CZ
EN
Předzpracování fMRI dat
Princip analýzy, artefakty v datech
Princip analýzy, artefakty v datech
Provedeme-li úspěšně fMRI experiment, jako jeho výstup získáme sadu MR snímků. Zanedbáme-li lokalizační snímky sloužící k nastavení pozice a rozsahu snímání, dostaneme minimálně sadu snímků měřených během funkčního experimentu. Pokud ovšem během jednom měření provedeme více experimentů, popřípadě několik opakování stejného experimentu, získáme i několik sad funkčních snímků. Tyto sady funkčních snímků obsahují informace potřebné k detekci aktivace a jsou tedy tím jediným skutečně nutným výstupem z provedeného měřen. V praxi však měříme u vyšetřované osoby i další typy snímků. Především se jedná o strukturální anatomické snímky s vysokým rozlišením, které se používají jako podklad pro lokalizaci aktivovaných oblastí. Dále to mohu být např. snímky MR angiografie používané pro lokalizaci velkých žil (v žilách můžeme často pozorovat arteficiální aktivaci).
Jak již bylo zmíněno, akvizici jednoho objemu mozku nazýváme sken. Při jednom experimentu nasbíráme velké množství skenů (řádově několik desítek až stovek) zachycujících stav mozku v čase. Vezmeme v úvahu elementární objemy snímaného prostoru - voxely. Aktivaci detekujeme statisticky, zvlášť pro každý voxel, na základě srovnání časového průběhu signálu s průběhem stimulace během experimentu. Tomuto způsobu nezávislého hodnocení signálu v jednotlivých voxelech se říká voxel-by-voxel analýza. Pro detekci existují i metody nevyžadující znalost průběhu experimentu, jako analýza hlavních komponent (PCA) nebo analýza nezávislých komponent (ICA), avšak jsou používány naprosto minoritně. Především je u nich problém s neurofyziologickou interpretací výsledku. Vzhledem k snadnosti implementace a interpretace se s převahou používají statistické voxel-by-voxel metody a pouze těmito se budeme dále zabývat.
Jak již bylo zmíněno, analýza probíhá na principu srovnání referenčního a aktivního (příslušejícího k okamžiku stimulace) stavu signálu, resp. na srovnání podobnosti průběhu signálu s experimentálním paradigmatem. Problémy, které se v analýze fMRI dat objevují jsou zejména malá změna signálu (ústí ve statistickou chybu II. druhu, tedy falešně negativní výsledky) a velký počet současně zkoumaných voxelů (statistická chyba I. Druhu, tedy falešně pozitivní výsledky). fMR je na rozdíl od jiných funkčních zobrazovacích metod extrémně citlivá na pohyb hlavy, což je také jeden z nejvýznamnějších artefaktů. Další artefakty plynou z použití rychlých zobrazovacích metod (např. EPI). Jsou to zejména duchové, snížení citlivosti nebo ztráta signálu v okolí oblastí s velkou změnou magnetické susceptibility. Pro potlačení artefaktů se během analýzy funkčních dat provádí operace označované souhrnně jako předzpracování, které se snaží připravit data co nejlépe ke statistické analýze a vlastní detekci aktivace.
Korekce pohybu
Mezi nejvýznamnější artefakty ve fMRI patří pohyb. Především se jedná o samotný
pohyb hlavy, ale obecně se většina tělesných pohybů přenáší v určité míře na hlavu.
Navíc i samotný mozek vlivem srdeční činnosti "pulzuje". Pohybu hlavy se snažíme
předcházet instruováním (a motivací) vyšetřované osoby a určitou formou fixace.
Jelikož žádná forma prevence není ideální a někdy její rozsah (a účinnost) i
záměrně omezujeme, snažíme se pohyby hlavy dále redukovat při zpracování naměřených
dat. První sken v sadě funkčních dat je brán jako referenční. U dalších skenů
se následně hledají parametry posunů a rotací v prostoru tak, aby se po sobě
jdoucí skeny co nejlépe překrývali.
Korekce akvizičních časů
Při porovnávání naměřených dat s očekávaným průběhem předpokládáme, že jsme
stav mozku zachytili v jediném velmi krátkém okamžiku, zatímco skutečná akvizice
trvá většinou 2 až 4 s. V určitých typech experimentů a detekčních metod si
můžeme dovolit tento předpoklad zanedbat. Naopak některé metody s rychlým
časováním stimulů a inference porovnávající časovou souslednost hemodynamické
odezvy jsou na splnění tohoto předpokladu citlivé. Jako další možný krok
předzpracování se tedy používá metoda pro korekci časů snímání jednotlivých
řezů, která se snaží časové posuny mezi jednotlivými vrstvami korigovat pomocí
interpolace časového průběhu. Na obrázku je znázorněna lineární interpolace
dvou v čase sousedících bodů k referenčnímu okamžiku, což má pouze ukázat
nejzákladnější princip metody.
Prostorová normalizace
Dalším krokem, se kterým se setkáváme především ve výzkumném využití fMRI,
je transformace snímků do standardního stereotaktického prostoru (ve fMRI
nazýváno prostorovou normalizací). Tento krok je důležitý pro snadné srovnávání
výsledků jednotlivých osob mezi sebou nebo s anatomickými atlasy. Umožňuje
orientaci a srovnání podle souřadnic a je proto nezbytný pro skupinovou
statistiku. Podstatou je transformace snímků individuálního mozku k mozku
referenčnímu (šabloně), který je umístěn v určitém souřadném systému,
přičemž nejčastěji se používá Talairachův souřadný systém. Využít lze nejen
afinních lineárních transformací (posuny, rotace, škálování, zkosení), ale
také nelineárních deformací, protože nám jde o maximální shodu různých
individuálních mozků s definovanou šablonou. V klinickém využití fMRI je tento
krok diskutabilní.
Prostorové vyhlazení
Mezi možné operace při zpracování fMRI dat patří také prostorové vyhlazení.
Jedná se o filtraci vysokých prostorových frekvencí, která se snaží potlačit
šum v datech. Jak již bylo zmíněno, poměr signál/šum je ve funkční magnetické
rezonanci nevyhovující a snažíme se o jeho zvýšení. Mimo prostorové filtrace se
k tomu používá i časové filtrace, o níž bude řeč dále. K prostorové filtraci se
nejčastěji používá Gaussova filtru definovaného pomocí mezní prostorové frekvence
neboli parametru FWHM (full width at half maximum). Použití prostorového
vyhlazení ve fMRI má mimo pozitiv i negativa a tak je k němu třeba přistupovat
obezřetně. Některé metodické způsoby pro zpracování fMRI dat (a z těchto vycházející
programové balíky) jej úplně zavrhují, jiné naopak vyžadují, většinou ale záleží
použití a nastavení na konkrétním uživateli.
Na následujícím obrázku je ukázka vyhlazení skutečných dat. Znázorněn je jeden
řez pomocí 3D grafu, kdy osa z představuje intenzitu snímku. Vlevo je vidět
původní řez (po korekci pohybu a prostorové normalizaci), vpravo je pak vidět
tentýž řez po prostorovém vyhlazení (to bylo provedeno na celém objemu, tedy ve 3D).
Normalizace intenzity
Posledním krokem, který se odehrává v obrazové (nebo též prostorové) doméně je globální normalizace intenzity. Globální intenzita BOLD signálu (tedy jas snímků) může mezi jednotlivými akvizicemi kolísat. Tím je ovlivněna i schopnost detekce aktivace, jelikož časový průběh signálu v určitém voxelu kolísá dle průběhu globální intenzity. Řešením je odstranit tuto složku z časových průběhů v jednotlivých voxelech tak, že provedeme normalizaci globální intenzity v každém skenu na předem stanovenou hodnotu. Někdy je nutné tento krok cíleně vynechat (např. při korelaci globální intenzity s průběhem experimentální stimulace). Často se pak používá alespoň normalizace intenzity zvaná "Grand Mean Scaling", kdy vypočítáme průměrnou intenzitu signálu pro celý experiment a tuto pak upravíme na přednastavenou hodnotu. Zajistíme tak alespoň srovnatelné úrovně signálu mezi jednotlivými experimenty a osobami.
Na obrázku můžeme vidět dva případy ovlivnění signálu po globální normalizaci.
V prvním případě nevykazuje voxel žádnou změnu signálu, ve druhém případě
intenzita ve voxelu významně koreluje s globální intenzitou. a) značí původní
průběhy signálu. b) značí výsledek po normalizaci globální intenzity. Mimo již
zmíněného potlačení korelujícího signálu může také dojít k vyvolání falešné
negativní korelace a tím i falešné hypoaktivace.
Filtrace časového průběhu
Úpravou prováděnou již pouze na časovém průběhu BOLD signálu, nezávisle v
každém voxelu (časové sérii příslušející danému voxelu), je časová filtrace.
Můžeme použít filtraci nízkých i vysokých frekvencí. Prvou odstraníme pomalé
kolísání signálu (projevuje se v něm např. srdeční činnost a respirace),
druhou pak vysokofrekvenční šum.
počítadlo:
82704
nahoru
domů