Optimalizace metod zpracování fMRI dat pro zvýšení validity analýz konektivity

Ing. Marek Bartoň, Ph.D.

Doctoral thesis

Optimization of fMRI data processing for improvement of connectivity analysis validity

Abstract:

Úvod. Analýzy konektivity z dat fMRI jsou stále více využívanou metodou pro studium funkcí lidského mozku. Vzhledem k faktu, že fMRI data obsahují velké množství šumu, který výsledky analýz konektivity znehodnocuje, je nutné provádět vhodné filtrace. Pro tyto účely bylo představeno široké množství přístupů, které využívají informaci o průbězích šumu z přímo z fMRI dat (data-driven metody) nebo na základě modelování šumu s využitím externí monitorace procesů, které šum způsobují (model-based metody). Na poli analýz fMRI konektivity panuje značná heterogenita ve využívání těchto filtračních strategií. Cílem disertační práce bylo zhodnotit vliv konkrétních variant data-driven metod (v kombinaci s nejrozšířenější model-based metodou RETROICOR) na výsledky analýz efektivní konektivity (psychofyziologické interakce, PPI) a funkční konektivity (seed korelační analýza). Metody. V první studii zahrnující dva soubory subjektů (N1=28; N2=15) byl sledován vliv filtrace pohybových parametrů (MPs), signálů z likvoru (CSF) a bíle hmoty (WM), globálního signálu a RETROICORu na výsledky analýzy PPI. Pomocí simulovaných dat byly hodnoceny efekty těchto filtrací. V druhé studii zahrnující čtyři soubory subjektů (N1=19; N2=26; N3=19; N4=25) byl hodnocen efekt širokého spektra variant filtrací pomocí různých setů CSF a MW signálů. Tyto sety byly tvořeny různými počty (1, 2 a 5) signálů vypočtených pomocí analýzy nezávislých komponent (PCA) a lokálními signály z CSF a WM. Hodnocena byla také interakce těchto filtrací s RETRIOCORem. Za tímto účelem byly využity dvě metriky (z nichž jedna originální) zohledňující potlačení šumu a zachování užitečné variability. Využita byla fMRI data s úkolem a klidová data. Výsledky. Byl zjištěn pozitivní efekt filtrace pohybových parametrů (MPs), signálů z likvoru (CSF) a bíle hmoty (WM) a RETROICORu na výsledky analýz PPI. Bylo zjištěno, že filtrační přístupy založené na PCA, které využívají vyšší počty komponent, mají obecně horší výkonnost, než při využití pouze první PCA komponenty. Pro úkolová data s využitím RETROICORu a pro klidová data bez využití RETROICORu byla oproti PCA komponentně z WM preferována varianta lokálních signálů. Pro klidová data s využitím RETROICORu byly před PCA komponentou upřednostňovány lokální signály z CSF i WM. Závěr. Bylo upozorněno na nevhodné filtrační přístupy využívané v neurozobrazovacích studiích a byla formulována konkrétní doporučení pro filtrace dat z pohledu zvýšení validity analýz konektivity.

Abstract:

Introduction. The importance of fMRI connectivity analysis in the study of human brain function is still growing. With respect to the fact that fMRI data contains significant amount of noise that corrupts the conclusions drawn from the analyses, it is necessary to perform proper noise filtering. In order to do such filtering, there was introduced a broad range of approaches, which exploit information about the noise time courses either directly from fMRI data (i.e. data-driven methods) or based on noise modeling (i.e. model-based methods) with usage of the external monitoring of processes which are causing the noise. There is a substantial heterogeneity in the usage of the filtering methods in the fMRI analysis field. The aim of the dissertation is to evaluate an impact of specific variants of data-driven methods (in combination with the mostly used model-based method - RETROICOR) on the results of effective connectivity (psychophysiological interactions, PPI) and functional connectivity (seed correlation analysis). Methods. In the first study comprising two subject groups (N1=28; N2=15), the impact of movement parameters (MPs), cerebrospinal fluid (CSF) signal, white matter (WM) signal, global signal filtering, and RETROICOR filtering on PPI analysis was observed. With usage of simulated data, the evaluation of particular filtering effects was done. In the second study comprising four subject groups (N1=19; N2=26; N3=19; N4=25), the effects of a broad range of CSF and WM filtering strategies was evaluated. The sets of CSF and WM signals contained different numbers (1, 2 a 5) of signals obtained with principal component analysis (PCA), and the local CSF and WM signals were used in addition to the PCA-based variants. The interaction of these data-driven filtering with RETROICOR was also assessed. For the evaluation of filtering performance, two metrics were used (one of them was original); these metrics assessed noise suppression and preservation of neural signal variability. Task and resting-state (RS) data were used. Results. There was a positive effect of MPs, CSF and WM, and RETROICOR filtering on PPI results. It was observed, that PCA-based filtering signals using higher numbers of components perform worse in comparison with the first component only. For the task data when RETROICOR is used and for the RS data without RETROICOR, the WM local signals perform better when compared to first principal component. For the resting-state data when RETROICOR is used, the local signals from both CSF and WM perform better when compared to first principal components. Conclusion. It was highlighted that there are some improper filtering approaches routinely used in neuroimaging studies, and specific recommendations for this filtering were formulated in order to increase validity of the connectivity analyses.

Keywords

fMRI, filtrace, likvor, bílá hmota, konektivita, psychofyziologické interakce, seed korelační analýza, filtering, cerebrospinal fluid, white matter, connectivity, psychophysiologic interaction, seed correlation analysis

Language used: Czech

Date on which the thesis was submitted / produced: 10. 12. 2018

Thesis defence

• Date of defence: 5. 2. 2019
• Supervisor: Ing. Michal Mikl, Ph.D.
• Reader: MUDr. Jiří Keller, Ph.D., prof. MUDr. Ing. Petr Hluštík, Ph.D., doc. Ing. Jan Kremláček, Ph.D.

Masaryk University

Faculty of Medicine

Doctoral programme / field:
Neuroscience (4-years) / Neuroscience