza cerebral humana. Naturaleza 536, 171–178. https://doi.org/10.1038/nature18933 (2016).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Gulban, OF et al. Mejora de un atlas citoarquitectónico probabilístico de la corteza auditiva utilizando un método novedoso para la alineación interindividual. Elife 9, 25. https://doi.org/10.7554/eLife.56963 (2020).

Artículo Google Académico

Oldfield, RC La evaluación y el análisis de la lateralidad: El inventario de Edimburgo. Neuropsicología 9, 97–113. https://doi.org/10.1016/0028-3932(71)90067-4 (1971).

Artículo CAS PubMed Google Académico

Goebel, R., Esposito, F. & Formisano, E. Análisis de datos del concurso de análisis de imágenes funcionales (FIAC) con brainvoyager QX: desde un solo sujeto hasta análisis de modelo lineal general de grupo alineado corticalmente y análisis de componente independiente de grupo autoorganizado. Tararear. Mapa cerebral. 27, 392–401. https://doi.org/10.1002/hbm.20249 (2006).

Artículo PubMed PubMed Central Google Académico

Sled, JG, Zijdenbos, AP & Evans, AC En Actas de la 15.ª Conferencia internacional sobre procesamiento de información en imágenes médicas 459–464 (Springer-Verlag, 1997).

Hou, Z., Huang, S., Hu, Q. & Nowinski, WL Un método rápido y automático para corregir la falta de homogeneidad de la intensidad en las imágenes cerebrales de RM. Medicina. Cómputo de imagen. computar Asistir. interv. 9, 324–331. https://doi.org/10.1007/11866763_40 (2006).

Artículo PubMed Google Académico

Kriegeskorte, N. & Goebel, R. Un algoritmo eficiente para la segmentación topológicamente correcta de la lámina cortical en volúmenes anatómicos de RM. Neuroimagen 14, 329–346 (2001).

Artículo CAS Google Académico

Ventilador, X. et al. Efectos metabólicos del aripiprazol adyuvante en pacientes con esquizofrenia tratados con clozapina. Acta Psiquiatría. Escanear. 127, 217–226. https://doi.org/10.1111/acps.12009 (2013).

Artículo CAS PubMed Google Académico

Breman, H. et al. En Registro de imágenes biomédicas (eds Špiclin, Ž et al.) 122–130 (Springer, 2020).

Capítulo Google Académico

Greve, DN & Fischl, B. Alineación precisa y robusta de imágenes cerebrales mediante el registro basado en límites. Neuroimagen 48, 63–72. https://doi.org/10.1016/j.neuroimage.2009.06.060 (2009).

Artículo PubMed Google Académico

Heckemann, RA et al. Morfometría automática en la enfermedad de Alzheimer y deterioro cognitivo leve. Neuroimagen 56, 2024–2037. https://doi.org/10.1016/j.neuroimage.2011.03.014 (2011).

Artículo PubMed Google Académico

Wang, L., Mruczek, RE, Arcaro, MJ y Kastner, S. Mapas probabilísticos de topografía visual en la corteza humana. cerebro. Corteza 25, 3911–3931. https://doi.org/10.1093/cercor/bhu277 (2015).

Artículo CAS PubMed Google Académico

Yamamoto, H. et al. Inconsistencia e incertidumbre de los loci del área visual humana después del registro basado en la superficie: mapas de probabilidad y entropía. Tararear. Mapa cerebral. 33, 121–129. https://doi.org/10.1002/hbm.21200 (2012).

Artículo PubMed Google Académico

Descargar referencias

Los autores están muy agradecidos a Deliah Macht, Christina Raab y Leonie Winkler-Lauble por su ayuda con la adquisición de datos. CV Barnes-Scheufler recibió el apoyo de una beca "main doctus" de la Fundación Politécnica de Frankfurt am Main. E. Raspor recibió el apoyo de una beca de investigación para programas de doctorado en Alemania del Servicio Alemán de Intercambio Académico (DAAD).

Financiamiento de acceso abierto habilitado y organizado por Projekt DEAL.

Departamento de Psiquiatría, Medicina Psicosomática y Psicoterapia y Centro de Imágenes Cerebrales, Hospital Universitario de Frankfurt, Universidad Goethe, Frankfurt am Main, Alemania

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

Instituto Leibniz para la Investigación de la Resiliencia, Mainz, Alemania

espuma de miguel

Instituto Holandés de Neurociencia, Ámsterdam, Países Bajos

Lara Rösler y Rainer Goebel

Instituto de Psicología Médica, Hospital Universitario de Frankfurt, Universidad Goethe, Frankfurt am Main, Alemania

Benjamín Peters

Zuckerman Mind Brain Behavior Institute, Universidad de Columbia, Nueva York, NY, EE. UU.

Benjamín Peters

Departamento de Neurociencia Cognitiva, Facultad de Psicología y Neurociencia, Universidad de Maastricht, Maastricht, Países Bajos

Rainer Gobel

Instituto Ernst Strüngmann de Neurociencia (ESI) en cooperación con la Sociedad Max Planck, Fráncfort del Meno, Alemania

Roberto A. Bittner

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Todos los autores hicieron contribuciones sustanciales a la concepción o diseño del trabajo, o la adquisición, análisis o interpretación de datos. AR y RAB obtuvieron fondos. RAB, BP, MS y LR diseñaron el experimento. MQ, CVB-S., LR y RAB adquirieron los datos. ER y RG proporcionaron herramientas analíticas. MQ, CS y RAB analizaron los datos. MQ y RAB realizaron las búsquedas bibliográficas y escribieron el primer borrador del manuscrito. Todos los autores contribuyeron y revisaron el manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Robert A. Bittner.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Qubad, M., Barnes-Scheufler, CV, Schaum, M. et al. Correspondencia mejorada de los datos del localizador del campo visual fMRI después de la alineación macroanatómica basada en la corteza. Informe científico 12, 14310 (2022). https://doi.org/10.1038/s41598-022-17909-2

Descargar cita

Recibido: 01 julio 2021

Aceptado: 02 agosto 2022

Publicado: 22 agosto 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.