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. 

Primera parte: etapa de preprocesado

De datos crudos a mapas de activación

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!

Segunda parte: mapas de activación con fMRI

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?

Tercera parte: Práctica.Mapas de activación de un experimento sencillo con

FSL

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?

Output

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)