curso modular de introducción a las neurocienciaschialvo.org/curso/ubacurso/dia9/dia9a.pdf ·...
TRANSCRIPT
Curso modular de Introducción a las Neurociencias
Módulo 2: Análisis Computacional de Neuro-Imágenes
(MRI y fMRI)
Docentes
Dr. Dante ChialvoLic. Enzo Tagliazucchi
Temas del Curso
Introducción a la resonancia magnética. Introducción a la fisiología de la señal BOLD. Introducción de la suite de herramientas FSL.
Preprocesado de imágenes "crudas" de fMRI. Análisis estadístico de experimentos de fMRI con diseño por bloques. Ejemplo: obtención de mapas de activación en una tarea motora sencilla (fingertapping)
Métodos para el análisis global de la actividad cerebral: análisis probabilistico de componentes independientes (PICA, FSLMELODIC). Ejemplo: obtención de redes funcionales asociadas a sitios en distintos sistemas con funciones bien definidas (motor, modo "default", auditivo, visual, etc).
Conectividad funcional y estructural del cerebro humano. Correspondencia entre el cerebro activo y el cerebro en reposo. Conectividad estructural: introducción al tensor de difusión.
Aplicación de lo visto en las clases anteriores a ejemplos, en particular, diferencias entre controles y pacientes con dolor crónico.
Pasos de preprocesado
Extracción de cerebro (eliminación craneo, etc)
Registración para eliminación de movimiento de cabeza y registración a espacio (template) estandar (MNI152)
Suavizado espacial
Filtrado temporal
Extracción de cerebro (BET-FSL)
Comienza con una teselacion de un icosaedro
Agrega vértices e ”infla” la teselacion hasta ajustar localmente el cerebro (cambio de intensidad en
la imagen)
Registración
Aplicacion de distintos tipos de transformaciones para llevar la imagen entre distintos espacios
(fMRI, imagen anatomica T1, template estandar)
O bien para matchear la imagen en el mismo espacio a distintos tiempos
(correccion de movimiento)
Existen tambien deformaciones no lineales (warping), etc
Solo vamos a aplicar transformaciones lineales
Dos cuestiones mas para registracion
1) Como puedo saber cuando la transformacion fue la ”mejor posible”?
2) Si las imagenes tienen distinta cantidad de voxels (resolucion), como
relleno los voxels?
1) FUNCIONES DE COSTO (o similaridad)
Minimiza el costo o maximiza la similaridad
Ejemplos: cuadrados minimos, correlacion lineal, informacion mutua, etc.
2) INTERPOLACION
Primeros vecinos (rellana con copias de voxels adyacentes)
Lineal (varia la intensidad linealmente)
Suavizado espacial (con núcleo gaussiano)
Razones:
1) Incrementa la relación señal ruido (el promediado cancela ruido)
2) Suaviza los datos, mejora la visualización, y el promediado entre sujetos
Precaución:
El ancho de la gaussiana no debe ser mayor a las zonas de activación esperadas
Filtrado temporalRazones:
1) Ruido en bajas frecuencias (drift del scanner, aliasing de ruido fisiológico)
2) Ruido de alta frecuencia (por ej. Residuos de movimiento)
Precauciones:
El filtro elegido no debe alterar la banda de frecuencias donde está la información
relevante al experimento!
Modelando la respuesta esperada
Paradigma usual: experimento por bloques (se alternan distintas condiciones experimentales + descanso)
Ejemplo que seguiremos: Movimiento de dedo de mano derecha (finger tapping) durante 10 volumenes (25 seg., 1 adqusición cada 2.5 seg)
alternados con 10 seg. de descanso
Un modelo posible: Un voxel implicado en la tarea responderá de esta forma
... pero recordemos de la clase pasada que fMRI mide actividad cerebral de forma indirecta: función de respuesta hemodinámica (Hemodynamic Response
Function - HRF)
Teoría del modelo general lineal (GLM)
Supongamos un experimento con dos estimulaciones simultaneas (visual y auditiva, ambas por bloques)
Modelamos la actividad como una suma de las dos respuestas esperadas
La pregunta entonces es: la señal de cuales voxels puede representarse (ajustarse) correctamente de esta forma con una adecuada elección de parámetros?
Y para estos voxels, cuales son los parámetros? Responde más a un tipo de estimulación que otra? etc.
Buen ajuste
Mal ajuste
Se estiman los parametros que minimizan el error o ruido mediante cuadrados mínimos
(se buscan los parámetros que minimizan el cuadrado de la diferencia de los datos y los regresores)
Testeo de hipótesis nula
Para cada voxel aplicamos el ajuste y obtenemos valores de e y los parámetros (beta)
Cómo decidimos cuales de todos los voxels están involucrados en la tarea?
Si los parámetros son nulos es decir beta = (0,0) entonces no hay activación
Pero los parámetros fueron obtenidos de un ajuste sobre datos ruidosos.datos ruidosos. Podemos confiar en ellos?
El experimento
Un sujeto diestro hacer fingertapping durante 25 segundos y luego para otros 25, repitiendo
Qué áreas de la corteza están involucradas en la tarea?
Además, el reporte de salida tiene información sobre el preprocesado (en particular, registración, eliminación de craneo y movimiento del sujeto)
Siempre hay que mirar estas cosas para asegurarse que el proceso automatizado haya salido bien y que el sujeto no se haya movido excesivamente
Finalmente, el FEAT genera archivos de datos de MRI pero con la estadística espacial (por ejemplo z) los cuales podemos ver (y thresholdear) utilizando FSLview (que sirve para abrir imágenes en general)