Chapter #1: Functional Connectivity Demonstration
==================================================

Overview
========

Before we begin using the CONN toolbox, a short demonstration of functional connectivity using a simpler, easy-to-understand 
method may help prepare you for using a more sophisticated package. I prefer to use the fMRI analysis package FSL for this 
kind of demonstration, although both AFNI and SPM are able to do functional connectivity analyses as well. Before going on, 
I recommend that you work through the FSL tutorials to familiarize yourself with how FSL works, what a time-series is, and 
how to extract data from regions of interest (ROIs). If you already know how to do a functional connectivity analysis in FSL 
and simply want to get started with the CONN toolbox, click the Next button down below.

Antes de comenzar a usar la caja de herramientas CONN, una breve demostración de conectividad funcional mediante un método 
sencillo y fácil de entender puede ayudarle a prepararse para usar un paquete más sofisticado. Prefiero usar el paquete de 
análisis de fMRI FSL para este tipo de demostración, aunque tanto AFNI como SPM también permiten realizar análisis de 
conectividad funcional. Antes de continuar, le recomiendo que revise los tutoriales de FSL para familiarizarse con su 
funcionamiento, qué es una serie temporal y cómo extraer datos de las regiones de interés (ROI). Si ya sabe cómo realizar un 
análisis de conectividad funcional en FSL y simplemente desea comenzar a usar la caja de herramientas CONN, haga clic en el 
botón Siguiente a continuación.

Functional Connectivity Analysis with FSL

As you saw in the FSL tutorial, each voxel of an fMRI dataset contains a time-series, or sequence of BOLD activation 
measurements that are concatenated together. The sampling rate of the time-series is the Time to Repetition (TR), which for 
most fMRI studies is around 2-3 seconds. For each voxel, therefore, the BOLD activation is measured at each TR, and this 
continues for a period of time specified by the user. This period of time when the scanner is measuring the BOLD signal is 
called a run (or session, in SPM), and a typical experiment is composed of several runs.

Como se vio en el tutorial de FSL, cada vóxel de un conjunto de datos de fMRI contiene una serie temporal, o secuencia de 
mediciones de activación BOLD que se concatenan. La frecuencia de muestreo de la serie temporal es el tiempo de repetición 
(TR), que para la mayoría de los estudios de fMRI es de aproximadamente 2-3 segundos. Por lo tanto, para cada vóxel, la 
activación BOLD se mide en cada TR, y esto continúa durante un período de tiempo especificado por el usuario. Este período 
de tiempo durante el cual el escáner mide la señal BOLD se denomina ejecución (o sesión, en SPM), y un experimento típico se 
compone de varias ejecuciones.


To examine the time-series of the sample dataset, navigate to where you downloaded the TimeSeries_ExampleData.nii.gz file, 
and type:

Para examinar la serie temporal del conjunto de datos de muestra, navegue hasta donde descargó el archivo 
TimeSeries_ExampleData.nii.gz y escriba:

fsleyes TimeSeries_ExampleData.nii.gz

This will open the file in the fsleyes viewer. From the menu at the top of your window, click on View -> Time series. This 
will open a time-series panel at the bottom of the fsleyes viewer. To make the numbers easier to understand, and to enable 
us to compare time-series from distant voxels, click on the “Plotting mode” dropdown menu and select “Normalised”. This will 
scale the time-series relative to a mean of 0.

Esto abrirá el archivo en el visor fsleyes. En el menú superior de la ventana, haga clic en Ver -> Series temporales. Esto 
abrirá un panel de series temporales en la parte inferior del visor fsleyes. Para facilitar la comprensión de los datos y 
permitirnos comparar series temporales de vóxeles distantes, haga clic en el menú desplegable "Modo de representación 
gráfica" y seleccione "Normalizado". Esto escalará la serie temporal con respecto a una media de 0.

Now, click on a random voxel, and then from the menu at the top of the screen select Tools -> Seed correlation (Pearson). 
The voxel you have currently selected will be a seed voxel; the time-series of this seed voxel will be used as a reference. 
This will generate a connectivity map between your seed voxel and every other voxel in the brain, with hotter colors (i.e., 
more intense shades of red and yellow) representing greater correlation. Cooler colors (i.e., shades of blue), by contrast, 
represent where there is negative correlation.

Ahora, haz clic en un vóxel cualquiera y, a continuación, en el menú superior, selecciona Herramientas -> Correlación de 
semillas (Pearson). El vóxel seleccionado servirá como vóxel semilla; su serie temporal se utilizará como referencia. Esto 
generará un mapa de conectividad entre el vóxel semilla y todos los demás vóxeles del cerebro, donde los colores más cálidos 
(es decir, tonos más intensos de rojo y amarillo) representan una mayor correlación. Por el contrario, los colores más fríos 
(es decir, tonos de azul) representan una correlación negativa.

You will also notice that this has created a new file in the Overlay list, TimeSeries_ExampleData/correlation. If you 
highlight this image by clicking on it, you can then set the “Min.” and “Max.” thresholds to only show those voxels that 
correlate with the seed region at or higher than a certain level. Set the “Min” field to 0.4, and take a look at which 
voxels remain after this threshold.

También observará que se ha creado un nuevo archivo en la lista de superposiciones: TimeSeries_ExampleData/correlation. Si 
selecciona esta imagen haciendo clic sobre ella, podrá configurar los umbrales "Mín." y "Máx." para mostrar únicamente los 
vóxeles que se correlacionan con la región semilla a un nivel igual o superior a un valor determinado. Establezca el valor 
"Mín." en 0,4 y observe qué vóxeles permanecen después de aplicar este umbral.

The functional connectivity map after thresholding at r > 0.4. Note that the voxel we used as our seed region will have a 
perfect r=1.0 correlation with itself, and that neighboring voxels are also highly correlated with it. There are a couple of 
smaller clusters farther away from the dACC that correlate with the seed region, but they are relatively weak.

Mapa de conectividad funcional tras aplicar un umbral de r > 0,4. Nótese que el vóxel que utilizamos como región semilla 
presenta una correlación perfecta de r = 1,0 consigo mismo, y que los vóxeles vecinos también están altamente 
correlacionados con él. Existen un par de grupos más pequeños, más alejados de la corteza cingulada anterior dorsal (dACC), 
que se correlacionan con la región semilla, pero su correlación es relativamente débil.

Note
----

If you’ve read the Cluster Correction appendix, you will remember that one of the justifications for cluster correction is 
that a given voxel is not completely independent from its neighbors. How do you see that principle being reflected in this 
correlation map?

Si has leído el apéndice sobre la corrección de clústeres, recordarás que una de las justificaciones para dicha corrección 
es que un vóxel no es completamente independiente de sus vecinos. ¿Cómo ves reflejado este principio en este mapa de 
correlación?


Now let’s see whether we can replicate one of the most well-known functional connectivity networks, the so-called Default 
Mode Network. This network is a pattern of correlated regions, primarily the ventromedial prefrontal cortex and the 
posterior cingulate cortex. Use the “Voxel location” fields to enter values of X=32, Y=53, and Z=16, and use this voxel as a 
seed for another functional connectivity analysis. What do you notice about the resulting correlation map?

Ahora veamos si podemos replicar una de las redes de conectividad funcional más conocidas, la denominada Red Neuronal por 
Defecto (RND). Esta red es un patrón de regiones correlacionadas, principalmente la corteza prefrontal ventromedial y la 
corteza cingulada posterior. Utilice los campos "Ubicación del vóxel" para introducir los valores X=32, Y=53 y Z=16, y use 
este vóxel como semilla para otro análisis de conectividad funcional. ¿Qué observa en el mapa de correlación resultante?


The Default Mode Network, showing high correlation between the ventromedial prefrontal cortex and posterior cingulate cortex 
nodes. This map can be saved as its own image by clicking on the disk icon next to the correlation map that has been 
generated. You can then convert this to a z-score using Fisher’s r-to-z transform, and use those transformed images as input 
into a group-level analysis. The reasons for this transform, which is done automatically in the CONN toolbox, will be 
discussed in a later chapter on 1st-level analysis.

La red neuronal por defecto muestra una alta correlación entre la corteza prefrontal ventromedial y los nodos de la corteza 
cingulada posterior. Este mapa se puede guardar como una imagen independiente haciendo clic en el icono del disco junto al 
mapa de correlación generado. A continuación, se puede convertir a una puntuación z mediante la transformación r-a-z de 
Fisher y utilizar las imágenes transformadas como entrada para un análisis a nivel de grupo. Las razones de esta 
transformación, que se realiza automáticamente en la caja de herramientas CONN, se explicarán en un capítulo posterior sobre 
análisis de primer nivel.

Functional Connectivity Analysis with Neurosynth

Another useful tool for understanding functional connectivity is Neurosynth. Neurosynth is primarily a meta-analysis tool, 
but it can also be used to quickly generate functional connectivity maps for seed regions in a template brain. If you click 
on the “Locations” tab, a new window opens that says “Functional connectivity and coactivation maps”. Click on any 
coordinate in the brain, and then click on “What’s here?” After a few moments, a correlation map will be generated.

Otra herramienta útil para comprender la conectividad funcional es Neurosynth. Neurosynth es principalmente una herramienta 
de metaanálisis, pero también puede utilizarse para generar rápidamente mapas de conectividad funcional para regiones 
semilla en un cerebro modelo. Al hacer clic en la pestaña "Ubicaciones", se abre una nueva ventana con el título "Mapas de 
conectividad funcional y coactivación". Haga clic en cualquier coordenada del cerebro y, a continuación, en "¿Qué hay 
aquí?". Tras unos instantes, se generará un mapa de correlación.


For example, let’s say that we wanted to generate a functional connectivity map for the default mode network (described 
above). If you click on the coordinates [0, 44, -14] and click the “What’s here?” button, you should see significant 
clusters in both the region that you clicked, and also in the posterior cingulate cortex. These maps are generated based on 
a sample of a thousand subjects collected by Yeo et al. (2011), and contain the typical networks you would see in any 
sample.

Por ejemplo, supongamos que queremos generar un mapa de conectividad funcional para la red neuronal por defecto (descrita 
anteriormente). Si hace clic en las coordenadas [0, 44, -14] y luego en el botón "¿Qué hay aquí?", debería ver grupos 
significativos tanto en la región donde hizo clic como en la corteza cingulada posterior. Estos mapas se generan a partir de 
una muestra de mil sujetos recopilada por Yeo et al. (2011) y contienen las redes típicas que se observan en cualquier 
muestra.

As an exercise, try setting the coordinates to one of the nodes of the salience network, for example - [0 26 32], which is 
roughly within the anterior cingulate cortex - and see whether it correlates with the bilateral insula. Try setting the seed 
in other regions, such as the motor cortex or auditory cortex. What other regions would you expect would correlate with 
those seed regions? Why?

Como ejercicio, intente establecer las coordenadas en uno de los nodos de la red de prominencia, por ejemplo, [0 26 32], que 
se encuentra aproximadamente dentro de la corteza cingulada anterior, y observe si se correlaciona con la ínsula bilateral. 
Intente establecer la semilla en otras regiones, como la corteza motora o la corteza auditiva. ¿Qué otras regiones esperaría 
que se correlacionaran con esas regiones semilla? ¿Por qué?

Demonstration of how to generate functional connectivity maps with Neurosynth. Note that you can threshold the image to only 
show correlations above a certain value, and you can also download the correlation map to use as a mask.

Demostración de cómo generar mapas de conectividad funcional con Neurosynth. Tenga en cuenta que puede aplicar un umbral a 
la imagen para mostrar solo las correlaciones superiores a un valor determinado, y también puede descargar el mapa de 
correlación para usarlo como máscara.

Video

Click here for a brief overview of the history of functional connectivity, and how to do a simple functional connectivity 
analysis in FSL.

Haga clic aquí para obtener una breve descripción general de la historia de la conectividad funcional y cómo realizar un 
análisis sencillo de conectividad funcional en FSL.

Next Steps

Now that you have an idea of what functional connectivity is and how we generate correlation maps, you are ready to begin 
learning about the CONN toolbox. Click Next to learn about how to first download the data we will be analyzing with CONN.

Ahora que ya sabes qué es la conectividad funcional y cómo generamos mapas de correlación, estás listo para empezar a 
aprender sobre la caja de herramientas CONN. Haz clic en Siguiente para aprender a descargar los datos que analizaremos con 
CONN.