Kako se fMRI podaci iz stanja mirovanja pribave i prođu kroz neki oblik kontrole kvaliteta (kao što je vizuelna provera snimka), faza koja sledi je priprema podataka za glavnu analize i zajednička je za sve vrste studija stanja mirovanja. Ova priprema uključuje predobradu podataka (eng. preprocessing); čiji je glavni cilj da smanji uticaje artefakta i drugih tipova strukturisanog šuma na krajnji ishod analize.
🧠 pošto tekst nije ključan i znatno dug, dovoljno je pogledati zaključak na dnu teksta i nastaviti na sledeći članak 🧠
Koraci predobrade podataka za smanjenje šuma spadaju u dve široke kategorije. Prvo, postoji nekoliko koraka za smanjenje šuma koji se obično koriste u bilo kom funkcionalnom MRI istraživanju i nisu specifični samo za stanje mirovanja (kao što je visoko-propusno filtriranje Hz, prostorno uglađivanje i korekcija pokreta). Drugo, dodatno smanjenje buke je od suštinskog značaja za svaku fMRI studiju u stanju mirovanja zbog rizika da strukturirana buka utiče na nalaze.
Da bismo izvršili grupnu analizu, takođe je važno osigurati da poredimo iste regione mozga među subjektima. Nekoliko koraka predobrade ima za cilj da to postigne, uključujući korekciju pokreta, registraciju iz funkcionalnog (eho planarno snimanje, EPI) u strukturalni (T1) prostor, registraciju (ili normalizaciju) iz strukturalnog u standardni prostor i korekciju distorzije.
Za bilo koju fMRI studiju u stanju mirovanja neophodno je uključiti konvencionalne korake predobrade, a takođe se preporučuje da se razmotri korišćenje dodatnih metoda za smanjenje buke. Ove dodatne metode imaju za cilj rešavanje izazova vezanih za buku koji su specifičniji za fMRI u stanju mirovanja i svaka ima prednosti i nedostatke.
Konvencionalni koraci predobrade
Konvencionalni koraci predobrade koji se primenjuju na mnogo različitih tipova MRI podataka uključuju: (i) korekciju pokreta, (ii) temporalno usklađivanje isečaka (slice timing correction), (iii) prostorno uglađivanje, (iv) temporalno filtriranje i (v) registraciju. Iako su ovi koraci predobrade uobičajeni za mnoga istraživanja MRI, treba ih ukratko objasniti.
Korekcija pokreta. Prvi korak koji je od suštinskog značaja za sve rsfMRI podatke je korekcija pokreta, čiji je cilj ispravljanje efekta kretanja glave subjekta u skeneru. Niko ne može mirno ležati u skeneru i uvek postoje barem male količine pokreta glave.
Korekcija pokreta funkcioniše tako što prostorno registruje svaku zapreminu zasebno na odabranu referentnu zapreminu. Referentni volumen je obično jedan od dobijenih volumena (bilo prvi ili srednji volumen). Međutim, ponekad je bolje koristiti alternativnu sliku kao referencu; kao u višepojasnoj sekvenci treba koristiti nesaturisanu sliku, jer pruža bolji kontrast tkiva od drugih volumena (SBref). Korekcija pokreta primenjuje transformacije na svaki volumen tako da se svi rezultujući volumeni prostorno uparuju.
Temporalno usklađivanje isečaka. Za EPI podatke, ova metoda se može primeniti na fMRI podatke stanja mirovanja, ali to nije uvek potrebno. Cilj ovog koraka je da se ispravi mala razlika u vremenu kada je svaki deo BOLD podataka dobijen (tj., neki delovi se dobijaju na početku TR, dok se drugi dobijaju kasnije). Kada je TR sekvence, na primer, 3 sekunde, razlika u akviziciji vremena preseka može dosta da varira i može biti korisno primeniti korekciju vremena preseka. Međutim, sa razvojem ubrzanih višepojasnih EPI sekvenci, TR je često bliži 1 sekundi ili čak i manje. S obzirom na sporost funkcije hemodinamičkog odgovora, tako male razlike u sticanju vremena preseka mogu imati mali uticaj na analizu.
Ova metoda korekcije koristi interpolaciju u vremenu da bi se blago pomerili BOLD vremenski tokovi voksela kako bi se uzele u obzir ove male razlike u vremenu akvizicije. Međutim, interpolacija uzrokuje blago vremensko izglađivanje podataka, i stoga rezultira neizbežnim gubitkom visokofrekventnih informacija. Konačno, korekcija vremena preseka je u interakciji sa korekcijom kretanja i prostornim izglađivanjem (sledeće) na načine koji su komplikovani i obično se ne mogu u potpunosti ispraviti. Da li treba primeniti korekciju vremena preseka ili ne, treba odrediti posebno za svaku pojedinačnu studiju.
Prostorno izglađivanje. Sledeći korak koji se obično primenjuje na različite tipove (funkcionalnih) MRI podataka u protokolu za predobradu je primena određene količine prostornog izglađivanja na sliku (koji se naziva i prostorno filtriranje). Prednost prostornog izglađivanja je u tome što usrednjavanje pomaže da se smanji uticaj nečistoća. Međutim, loša strana prostornog izglađivanja je to što se gubi određena preciznost prostorne lokalizacije.
U EPI skupovima podataka sa visokom prostornom rezolucijom (tj. jednakim ili manjim od 2.5 mm izotropnih voksela) i visokom vremenskom rezolucijom (tj. TR ispod 1.5 sekundi), kao i dužim snimanjem (tj. najmanje 10 minuta akvizicije), izglađivanje nije uvek neophodno.
Visokofrekventno filtriranje. Sledeći uobičajeni korak predobrade koji je tipično preporučljivo primeniti na fMRI podatke je vremensko filtriranje. Najčešće, fMRI podaci su visokopropusno filtrirani, što znači da se najniže frekvencije uklanjaju iz podataka. Niske frekvencije koje ovde želimo da uklonimo idealno su niže od niskofrekventnih fluktuacija koje dominiraju BOLD signalom. Kada se koristi visokopropusni filter sa graničnikom od 0.01 Hz (ili 100 sekundi), to znači da će sve fluktuacije signala koje variraju sporije od granične vrednosti biti (u potpunosti ili delimično) uklonjene. U suštini, cilj visokopropusnog filtriranja je uklanjanje odstupanja skenera iz podataka. Količina filtriranja zavisi od kvaliteta podataka; u skupovima podataka visokog kvaliteta moguće je podesiti veći period prekida (1000 sekundi) kako bi se uklonilo manje i zadržalo više podataka, dok podaci nižeg kvaliteta često koriste niže granične periode (100 sekundi) kako bi se uklonilo više šuma.
Registracija. Da bi se izvršile analize na nivou grupe (što je obično cilj bilo koje vrste fMRI eksperimenta), neophodno je registrovati sve subjekte u zajednički „standardni“ prostor. Standardni prostor je zajednički koordinatni sistem koji se može koristiti za opisivanje lokacija u mozgu (uobičajeni standardni prostori na koje ste možda naišli su prostor Talairach i Montreal Neurological Institute (MNI)). Drugi „prostori“ o kojima često govorimo su funkcionalni (EPI) i strukturni (T1) prostor, koji su izvorni prostori u kojima se prikupljaju podaci za svaki subjekt. Važno je da ovi prostori (funkcionalni, strukturni i standardni) obično imaju veoma različite veličine slike i dimenzije voksela, tako da voksel u jednom prostoru neće pokriti isti region mozga u drugim prostorima. Cilj registracije je uskladiti prostornu strukturu pomoću slika, kako bi se izračunale transformacije između različitih prostora. Ove transformacije se mogu koristiti za postavljanje statističkih slika koje su rezultat analize na nivou subjekta izvršene u funkcionalnom prostoru u standardni prostor kako bi se omogućilo poređenje na nivou grupe.
Koraci smanjenja buke
Niskofrekventno filtriranje. Filtriranje niskog propusnog opsega je pristup temporalnog filtriranja sličan visokopropusnom filtriranju. Međutim, umesto uklanjanja samo najnižih frekvencija (kao što je drift), niskopropusno filtriranje uklanja, u potpunosti ili delimično, visoke frekvencije iznad granične frekvencije (na primer, zadržavanje frekvencija ispod 0. 1 Hz). Filtriranje niskog propusnog opsega je pristup temporalnog filtriranja sličan visokopropusnom filtriranju. Međutim, umesto uklanjanja samo najnižih frekvencija (kao što je drift), niskopropusno filtriranje uklanja, u potpunosti ili delimično, visoke frekvencije iznad granične frekvencije (na primer, zadržavanje frekvencija ispod 0.1 Hz). Međutim, od tada se pokazalo da prostorna struktura, koja jako podseća na mreže stanja mirovanja, postoji u visokofrekventnim BOLD podacima, što sugeriše da više frekvencije sadrže upotrebljive signale. Kao rezultat toga, iako je još uvek opcija da se koristi niskopropusno filtriranje u svrhe smanjenja buke, više se ne smatra suštinskim korakom za proučavanje fluktuacija stanja mirovanja i više se ne koristi često.
Regresija smetnji. Uobičajeni metod za smanjenje uticaja strukturirane buke u stanju mirovanja fMRI je regresija smetnji. U regresiji smetnji, definisan je skup vremenskih tokova za koje se smatra da odražavaju varijansu u podacima iz različitih izvora strukturisane buke. Ovi vremenski tokovi se nazivaju regresori smetnji, a varijanse povezane sa ovim vremenskim tokovima se uklanjaju iz podataka korišćenjem višestruke linearne regresije. Signal koji ostaje nakon regresije (reziduali) se zatim koristi za dalje analize funkcionalne povezanosti. Vremenski tokovi koji su uključeni kao regresori smetnji često odražavaju kretanje, a takođe i BOLD fluktuacije iz tkiva bez sive materije, kao što su bela materija i CSF. Najčešće korišćeni regresori smetnji su parametri kretanja (koji se takođe nazivaju parametri ponovnog poravnanja), koji se procenjuju tokom korekcije kretanja. Drugi signali se mogu izvesti iz podataka i koristiti u regresiji smetnji. Na primer, jedan uobičajeni pristup je izdvajanje vremenskih serija koje predstavljaju CSF i belu materiju (VM). Prednosti regresije smetnji su u tome što ne zahteva nikakvo dodatno prikupljanje podataka (tj., regresori se mogu proceniti korišćenjem podataka) i da je lako i brzo implementirati. Međutim, postoje dva važna nedostatka pristupa regresije smetnji. Što je najvažnije, pošto je zasnovana na linearnoj regresiji, regresija smetnji ne može ukloniti mnoge složene sekundarne efekte kretanja koji su veoma složeni i nelinearne prirode. Drugo, važno je napomenuti da se parametri kretanja procenjuju iz podataka i da su stoga dobri onoliko koliko je tačnost algoritma koji se koristi za korekciju kretanja. Zbog ovih nedostataka, opšti konsenzus je da regresija smetnji sama po sebi nije dovoljna da ukloni efekat strukturirane buke pre analize funkcionalne povezanosti. Stoga ga treba koristiti samo u kombinaciji sa jednom od drugih metoda. Mnoge od sledećih metoda su specifične verzije regresije smetnji, uključujući globalnu regresiju signala, regresiju fiziološkog šuma, pa čak i neke verzije složenijih pristupa, kao što su cenzura i analiza nezavisnih komponenti (ICA).
Globalna regresija signala. Globalna regresija signala je specifična verzija regresije smetnji. Dobijanje globalnog signala uključuje usrednjavanje vremenskih serija po svim vokselima u mozgu, kako bi se dobio jedan prosečan regresor BOLD fluktuacija. Ovaj „globalni“ vremenski niz se zatim može ukloniti korišćenjem linearne regresije. Bilo je mnogo kontroverzi oko globalne regresije signala. Zagovornici su pokazali da globalna regresija signala uspešno smanjuje uticaj strukturisanog šuma na mere funkcionalne povezanosti, tvrdeći da je to jednostavan i efikasan metod za smanjenje šuma. Međutim, postoji nekoliko važnih negativnih efekata izvođenja globalne regresije signala. Prvo, pošto se globalni signal izračunava korišćenjem svih voksela, on sadrži kombinaciju fluktuacija signala i šuma. Stoga, globalna regresija signala uklanja (po definiciji) određenu količinu signala iz podataka. Drugo, uklanjanje varijabilnosti povezane sa globalnim signalom takođe menja strukturu povezivanja u mozgu. Konkretno, globalna regresija signala uvodi pomak u distribuciji vrednosti funkcionalne povezanosti. Važno je da to znači da se povezanost između nekih regiona pomera od nulte ili pozitivne pre globalne regresije signala, do negativne posle globalne regresije signala. Dakle, pokazalo se da globalna regresija signala izaziva negativne korelacije između regiona mozga. S obzirom da je funkcionalna povezanost glavna mera interesovanja u istraživanju stanja mirovanja, ovo uvođenje negativnih korelacija je važan nedostatak globalne regresije signala. Zbog ovih nerešenih kontroverzi, upotreba globalne regresije signala je trenutno otvorena debata.
Fiziološka regresija. Da bi se uklonio fiziološki šum koji nastaje usled srčanih i respiratornih fluktuacija, moguće je vršiti stalna fiziološka merenja dok subjekt leži u skeneru. Ove fiziološke mere se mogu koristiti tokom predobrade podataka za kreiranje regresora koji odražavaju fiziološke fluktuacije (srčani i respiratorni ciklus, respiratorni volumen i varijabilnost srčane frekvencije). Regresija fiziološke buke je korisna u situacijama kada je veća verovatnoća da će regioni mozga koji su od primarnog interesa biti pod uticajem fizioloških fluktuacija kao rezultat njihove lokacije u mozgu. Ipak, poslednjih godina došlo je do opadanja upotrebe fiziološke regresije buke.
Cenzura volumena. Da bi se u potpunosti uklonili svi primarni i sekundarni efekti kretanja, jedna od opcija je da se u potpunosti uklone zapremine dobijene u vremenskim tačkama kada se subjekt pomerao tokom skeniranja. Ovaj pristup potpunog uklanjanja vremenskih tačaka (volumena) iz podataka naziva se cenzurom obima (koja se takođe često naziva čišćenjem, uklanjanjem šiljaka, despikingom ili regresijom šiljaka kada se identifikovani volumeni povlače iz podataka pomoću GLM pristupa, umesto potpuno uklanjanje vremenskih tačaka). Da bi se odredile vremenske tačke kretanja koje treba ukloniti, cenzura obima primenjuje prag na meru kretanja. Pomeranje okvira (FD) i DVARS se obično koriste kao te mere. Cenzura jačine zvuka je efikasna za uklanjanje efekata kretanja iz fMRI podataka u stanju mirovanja (uključujući efekte prvog i višeg reda) i popularan je pristup za smanjenje šuma. Međutim, korisno je biti svestan nekoliko nedostataka cenzure obima. Prvo, količina podataka koja se uklanja u obimnoj cenzuri je često relativno velika (između 20% i 60% svih tomova), što znači da postoji veliko smanjenje vremenskih stepena slobode podataka. Implikacija ovog smanjenja stepena slobode je da se statistička moć smanjuje. To znači da procena funkcionalne povezanosti postaje bučnija kada se izračunava koristeći manje zapremine. Važno je da broj tomova koji se uklanjaju varira u zavisnosti od subjekta u zavisnosti od toga koliko su se subjekti pomerili. Stoga je tačnost mere funkcionalne povezanosti procenjene unutar svakog subjekta niža kod ispitanika koji su se više kretali, u poređenju sa subjektima koji su se kretali manje. Na kraju, cenzura zapremine može biti efikasan metod za smanjenje strukturirane buke iz fMRI podataka u stanju mirovanja i stoga je relativno česta u fMRI stanju mirovanja. Međutim, postoje i druge metode smanjenja buke koje mogu biti fleksibilnije.
Analiza nezavisnih komponenti (ICA) je metoda koja se cilja da podeli skup podataka BOLD-a stanja mirovanja celog mozga na komponente koje su međusobno nezavisne (često nekorelisane). Prema tome, pomoću ICA se mogu identifikovati komponente koje smatramo da su nečistoće signala i ukloniti ih iz podataka. Tada smatramo da nam ostaju podaci koje čine samo komponente neuronskih signala.
ICA se takođe može izvesti na nivou grupe da bi se identifikovale velike mreže stanja mirovanja i grupna-ICA. Kada koristite ICA za smanjenje nečistoća, trebalo bi ga primeniti odvojeno na podatke dobijene od svakog subjekta (i svakog pokretanja) nakon što su konvencionalni koraci pre obrade (tj. korekcija pokreta, korekcija vremena preseka ako se koristi, vremensko filtriranje i prostorno uglađivanje ako se koristi) imali primenjeno. Izlaz iz ICA sa jednim subjektom je skup komponenti, od kojih je svaka opisana prostornom mapom i vremenskim tokom. Broj komponenti koje treba izdvojiti može se automatski proceniti na osnovu podataka. Kada se ICA pokrene da proceni komponente, sledeći korak za čišćenje zasnovano na ICA je označavanje svake od komponenti kao signal ili šum (klasifikacija komponenti). Ovo se može uraditi ručno, na osnovu pregleda svake od komponenti, ili obeležavanje može da se uradi korišćenjem jedne od dostupnih automatizovanih (AROMA) ili poluautomatizovanih (FIKS) ICA metoda klasifikacije. Kada su sve komponente označene kao signal ili šum, poslednji korak je da se izvrši regresiona analiza kako bi se uklonila varijansa povezana sa komponentama označenim kao šum iz podataka. Postoje dve opcije za uklanjanje ICA komponenti buke iz podataka, a one su obično poznate kao „agresivne“ i „neagresivne“. Agresivni pristup je sličan regresiji smetnji i uklanja svu varijansu objašnjenu vremenskim serijama komponenti šuma iz podataka (koristeći višestruku linearnu regresiju). Ovaj agresivni pristup će dovesti do uklanjanja svih varijansi koje se mogu objasniti vremenskim tokovima, čak i ako se neka od te varijanse deli sa komponentama signala. Alternativni, neagresivni pristup je uklanjanje samo varijanse koja je jedinstvena za komponente šuma i zadržavanje bilo koje varijanse koja bi mogla biti povezana sa signalima od interesa. Odnosno, zadržava varijansu koja se deli između komponenti označenih kao šum u odnosu na komponente koje se ne mogu jasno identifikovati kao šum, pa stoga mogu da sadrže signal.
Zaključak
Podaci stanja mirovanja iz funkcionalne magnetne rezonance (rsfMRI) sadrže mnoge nečistoće koja su rezultat MRI hardvera, pokreta glave i fiziologije subjekta. Šum je problematičan za analize i treba ga smanjiti tokom predobrade.
Konvencionalni koraci predobrade koji se primenjuju na mnogo različitih tipova MRI podataka uključuju: (i) korekciju pokreta, (ii) temporalno usklađivanje isečaka (slice timing correction), (iii) prostorno uglađivanje, (iv) temporalno filtriranje i (v) registraciju.
Za fMRI u stanju mirovanja, potrebni su dodatni koraci predobrade jer analize funkcionalne povezanosti gledaju na sličnosti u BOLD signalu u različitim regionima mozga i ovo je osetljivije na strukturirani šum od drugih metoda neuroskeniranja.
Obično korišćeni dodatni koraci predobrade uključuju:
- Regresiju buke: varijansa koja se može objasniti skupom regresora, uključujući parametre kretanja i vremenske serije ekstrahovane iz CS tečnosti i regiona bele materije, uklanja se iz podataka.
- Regresija fiziološke buke: regresori koji objašnjavaju signale koji proizilaze iz srčanog i respiratornog ciklusa, kao i brzinu srca i disanja se izračunavaju korišćenjem dobijenih fizioloških podataka, a varijansa koja se može objasniti ovim fiziološkim regresorima se uklanja iz podataka.
- Cenzura pojedinačnih volumena: periodi intenzivnijih pokreta (tj. kada je kretanje iznad unapred određenog praga) se u potpunosti uklanjaju iz podataka.
- Pojedinačni ICA: podaci se razlažu na komponente, iz kojih se komponente buke identifikuju i uklanjaju iz podataka.
Najmanje jedan od ovih dodatnih koraka predobrade uvek treba da se koristi u bilo kojoj fMRI studiji u stanju mirovanja (pored konvencionalnih koraka predobrade).
<< Akvizicija rsfMRI podataka 🧠 Sadržaj 🧠 Mapiranje nervnih mreza stanja mirovanja >>
Reference
– Bijsterbosch, J., Smith, S. M., & Beckmann, C. F. (2017). An introduction to resting state fMRI functional connectivity. Oxford University Press.
Коментари
Постави коментар