при предъявлении стимулов в тех структурах мозга, которые будут ответственны за обработку этих стимулов. Тем самым, используя довольно сложные методы статистической обработки, мы можем получать статистические параметры того, насколько предлагаемая модель статистическая описывает изменения BOLD сигнала. И именно эти статистические параметры в дальнейшем используются для обработки групповых данных. Обработка групповых данных, как ПЭТ, так и фМРТ исследований, она характеризуется общими свойствами и характеристиками, о которых мы скажем несколько позже. В данном случае на данном слайде представлен пример так называемого блокового дизайна фМРТ исследования, когда контрольные и интересующие нас события они как бы сгруппированы в определенные блоки. По сравнению с ПЭТ исследованиями мы видим, что мы практически имеем возможностью непрерывного предъявления стимулов. Тем самым достигается большея временная разрешающая способность методов функциональной МРТ и, соответственно, мы получаем гораздо больше данных по сравнению с методом позитронной миссионной томографии. Однако, существуют также виды дизайнов, когда интересующее нас событие предъявляется более-менее разреженно или в случайном порядке. Это так называемый even related design, то есть мы смотрим, где находятся структуры, которые вовлекаются в обеспечение отдельных стимулов. Групповые данные обрабатываются общим образом. И здесь используется так называемая логика активационных исследований. На слайде приведен пример такого исследования, когда интересующее нас событие, связанное с называнием изображений, и есть контрольные условия, при которых просто предъявляется шахматная доска. За какое-то время накапливаются BOLD-сигналы, а дальше наша задача- осуществить так называемый контраст, то есть сравнение между интересующим тестовым условием и контрольным. Здесь на слайде видно, что при таком сравнении у нас процессы, связанные с сенсорной обработкой стимулов, взаимно вычитаются, и остаются только области мозга, которые связаны именно с изучаемым процессом, в данном случае с процессом называния изображений. Тем самым получаемые, выявляемые группы вокселов в виде кластеров, они отражают именно те структуры, которые в данный момент работают. Следует также сказать, что такое сравнение происходит как правило в повоксельном режиме, то есть каждый воксел изображения анализируется статистическими методами на предмет такой разницы между одним и другим тестовым условием. Дело в том, что это порождает так называемую проблему множественных сравнений, когда мы применяем один и тот же тест для одних и тех же данных. У нас резко возрастает частота ложноположительных находок только потому, что мы используем правило пятипроцентного уровня статистической значимости. Хорошей иллюстрацией к тому, к чему может приводить подобное свойство, только потому что мы применяем такие статистические методы, представлена на данном слайде. Это очень известное исследование, когда так называемое не корректированное изображение показало при проведении фМРТ исследования активацию в мозге форели при предъявлении эмоционально значимых изображений из жизни людей. Однако, важная особенность исследования- форель была мертва. Данный, может быть, немножечко гротескный пример говорит о том, насколько важно использовать коррекцию на множественные сравнения, только потому что мы используем такие методы статистической обработки.
