Introduction

Eine Möglichkeit, funktionale kortikale Organisation zu beschreiben, besteht in Karten, die den gesamten Kortex in kleine Regionen mit jeweils spezifischen Gehirnfunktionen verpacken. Die beliebteste Karte wurde zuerst von Brodmann (1909) beschrieben, der den Kortex jeder Hemisphäre in 52 Bereiche unterteilte., Diese Bereiche sind aufgrund histologischer Unterschiede segmentiert und stimmen nicht mit den anatomischen Unterabteilungen des Gehirns in Lappen und Gyri überein. Brodmanns Bereich 44 (BA44) ist einer der wenigen Funktionsbereiche, der eine genaue Entsprechung zu einer der anatomischen Unterteilungen des Kortex aufweist. Tatsächlich ist BA44 durch pars opercularis des linken unteren frontalen Gyrus, den Kern der von Broca (1861) beschriebenen expressiven Sprachfunktion, enthalten und begrenzt.,

Es ist mühsam, eine solche Vielfalt von Funktionen aus einem segregationistischen Modell der Gehirnfunktion basierend auf Modulen zu erklären. Die meisten modernen Modelle befürworten multimodulare Ansätze, die Kognition als Varianz in der Netzwerkkonfiguration erklären. Dies bedeutet, dass ein bestimmter Bereich (z. B. BA44) je nach Aufgabe mit verschiedenen Modulen verbunden werden kann, was zu bestimmten Netzwerkkonfigurationen führt, die für eine bestimmte Funktion verantwortlich sind. Gehirnkonnektivität, der Begriff, der sich auf diese Ansicht bezieht, kann komplexere kognitive, verhaltens-und neuropsychologische Phänomene besser erklären als einfache Lokalisierungsmodelle., Neuronale Netzcharakterisierungsmodelle sind im gegenwärtigen Status der kognitiven Neurowissenschaften von Wert, und um dies zu erreichen, sind Eingaben aus verschiedenen Methoden erforderlich.

Infolgedessen wurde durch das Aufkommen der Diffusionstensorbildgebung (DTI) und der funktionellen MRT im Ruhezustand (fMRI) ein neu gefundenes Interesse an der Konnektivität des Gehirns festgestellt. DTI ist in der Lage, Faserbahnen von lebendem neuronalem Gewebe mit einer kürzlich entwickelten Technik namens Traktographie zu identifizieren., Traktographie ist eine bildgebende Nachbearbeitungstechnik, die winzige Wasserdiffusionstrajektorien (Tensoren) in einer Kette zusammenführt, die neuronale Bahnen darstellt. Ruhestatus-fMRI ist eine andere Form des Post-Processing-Verfahrens, das Gehirnverbindungen darstellt, indem es diskrete Gehirnbereiche darstellt, deren spontane Schwingungen synchron sind. Diese beiden Nachbearbeitungsverfahren sind derzeit die beliebtesten Methoden zur Untersuchung der Gehirnkonnektivität.

Es wurde eine neue Terminologie erstellt, um die Ergebnisse oder Techniken zu definieren, die mit modernen Gehirnkonnektivitätsstudien verbunden sind., (1) Strukturelle Konnektivität, bezieht sich auf die Darstellung von Fasern durch Traktographie; (2) Funktionelle Konnektivität, bezieht sich auf Karten von synchronen Gehirnschwingungen, (3) Effektive Konnektivität, bezieht sich auf aufgabenbasierte fMRI, in denen statistische und heuristische Ansätze die Richtung des Datenflusses in den aktivierten Modulen von fMRI beurteilen., Die Traktographie kann deterministisch oder probabilistisch sein; funktionelle Konnektivität kann auf einer unabhängigen Komponentenanalyse (ICA) der gesamten Daten basieren oder eine eingeschränktere Darstellung der Remote-Synchronität in Bezug auf den Durchschnitt der Signalvariation einer bestimmten Region von Interesse (auch bekannt als Seed-basierte funktionelle Konnektivität). Effektive Konnektivität kann mit mindestens zwei recht komplexen mathematischen Ansätzen erforscht werden .

Obwohl alle diese Methoden ähnliche Ergebnisse liefern können, können sie sich auch unterscheiden., Zum Beispiel hat die Verwendung der deterministischen Traktographie eine begrenzte Auflösung mit Kreuzfasern, während die probabilistische Traktographie Empfindlichkeit für Spezifität zu handeln scheint (Yo et al., 2009). Funktionelle Konnektivität wird zwischen Regionen beobachtet, in denen wenig oder keine strukturelle Verbindung besteht (Damoiseaux und Greicius, 2009). Die funktionelle Konnektivität kann sich jedoch ändern und kann durch schnelles Lernen, Training einer aufgabenspezifischen Leistung oder einer Läsion beeinflusst werden (Kelly und Garavan, 2005; Hasenkamp und Barsalou, 2012; Jolles et al., 2013; Vahdat et al.,, 2014) während die strukturelle Konnektivität stabiler ist und Änderungen hauptsächlich mit Läsionen zusammenhängen. Die überwiegende Mehrheit der Studien zur funktionellen Konnektivität basiert auf Ruhezustand fMRI. Nur wenige Studien haben die Konnektivität des Gehirns während oder nach Aufgaben untersucht (z. B. Caclin und Fonlupt, 2006; Bernal et al., 2013; Dima et al., 2013). Gehirnaktivierungskarten in aufgabenbezogener fMRT haben Konnektivität angezeigt, sind jedoch immer auf die untersuchte Funktion beschränkt. Dies ist der Substrakt der effektiven Konnektivität.,

Eine kürzlich beschriebene Methodik, die auf einer eher begrenzten Metaanalysetechnik basiert, wurde ebenfalls beschrieben, um funktionelle Netzwerke des Gehirns darzustellen. Die Methode wurde als metaanalytisches Konnektivitätsmodell bezeichnet (MACM; Bzdok et al., 2013; Ardila et al., 2014; Kohn et al., 2014). In der vorliegenden Studie verwenden wir diese Methode, um zu beschreiben, Broca-AREAL core-Netzwerk in der ausdrucksvollen Sprache. Wir haben es vorgezogen, es als „Pooling-Data Connectivity Study“ zu bezeichnen, um Verwechslungen mit der Standardmethodik der Metaanalyse zu vermeiden, die normalerweise breitere Quellen erfordert.,

Materialien und Methoden

Die Datenquelle für diese Pooling-data Connectivity Studie war brainmap.org. Der Grund, nur diese Quelle zu verwenden, besteht darin, dass diese Datenbank spezifische und systematisierte Informationsfelder und softwarespezifische Codierungen von Aktivierungskoordinaten bereitstellt, die eine präzise, automatische und konsistente Auswahl der zu untersuchenden Probe ermöglichen. Die Ausgabe der Datenbank wird auch von einer bestimmten Software gelesen, die ebenfalls von brainmap.org. So wurde auf die Datenbank von Brainmap1 unter Verwendung von Sleuth 2 zugegriffen.,2, open software zur verfügung gestellt durch die gleiche website, auf August 20th, 2014. Die Suche nach Bedingungen waren: (1) Studien-Berichterstattung BA44-oder Broca-AREAL Aktivierung; (2) Studien mit fMRI; (3) normale Probanden; (4) Aktivierungen: „die Aktivierung nur“ (verwerfen Bericht der de-Aktivierungen); (5) right-handed subjects; (6) das Alter zwischen 20 und 60 Jahren; (7) domain: die Sprache. Die Suche wird automatisch von Sleuth durchgeführt und enthält eine Liste von Papieren, die die Selecton-Kriterien erfüllen., Themen, über 60 wurden ausgeschlossen, weil zwei Gründe, (1) das Alter ist meist als ein starker Risikofaktor für kognitiven Verfall im Allgemeinen und Demenz im besonderen (Ritchie und Kildea, 1995; Ferri et al., 2006); (2) Nach dem Alter von 60 Jahren wird ein Rückgang der verbalen Fähigkeiten beobachtet (z. B. Alwin und McCammon, 2001; Ardila, 2007); Bestimmte verbale Fähigkeiten, wie verbale Fließfähigkeit –eine Sprachproduktionsfähigkeit mit BA44 – nehmen nach diesem Alter deutlich ab (Tombaugh et al., 1999).

Sixty-nine papers mit 102 407 Experimente abgestimmten Kriterien. Zu diesem Zeitpunkt wurden Ausschlusskriterien angewandt., Artikel wurden ausgeschlossen, wenn sie zweisprachige Fächer hatten oder Aufgaben in orientalischen Sprachen hatten, Aufgaben, die auf automatische Sprache beschränkt waren, Aufgaben, die auf empfängliche Sprache beschränkt waren. Papers reporting Patienten oder Papiere, in welcher Sprache die Beteiligung war marginal oder Nebenleistungen von anderen kognitiven Aufgaben (Gedächtnis, Aufmerksamkeit, Hemmung) oder die vermittelte Person-Antworten wurden ausgeschlossen. Themen von beiden Geschlechtern enthalten waren. Aufgrund dieser Ausschlusskriterien wurden 12 Artikel ausgeschlossen., So wurden die fMRI-Ergebnisse von 57 Papieren zur weiteren Analyse zusammengefasst und lieferten 883 von 914 Probanden, 84 von 338 Experimenten; 175 von 280 Bedingungen; und 1247 von 3699 Standorten (Tabelle 1). Aktivierungen im Zusammenhang mit BA44 (Suchkriterien) wurden automatisch von der Sleuth-Software erhalten. Dieser automatische Bericht listet eine Reihe von Clustern auf, die durch den Massenschwerpunkt (in MNI-Koordinaten), das Clustervolumen in mm3 und die Intensität definiert sind. Diese Koordinaten pro Thema/Aufgabe / Papier wurden als Textdateien (gepoolte Resutls) zur Analyse im folgenden Schritt exportiert.,

Die statistische Signifikanz der Cluster, die auf den gepoolten Daten gefunden wurden, wurde dann unter Verwendung der Activation Likelihood estimate – (ALE) – Methode analysiert. Dieser Schritt wurde mit der Open Source Software GingerALE2 durchgeführt. ALE ist eine Methode zur Analyse koordinatenbasierter Gehirnaktivitäten in Pooling-Data-Studien. Die Beschreibung der Mathematik von ALE geht über den Zweck dieses Berichts hinaus., Kurz gesagt, ALE behandelt gemeldete Aktivierungsspitzen als räumliche Wahrscheinlichkeitsverteilungen, die auf die gegebenen Koordinaten zentriert sind. ALE berechnet die Vereinigung der Aktivierungswahrscheinlichkeiten für jedes Voxel, was eine Differenzierung zwischen der wahren Konvergenz der Aktivierungsschwerpunkte und dem zufälligen Clustering (Rauschen) ermöglicht. ALE-Scores, die aus Tausenden zufälliger Iterationen erhalten wurden, werden verwendet, um den beobachteten Aktivierungsclustern p-Werte zuzuweisen. Für weitere Informationen über die Theorie von ALE wird dem Leser empfohlen, die Arbeit von Eickhoff et al. (2009). Unsere ALE-Karten wurden bei p < 0.,01 korrigiert für mehrere Vergleiche mit falscher Erkennungsrate. Es werden nur Cluster von 200 oder mehr Kubikmetern als gültige Cluster akzeptiert. ALE-Ergebnisse wurden auf eine anatomische Vorlage überlagert, die für MNI-Koordinaten geeignet ist, auch zur Verfügung gestellt von brainmap.org. Zu diesem Zweck verwendeten wir die Multi-Image Analysis GUI (Mango)3. Ein Mosaik aus 3 × 3 transveralen Einsätzen von Fusionsbildern wurde mit demselben Werkzeug erhalten, wobei alle 3-4 Bilder ab Bild 10 ausgewählt und in ein 2D-JPG-Bild exportiert wurden.

Ergebnisse

Sechzehn signifikante Aktivierungscluster wurden mit dem ALE-Verfahren gefunden., Tabelle 1 zeigt diese Cluster nach ihrem Volumen in Kubikmillimetern. Der Hauptcluster umfasst BA44 und seine Widerlager. Dies sind die vordere Insula, der untere und mittlere frontale Gyri und der präzentrale Gyrus. Der zweite Cluster befindet sich im linken prä-SMA und vorderen cingulären Gyrus mit BA6 und 32. Die Beteiligung des rechten vorderen cingulären Gyrus könnte real sein oder höchstwahrscheinlich eine Glättung der benachbarten kontralateralen homologen Struktur bewirken., Der dritte Cluster befindet sich im linken oberen und unteren Parietallappen, einem Bereich, der von BAs 7, 39 und 40 geteilt wird. Der vierte Cluster umfasste einige Spiegelbereiche der linken Broca (rechte BA44, rechte vordere Insula und rechte BA9) und eine subkortikale Struktur, das Putamen. Der fünfte Cluster umfasste den linken fusiformen Gyrus. Der sechste Cluster repräsentiert den Kern des rezeptiven Sprachbereichs oder Wernickes Bereichs. Der nächste wichtige Cluster befand sich im linken Thalamus., Neun weitere Cluster wurden im automatisierten Bericht von GingerAle aufgeführt, wie in Tabelle aufgezählt 1, Sie sind das linke Putamen, der rechte Parietallappen, die Okzipitallappen, das Kleinhirn, und der rechte präzentrale Gyrus.

Diskussion

Wir präsentieren Broca ‚ s Area Network spezifisch für Sprachaufgaben unter Verwendung einer Methode von ALE in gepoolten fMRI-Daten. Unsere Methode unterscheidet sich von anderen dadurch, dass sie die Konnektivität eines bestimmten Bereichs in seiner breitesten Potentialität darstellt, indem sie sich auf die Charakterisierung spezifischer Netzwerke konzentriert, die eine bestimmte kognitive Domäne oder Funktion erhalten.,

Wir haben festgestellt, dass das Sprachnetzwerk von BA44 aus 16 Clustern besteht. Die ersten sechs Aktivierungscluster sind gut etablierte Sprachbereiche: Cluster 1 repräsentiert den linken infero-lateralen frontalen Gyrus und die vordere Insula, die zusammen in der Literatur als expressiver Sprachbereich anerkannt wurden (Benson und Ardila, 1996)., Die große Größe des Clusters zeigt die dichte benachbarte Konnektivität zu Bereichen, die an BA44 durch U-Fasern angrenzen; Cluster 2 stellt den ergänzenden Motorbereich dar, mit dem der Prior strukturell durch den von Catani et al.beschriebenen aslant frontal fasciculus verbunden ist. (2013) und höchstwahrscheinlich verbunden mit verbaler Fließfähigkeit und Initiierung von Sprache (Martino et al., 2012); Cluster 3, stellt die Aktivierung des linken oberen und unteren Parietallappens dar, der direkt oder indirekt mit Fasern des bogenförmigen Fasciculus oder des unteren occipitofrontalen fasciculus verbunden ist (Dick et al.,, 2013). Die Verbindung zu diesen parietalen Bereichen hängt eher mit dem Zugang zu verbalen Arbeitsgedächtnisknoten zusammen (Jonides et al., 1998); Cluster 4, zeigte die Aktivierung von homologen Bereichen von Cluster 1; Cluster 5 und 6 waren mit kanonischen Wernicke-Bereichen verwandt, die höchstwahrscheinlich durch den bogenförmigen Fasciculus verbunden waren und phonologische Übertragungsfunktionen unterhielten (Dick et al., 2013).

Cluster 7 bis 16 bestanden aus Aktivierung subkortikaler Bereiche, medialer dorsaler Kern des linken Thalamus; linkes Putamen und rechtes Kleinhirn., Die Beteiligung des linken Kleinhirns ist fraglich und wird später behandelt. Andere kleine Cluster befinden sich in kontralateralen homologen Aktivierungsbereichen (BA7 und BA22), sekundären visuellen Bereichen (BA18 und BA19) in beiden Hemisphären und Aktivierung des rechten präzentralen Gyrus. Die Beteiligung dieser Bereiche ist nicht gut verstanden., Visuelle Bereiche können an verbalen Aufgaben beteiligt sein, wenn das Subjekt Objekte und Szenen, die durch das verbale Material beschrieben werden, „neu visualisiert“; präzentraler Gyrus kann als Weihe der Subvokalisierung beteiligt sein, das kann vorhanden sein, wenn es verbalem Material als Strategie zur Probe von Bildern mit motorischen Hinweisen ausgesetzt wird (Smith et al., 1995). Bemerkenswert ist die fehlende Konnektivität zu left BA45 und left BA21, die nicht im ALE-Automatic Text Report aufgeführt sind und auch nicht im Rendering-Bild angezeigt werden. Die fehlende Beteiligung der linken BA45 und BA39 wird später angesprochen.,

Nach bestem Wissen wurden bisher keine Versuche unternommen, die funktionale Konnektivität des Broca-Gebietes in Sprache zu ermitteln. Nur wenige Veröffentlichungen haben jedoch Studien berichtet, in denen die Konnektivität des Gehirns in Bezug auf bestimmte Aufgaben oder Sprachfunktionen bewertet wurde. Unter Verwendung einer Seed-basierten Ruhezustand-funktionellen Konnektivitätsanalyse Zhu et al. (2014) haben das Sprachnetzwerk gezeigt, das Brocas und Wernickes Gebiete sät. Sie demonstrierten, dass Broca lateralisiert bleiben muss., Auch die Verwendung von Seed-based Resting-State fMRI in einer Kohorte von 970 gesunden Probanden Tomasi und Volkow (2012) fand Aktivierung der kanonischen präfrontalen, temporalen und parietalen Regionen, bilateralen Caudat und linken Putamen/Globus pallidus und subthalamic nucleus. Die Autoren nutzten sowohl Wernickes als auch Brocas Gebiete als Seeding-Regionen. Es gibt auch einige Studien zur strukturellen Konnektivität von Brocas Gebiet. Morgan et al. (2009) berichtete über die Kombination von DTI und funktionaler Ruhestatus-Konnektivität, um die Konnektivität zwischen SMA und expressiven Sprachbereichen zu bewerten., In einer metaanalytischen Studie von Eickhoff et al. (2009) beschrieben, die die ausdrucksvollen Netzwerk durch die Zusammenlegung der Ergebnisse von fluency-Aufgaben und die Durchführung von DCM (Heim et al., 2009). Sie fanden das Kernnetzwerk bestehend aus BA44, Anterior Insula, BA6 (prämotorischer Kortex) und BA4 (primärer motorischer Kortex) mit Verbindungen zu Basalganglien und Kleinhirn. In ihrer Studie fanden sie heraus, dass das DCM die Insula in einer Position zwischen BA44 und zwei parallelen Knoten, zu denen die Kleinhirn – /Basalganglien und der motorische Kortex gehören, nachweist. Heim et al., (2009) beurteilt die Afferenten verbindungen zu BA45 (und BA44, indirekt) in einer Sprache, die Aufgabe der phonologischen/lexikalische Diskriminierung visuell präsentiert.

Zwei weitere Studien konzentrierten sich auf den Bereich von Broca in Bezug auf Struktur und Funktion. Die erste Studie verwendete probabilistische Traktographie und umfasste BA45. Drei getrennte Bereiche wurden identifiziert: BA44, BA45 und tiefer operkulärer Bereich, der an die vordere Insula anliegt (Anwander et al., 2007); die zweite Studie verwendete eine Methode, die auf der Grundlage der Muster der co-Aktivierung auf verschiedene kognitive Aufgaben., In dieser Arbeit beschreiben die Autoren fünf Unterteilungen des Broca-Bereichs, zwei hintere Bereiche im Zusammenhang mit Phonologie (dorsal) und rhythmischer Sequenzierung (ventral) sowie drei vordere Bereiche im Zusammenhang mit Arbeitsgedächtnis, Schaltsteuerung und Semantik (Clos et al., 2013). Es ist nicht klar, wie diese Parzellation mit früheren Befunden harmoniert, die eine dorso-ventrale Differenzierung von BA44 beschreiben und im dorsalen Aspekt das beobachtungsbezogene Spiegelneuronsystem zuweisen (Molnar-Szakacs et al., 2005).

Unsere Methode ist zwar neu, aber nicht völlig neu., Sundermann und Pfleiderer (2012) führten eine Studie unter Verwendung der gleichen Methodik wie unsere Studie. Diese Autoren zielten jedoch nicht auf Sprache ab. Stattdessen konzentrierten sie ihre Studie auf den „inferior frontal Junction“ (einen Bereich, der den inferioren frontalen Gyrus, den kaudalen Aspekt des mittleren frontalen Gyrus und die vordere Insula umfasst) und seine Rolle bei der kognitiven Kontrolle. Sie wendeten metaanalytische Konnektivitätsmodellierung (MACM) basierend auf der ALE-Methode an. Wie bei unserem Ansatz haben sie ihre Analyse durchgeführt und alle Artikel zusammengefasst, in denen die linken oder rechten unteren frontalen Gyri als aktiviert gemeldet wurden., Wie wir haben sie auch den Bereich der Aktivierung zur unabhängigen Variablen ohne spezifische Annahmen bezüglich der funktionalen Spezialisierung des Zielbereichs gemacht. Es wurde angenommen, dass alle Co-Aktivierungsbereiche mit dem Kernbereich verbunden sind (Auswahlkriterien für das MACM).

Die Bedeutung der Charakterisierung des Sprachnetzwerks von BA44 liegt in der oben erwähnten Tatsache der Multimodalität dieses Bereichs über verschiedene Bereiche hinweg in der Kognition. Brocas Bereich als Kern der expressiven Sprache scheint viele andere Funktionen zu haben., Zusätzlich zu den bereits erwähnten Funktionen scheint BA44 an verbalen Arbeitsgedächtnisaufgaben beteiligt zu sein (Rämä et al., 2001; Sun et al., 2005), insbesondere Gedächtnis des syntaktischen Typs (Fiebach et al., 2005; Wang et al., 2008); Spiegel-neuron-system (Manthey et al., 2003; Lawrence et al., 2006; Lotze et al., 2006); motor-Programmierung (Amunts et al., 2004); taktile Bilder (Yoo et al., 2003); arithmetische Verarbeitung (Rickard et al., 2000); und sogar Musikgenuss (Koelsch et al., 2006)., Diese Multifunktionalität des Broca-Bereichs kann zum Teil durch die zuvor beschriebene anatomische Unterteilung erklärt werden, aber dennoch sollten sich bestimmte Unterbereiche auf spezifische Weise verbinden und unterschiedliche aufgabenbezogene Netzwerkkonfigurationen erzeugen.

Die subanatomische Differenzierungshypothese von Broca wird durch eine kürzlich durchgeführte histologische Autoradiographie-Studie gestützt, die verschiedene Populationen von Zellrezeptoren demonstriert (Amunts et al., 2010). Die Hauptannahme in dieser Arbeit ist, dass die Differenzierung in Zellrezeptorsegmenten auch die Funktion., Es gibt sechs Rezeptortypen, die Broca ‚ s in einem (1) ventralen präzentralen Übergangskortex, (2) dorsalen BA44, (3) ventralen BA44, (4) vorderen BA45, (5) hinteren BA45 und (6) mittleren frontalen Gyrus frontal operculum parzellieren. Bemerkenswert ist die breitere Bedeutung von Brocas Bereich in dieser Arbeit, einschließlich BA45 oder par Triangularis der IFG.

All diese Fakten deuten auf eine Multipotentialfunktion von BA44 hin, die höchstwahrscheinlich Ausdruck in einer Konfiguration mit mehreren Netzwerken hat, die die unterschiedliche Funktionsausgabe berücksichtigt., Daher ist eine Charakterisierung aller möglichen Netzwerkkonfigurationen ratsam, um die Plastizität der Gehirnfunktion und die möglichen klinischen Wirkungen der lokalen Läsionen zu verstehen.

Unsere Ergebnisse haben wichtige Implikationen. Es kann als Ausgangspunkt dienen, um die verschiedenen Broca-bezogenen Netzwerke, die mit verschiedenen Gehirnfunktionen verbunden sind, weiter zu caractherisieren. Es kann auch die Erklärung der Komplexität von Syndromen bei Sprach-und Sprachstörungen erleichtern, die schwer auf zwei oder drei Module des Sprachstandardmodells zu reduzieren sind., Die Demonstration spezifischer Netzwerke, die auch spezifische kognitive Funktionen erhalten, wie in diesem Artikel vorgestellt, ist wichtig für die Kreuzvalidierung anderer Techniken, die Gehirnkonnektivität demonstrieren; Es kann auch dazu dienen, die funktionelle Beteiligung struktureller Konnektivität zu beweisen oder zu beweisen. Zum Beispiel wurde festgestellt, dass einige Probanden mit rechter Hemisphäre Dominanz für Sprache, links bogenförmige fasciculus Dominanz (Dick et al.,, 2013), in diesem Fall folgt die strukturelle Konnektivität nicht der neuronalen Konnektivität; Unsere Methode kann sich auch als Werkzeug zur Lateralisierung der Sprache entwickeln, wenn in zukünftigen Forschungen auf diesem Gebiet unterschiedliche Verbindungen von rechts nach links nachgewiesen werden.

Einschränkungen

Viele weitere Artikel haben BA44 Aktivierung in Sprachaufgaben beschrieben, aber sie wurden nicht in die brainmap.org datenbank., Um in die Datenbank einzutreten, müssen die Studienergebnisse die Aktivierung in Standardraumkoordinaten (MNI oder Talairach) melden, die manuell in die Datenbank eingegeben und dann vom Team, das die brainmap.org projekt. Trotz dieser Einschränkung schätzen die Autoren die Anzahl der Studien/Teilnehmer/Experimente, die in die Pooling-Daten eingehen, ist groß und spiegelt den Stand der Veröffentlichungen in fMRI der Sprache wider.

Eine weitere mögliche Einschränkung, die sich aus der Vorverarbeitung ergibt, ist die falsche Zuordnung der Aktivierung in Bereichen, in denen zwei verschiedene Lappen oder Strukturen anstoßen., Ein Teil der Vorverarbeitung der Daten besteht darin, die Aktivierung zu glätten. Beim Glätten werden Voxel mit einem niedrigeren Signal als die Nachbarn für eine weniger laute Präsentation erhöht. Somit behandelt der Algorithmus alle Nachbarn als Kontinuum. Dieses Verfahren erklärt, was höchstwahrscheinlich eine falsche Aktivierung der Culmen des Kleinhirns ist, da die Glättung der wahren Aktivierung, die im fusiformen Gyrus erhalten wird, an die Culmen stößt. Ein ähnlicher Effekt erklärt den Aktivierungsruf im rechten vorderen cingulären Gyrus und im linken temporalen oberen Gyrus (Bereich 22 in Cluster 1)., Diese Aktivierung ist höchstwahrscheinlich auf eine Verlängerung der Glättung vom benachbarten Frontaloperculum zurückzuführen.

Es sollten zwei weitere Einschränkungen aufgedeckt werden. Trotz der klaren Beteiligung von BA45 an der Sprache, die durch die oben genannten fMRI-Studien nachgewiesen wurde, wird dieser Bereich im ALE Automatic-Bericht nicht erwähnt. Cluster 1 (Tabelle 1) zeigt die Aktivierung in allen Bereichen rund um BA45 (d. h. 44, 47, 6 und 9)., Daher scheint der Algorithmus einen „Block“ einschließlich BA45 (Pars Tringularis) innerhalb von BA44 anzunehmen, da die Aktivierung in diesem Bereich gemäß dem gerenderten Bild offen ist (Abbildung 1, rechter Bereich). Eine ähnliche Situation kann den fehlenden Bericht von BA21 erklären. Diese technologischen Einschränkungen sind bei weitem nicht geeignet, von den Autoren modifiziert zu werden. Per se beeinflussen sie jedoch weder die statistische Analyse noch die Ergebnisse.

Weitere Einschränkungen sind bewusste Einschränkungen der Studie, um die Auswirkungen von Störfaktoren zu vermeiden, von denen bekannt ist, dass sie die Lateralisierung der Sprache beeinflussen (Rechtshänder normale Fächer, Sprachtyp: okzidental und Alter: 20-60). Die Untersuchung des Zusammenspiels dieser Variablen mit dem Broca-Netzwerk lohnt sich für zukünftige Forschungen.

Das Aufkommen einer großen Datenbank ermöglicht die Aggregation von Informationen, die unter einer bestimmten Variablen zuverlässig sind. Es würde uns erlauben, zuverlässige Informationen mit hoher Verallgemeinerungsfähigkeit zu erhalten., Darüber hinaus ermöglicht das Bündeln von Daten in der hier vorgeschlagenen Methode die Demonstration von Bereichen der Koaktivierung über Themen und Aufgaben hinweg, die entweder eine bestimmte Funktion oder eine Gruppe von Funktionen in Bezug auf eine bestimmte Domäne reservieren. Insbesondere kann jede spezifische Aufgabe (Phonologie, Semantik, Verständnis usw.) nur einige der Module verwenden. Die Darstellung hoher spezifischer Netzwerke, die bestimmte Funktionen erhalten, kann in der klinischen Praxis von Bedeutung sein., Zum Beispiel könnte es Netzwerke identifizieren, die mit der Lateralisierung der Sprache zusammenhängen, und daher bei der neurochirurgischen Planung bei Patienten helfen, die nicht für aufgabenabhängige fMRT-oder Wada-Tests geeignet sind. Im Großen und Ganzen kann unsere Methode die mögliche oder potenzielle Konnektivität des Netzwerks für diesen kognitiven Bereich demonstrieren und das Verständnis der Gehirnfunktion verbessern., Zum Beispiel könnten wir alle verschiedenen „Konfigurationen“ bewerten, an denen BA44 teilnimmt, um seine maximale Konnektivität aufzudecken, oder in kleinerem Maßstab nach der Differenzierung solcher Konfigurationen suchen, um aufzuklären, wie BA44 an verschiedenen Funktionen beteiligt ist.

Schlussfolgerung

Wir haben die Anwendung einer Pooling-Datenmethode demonstriert, um das Netzwerk von BA44 im Zusammenhang mit Sprache im Großen und Ganzen darzustellen. Die gefundenen Aktivierungscluster stimmen mit früheren klinischen und Neuroimaging-Studien überein, obwohl letztere spärlich sind., Um die Gehirnfunktion zu erklären, wird die Beschreibung von Netzwerken in naher Zukunft einen größeren Einfluss haben als die Beschreibung von Gehirnmodulen in der Vergangenheit. Ein besseres Verständnis der Gehirnkonnektivität wird notwendigerweise dazu beitragen, Gehirnfunktionen besser zu verstehen.

Interessenkonflikterklärung

Die Autoren erklären, dass die Untersuchung ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.,

Footnotes

1. ^http://brainmap.org
2. ^http://brainmap.org
3. ^http://ric.uthscsa.edu/mango/