Pre-procesado y análisis no lineal de neuroimagen
-
Upload
inigo-sanchez-mendez -
Category
Engineering
-
view
280 -
download
0
Transcript of Pre-procesado y análisis no lineal de neuroimagen
Aportaciones al análisis no lineal
De la actividad neuronal espontánea en
Temblor Esencial
Jose Ignacio Sanchez Mendez
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Índice
02Preprocesado
03Atlas Cerebral
01Introducción
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Anatomía básica del cerebro
Matería Gris (Cuerpos
celulares)
Principalmente compuesto por cuerpos celulares.
Materia blanca (Axones)
Compuesto principalmete por axones y mielina.
Cerebrospinal Fluid
Protección mecánica e inmunológica del cerebro.
Cuerpo celular
Axon
Dentrita
El cerebro requiere el 20% de la energía
total del cuerpo y entre el 60 y el 80% de
esta energía es utilizada en las
comunicaciones entre neuronas.
Introducción
Mielina
Datos origen
Anatómicos
Describen la forma, el tamaño y la integridad de las
estructuras de materia gris y blanca en el cerebro.
Datos obtenidos de imágen de resonancia magnética para el estudio del cerebro
Introducción
Datos origen
Datos obtenidos de imágen de resonancia magnética para el estudio del cerebro
Introducción
DifusiónReconstrucción de las fibras que conectan las diferentes
regiones del cerebro
Anatómicos
Describen la forma, el tamaño y la integridad de las
estructuras de materia gris y blanca en el cerebro.
Datos origen
Funcionales
Para calcular los patrones de activación de las diferentes
regiones del cerebro.
Datos obtenidos de imágen de resonancia magnética para el estudio del cerebro
Introducción
Anatómicos
Describen la forma, el tamaño y la integridad de las
estructuras de materia gris y blanca en el cerebro.
DifusiónReconstrucción de las fibras que conectan las diferentes
regiones del cerebro
Datos origen
Funcionales
Para calcular los patrones de activación de las diferentes
regiones del cerebro.
Datos obtenidos de imágen de resonancia magnética para el estudio del cerebro
Introducción
Anatómicos
Describen la forma, el tamaño y la integridad de las
estructuras de materia gris y blanca en el cerebro.
DifusiónReconstrucción de las fibras que conectan las diferentes
regiones del cerebro
Datos origen
Funcionales
Mide la señal BOLD (blood oxygenation level-dependent) en cada voxel.
La actividad neuronal causa una mayor demanda de energıa: a través de un proceso llamado respuesta
hemodinámica, la sangre libera oxigeno a las neuronas activas,disparadas a
una tasa mucho mayor en comparación con las neuronas inactivas
Introducción
La actividad neuronal ocurre en milisegundos, sin
embargo la respuesta hemodinámica tarda
alrededor de 5 segundos en alcanzar su máximo
Datos origen
Funcionales
Mide la señal BOLD (blood oxygenation level-dependent) en cada voxel.
l
fMRI
t
Resolución temporal: 0.5- 3 segundosResolución espacial: 1 - 5 mm
Introducción
Datos origen
Funcionales
task
fMRI
rs
fMRI
Principales modalidades:
Las imágenes se adquieren mientras el individuo realiza una tarea
El sujeto se relaja y no realiza ninguna tarea en particular durante el
escáner
Introducción
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Preprocesado T1Preprocesado
01Extracción del
cerebro 02Normalizado T1 a
MNI
Preprocesado T1Preprocesado
01Extracción del
cerebro 02Normalizado T1 a
MNI
Preprocesado fMRIPreprocesado
01Eliminar
volúmenes 02Slice Time
Correction 03Corrección del
movimiento
Para corregir los efectos de la saturación magnética (los primeros volumenes suelen tener una mayor
intensidad) y homogeneizar el rango temporal de todos los individuos.
Preprocesado fMRI
01Eliminar los
primeros
volumenes 02Slice Time
Correction 03Corrección del
movimiento
Las diferentes slides que componen un volumen 3D
Son adquiridas en diferentes puntos de tiempo.
Preprocesado
Preprocesado fMRIPreprocesado
01Eliminar los
primeros
volumenes 02Slice Time
Correction 03Corrección del
movimiento
Preprocesado fMRIPreprocesado
04Normalizado
MNI 05Eliminar artefactos
06Filtro Band Pass
& detrend
Transformación en dos fases
1) Transformación obtenida en el paso: Registro T1 en
MNI
2) Transformación obtenida a partir de registrar fMRI en T1
3) Se concatenan las transformaciones
4) Se aplican las transformaciones a las imágenes fMRI
Preprocesado fMRIPreprocesado
04Registrar fmri
a T1 05Eliminar artefactos
06Filtro Band Pass
& detrend
Se eliminan las componentes que se estima que no son debidas la
actividad neuronal espontánea
Preprocesado fMRIPreprocesado
04Registrar fmri
a T1 05Eliminar artefactos
06Filtro Pasa Banda
& detrend
Filtrado de pasa banda de la señal entre: 0.01-0.08 Hz
Detrend
Preprocesado fMRIPreprocesado
Suavizado
Increase SNR
07
Se recomienda suavizar las imágenes con un tamaño de kernel del doble del tamaño
de voxel (2x3.0mm=6.0)
Software de neuroimagenContenido
SPM: Statistical Parametric Mapping (http://www.fil.ion.ucl.ac.uk/spm/)
FSL: FMRIB Software Library v5.0 (https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)
AFNI: Analysis of Functional NeuroImages (https://afni.nimh.nih.gov/)
BROCCOLI: Software for Fast fMRI Analysis on Many-Core CPUs and GPUs (https://github.com/wanderine/BROCCOLI/)
DPARSF Data Processing Assistant for Resting-State fMRI (http://rfmri.org/DPARSF)
MRTRIX: Advanced tools for the analysis of diffusion MRI data (http://http://www.mrtrix.org/)
C-PAC: Configurable Pipeline for the Analysis of Connectomes (https://afni.nimh.nih.gov/)
NiPype: Neuroimaging in Python Pipelines and Interfaces (http://http://nipype.readthedocs.io/)
ANTs: Advanced Normalization Tools (http://http://stnava.github.io/ANTs/)
CAMINO: (http://camino.cs.ucl.ac.uk/)
FREESURFER: Analysis of Functional NeuroImages (https://afni.nimh.nih.gov/)
Trackvis: command-line tools with a GUI frontend that performs data reconstruction and fiber tracking on diffusion MR images
(http://www.trackvis.org/)
CONN functional connectivity toolbox (https://www.nitrc.org/projects/conn/)
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Redes neuronales
El lenguaje matemático que describe y cuantifica las redes
neuronales es la teoría de grafosNodo: representa las regiones de interés del cerebro.
Las aristas representan las
conexiones entre las distintas
regiones
• Basada en cada voxel: Cada voxel de la imágen es usado
como un vertice del grafo.
• Basada en un atlas: Los nodos están predefinidos en un
atlas del cerebro.
• Basada en en los datos: Se infiere a partir de los datos
obtenidos con el escáner.
Selección de nodos
Para construir un grafo
1. Se seleccionan los nodos del grafo
2. Se define la conectividad entre las distintas
regiones (nodos) del cerebro
Atlas cerebral
Redes neuronales
Tipos de conectividad
Atlas cerebral
Redes neuronales
• Conectividad estructural: decodifica las conexiones
cerebrales anatómicas.
Las medidas utilizadas para el cálculo de la
conectividad estructural son:
• Numero de fibras
• Volumen
• Densidad
• Longitud de las fibras
• Anisotropıa fraccional
• Ratio de difusión media
• Ratio de difusión radial
• Ratio de difusión axial
Atlas cerebral
Tipos de conectividad
Redes neuronales
• Conectividad estructural: decodifica las conexiones
cerebrales anatómicas.
• Conectividad funcional: define los distintos patrones de
activación entre las distintas regiones del cerebro.
Las medidas utilizadas para el cálculo de la
conectividad funcional son:
• Correlación de Pearson
• Correlación Parcial
• Información mutua
• Coherencia
• Sincronización de fase
• Sincronización no lineal generalizada
time
%sig
na
lch
an
ge
Los nodos con actividad neuronal similar se
encuentran conectados
Correlaciones
negativas
0
9
0
508/
32
Atlas cerebral
Tipos de conectividad
Redes neuronales
0
9
• Conectividad estructural: decodifica las conexiones
cerebrales anatómicas.
• Conectividad funcional: define los distintos patrones de
activación entre las distintas regiones del cerebro.
• Conectividad efectiva: identifica interacciones causales
subrayando la activación en orden temporal de activación o
el flujo de información.
Las medidas que proveen las redes efectivas de conectividad
son:
• Causalidad de Granger
• Entropıa de transferencia
• Modelado causal directo
• Modelado de ecuación estructural
La conectividad efectiva es una medida dirigida, mientras que la
conectividad funcional y estructural no lo son.
0
9
0
508/
32
Atlas cerebral
Tipos de conectividad
Conectividad funcional
0
9
0
518/
32
Atlas cerebral
i j
k
Pearson Correlation
Se extraen las series temporales
para cada región:
- Media
- Primera componente
Las medidas utilizadas para el cálculo de la
conectividad funcional son:
• Correlación de Pearson
• Correlación Parcial
• Información mutua
• Coherencia
• Sincronización de fase
• Sincronización no lineal generalizada
Conectividad funcionalAtlas cerebral
Métodos semilla
Métodos libres de módelos
La conectividad funcional se puede medir mediante varios métodos
CanICAAtlas cerebral
Análisis de Componentes Espaciales Independientes
1) Reducción de la dimensionalidad
2) Análisis de correlación canónica
3) Extracción de patrones basados en ICA
Asume que las variables explicativas son estadísticamente independientes
Dictionary LearnAtlas cerebral
Análisis de Componentes Espaciales Independientes
1) Reducción de la dimensionalidad
2) Análisis de correlación canónica
3) Extracción de patrones basados en ICA
Variante del algoritmo ICA basado en la asunción de la dispersión (sparsity) de las señales.
Reducción de la dimensionalidadAtlas cerebral
Extracción de las series temporales
1) De cada individuo
2) Representativas para cada ROI
3) Para las frecuencias consideradas de interés
Agregado de los voxels perteneccientes a cada ROI en cada individuo
Reducción de la dimensionalidadAtlas cerebral
Extracción de las series temporales
1) De cada individuo
2) Representativas para cada ROI
3) Para las frecuencias consideradas de interés
Agregado de los voxels perteneccientes a cada ROI en cada individuo
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Análisis linealExtracción de parámetros
Desde 1994 el modelo lineal general (GLM) es la herramienta principal de análisis fMRI
Análisis linealExtracción de parámetros
Desde 1994 el modelo lineal general (GLM) es la herramienta principal de análisis fMRI
Y = Xβ + E
Nuevas variables cualitativas o
cuantitativas.
El propóstio es predecir la variación de una
variable dependiente.
Análisis linealExtracción de parámetros
Desde 1994 el modelo lineal general (GLM) es la herramienta principal de análisis fMRI
Y = Xβ + E
Nuevas variables cualitativas o
cuantitativas.
El propóstio es predecir la variación de una
variable dependiente.
Asume que la señales emitidas por el
cerebro son lineales
Análisis no linealExtracción de parámetros
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Densidad Espectral de Potencia PSD
01Entropía Espectral de Shannon
03Entropía de Permutación PE
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
02Entropía Espectral de Shannon SSE
Análisis no linealExtracción de parámetros
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Densidad Espectral de Potencia PSD
01Entropía Espectral de Shannon
03Entropía de Permutación PE
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
02Entropía Espectral de Shannon SSE
Distribución de potencia en términos de
frecuencia.
Estimada a partir de la transformada
discreta de Fourier (DFT).
Evidencia periodicidades ocultas de la
señal.
Normalizar de cara a calcular SSE
Análisis no linealExtracción de parámetros
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Densidad Espectral de Potencia PSD
01Entropía Espectral de Shannon
03Entropía de Permutación PE
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
02Entropía Espectral de Shannon SSE
Permite estimar la irregularidad de la señal en términos del espectro
de potencia
1) Se obtiene el espectro de la señal X(t)
2) Se normaliza el PSD
3) Se calcula la SSE (donde f1 y f2 son las frecuencias de corte)
Análisis no linealExtracción de parámetros
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Densidad Espectral de Potencia PSD
01Entropía Espectral de Shannon
03Entropía de Permutación PE
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
01Entropía Espectral de Shannon
02Entropía Espectral de Shannon SSE
Considera la información del espacio tiempo contenida en la serie.
Algoritmo simple, robusto y de bajo coste computacional:
Dada una serie temporal
Para cada instante s, existe un registro compuesto por n
valores
Donde n es el orden de la permutación y determina la
cantidad de información de cada vector
A cada vector se asocia un patrón
de (01...n-1).
Los valores de los vectores están ordenados en orden
ascendente
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
PyrestfMRIMotivación
Construir una herramienta open-source para el estudio de la
actividad espontánea del cerebro:
Integrar las distintas herramientas y tecnologías: FSL,
ANTs, nilearn, nitime...
Simplificar la ejecución de los experimentos con
variaciones intermedias de alguna de sus etapas.
DAG: para la gestión del flujo de ejecución del
experimento.
Escalable y paralelizable.
Dedicar la mayor parte de los esfuerzos a la investigación
cientıfica.
01 Motivación 02 Módulos
https://github.com/spolex/pyrestfmri
PyrestfMRIMódulos
01 Motivación 02 Módulos
Desarrollado en el lenguaje de programación Python y basado en los proyectos de la comunidad Nipy, integrando las
herramientas de analisis y procesado de neuroimagen existentes:
Preprocesado: FSL, ANTs, nipype
Construcción del atlas funcional: nilearn
Reducción de la dimensionalidad: nilearn y nitime
Extracción de parámetros: desarrollo a medida en python
Otras dependencias:
Numpy
Matplotlib
Índice
02Preprocesado
03Atlas Cerebral
01Introduccion
Section
Section
Section
Contenido
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Chapter
06
Chapter
Experimento: TE
04Extracción
de parámetros
Chapter
05PyrestfMRI
Section
06
Section
Experimento: TE
04Extracción
de parámetros
Section
Temblor esencialIntroducción
El temblor esencial es una enfermedad que afecta a personas de todo el mundo.
Enfermedad neurodegenerativa que se caracteriza por sintomas motores y cognitivos.
Movimiento anormal involuntario principalmente en manos y brazos (como ocurre en la enfermedad de Parkinson)
Los sıntomas del TE no se limitan a las extremidades superiores; la cabeza, el cuello, voz, tronco o piernas pueden
verse afectados.
No se considera una enfermedad relacionada con la edad ni el sexo.
Margen de error estimado del 37 % de los falsos positivos
01 Enfermedad 02 Experimento 03 Resultados
Temblor esencialIntroducción
La prevalecencia en el mundo occidental es de aproximadamente 0.3-0.4% en la edad de 40 años.
Se estima que el 50-70% de los casos de temblor esencial son deorigen genético.
Se presenta como un temblor rítmico (4-12 Hz) que ocurre sólo cuando el músculo está realizando algún esfuerzo.
El estrés físico o mental podría empeorar la enfermedad.
La enfermedad del Parkinson y el Temblor esencial pueden ocurrir simultaneamente.
01 Enfermedad 02 Experimento 03 Resultados
Temblor esencialIntroducción
49 pacientes diagnósticados de TE:
51% mujeres, 49% hombres
24 de ellos tienen una edad comprendida entre los 60 y los 85 años
Entre los 40 y 59 años son 15 pacientes
6 de ellos tienen menos de 40 años.
5 controles:
2 hombres y 3 mujeres
Edad comprendida entre los 51 y 63 años
.
01 Enfermedad 02 Experimento 03 Resultados
Datos demográficos:
Temblor esencialDiseño
01 Enfermedad
02 Experimento
03 Resultados
Temblor esencialANOVA
01 Enfermedad 02 Experimento 03 Resultados
Temblor esencialAprendizaje automático
01 Enfermedad 02 Experimento 03 Resultados
Máquina de soporte vectorial (SVM) con un kernel RBF como baseline.
MultilayerPerceptron (MLP)
Randomforest
Análisis basado en métodos automáticos
Temblor esencialAprendizaje automático
01 Enfermedad 02 Experimento 03 Resultados
Tasa de acierto Falsos positivos
Area bajo la curva (ROC)
Temblor esencialAprendizaje automático
01 Enfermedad 02 Experimento 03 Resultados
Clase clínica desbalanceada
Filtros Resample y Rebalance
Temblor esencialAprendizaje automático
01 Enfermedad 02 Experimento 03 Resultados
Tasa de acierto Falsos positivos
Area bajo la curva (ROC)