Vérifications des données, artefacts, prétraitements et corrections du mouvement Oury Monchi,...
-
Upload
aime-guillemin -
Category
Documents
-
view
110 -
download
4
Transcript of Vérifications des données, artefacts, prétraitements et corrections du mouvement Oury Monchi,...
Vérifications des données, artefacts, prétraitements et corrections du mouvement
Oury Monchi, Ph.D.
Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal
La boîte noire
Le danger du traitement automatique des données et des images fantaisistes est qu’on peut avoir des tâches sans vraiment regarder les données réelles
Plus on fait d’étapes d’un coup, plus il y a de chances d’avoir des problèmes
Données brutes
Grande Boîte Noire du logiciel
informatique Jolies Images
Connaître vos données
Regardez les Images fonctionnelles brutes
Où sont les artefacts et les distorsions ?
Les images fonctionnelles et anatomiques correspondent-elles bien ?
Regardez les films
Y a-t-il des signes de mouvements de la tête ?
Y a-t-il des signes d’artefacts liés au scanner (e.g., spikes) ?
Regardez le décours temporel
Y a-t-il quelque chose d’inattendu (e.g., changements soudains dans le signal au début de la série) ?
Connaître vos données
A quoi ressemblerait le décours temporel dans le aires inactives (ventricules, matière blanche, en dehors de la tête) ?
Regardez les sujets individuellement
Vérifier plusieurs fois les effets des différentes transformations
Vérifiez que gauche et droite ne sont pas inversés
Vérifiez que les images fonctionnelles s’alignent bien avec les images anatomiques suivant les transformations.
Réfléchissez au fur et à mesure. Recherchez les patrons suspects.
Artefacts de l’échantillonnage
Fantômes
Pics
Objets métalliques (e.g., élastiques pour les cheveux)
Mauvais fonctionnement du matériel
Signal enregistré
(A) est l’image acquise pendant que le sujet se reposait
(B) est l’image au même endroit lorsque le sujet pressent des deux mains
La différence entre ces deux cas est extrêmement petite comparé à l’activité globale, même aux « extrêmes » d’activité (flèches dans (E))
Signal enregistré
Trois voxels (A): un qui n’est pas très relié à
la tâche (SNR bas: B,C), overlap entre rouge (tâche et bleu non tâche)
un moyen (SNR moyen: D,E) et un qui est bien relié à la
tâche (SNR haut: F,G).
Modèle n’une réponse hémodynamique
L’activité visualisée en IRMf n’est jamais du style « tout ou rien », mais est plutôt en forme de degré d’activité
Ici on voit deux réponses d’une seule région sensible aux visages et aux objets
La réponse à chaque stimulus est grande comparé à la différence entre les deux
Pourquoi le rapport signal/bruit est important ?
Nous pouvons voir l’effet du SNR sur les données
Expérience en block avec quatre SNR différents
Avec un SNR haut, les transitions entre blocks sont bien définis. Mais lorsque le SNR diminue, les blocks deviennent plus difficiles à distinguer
Sources de Bruit
Bruit physique: “Blâmez l’aimant, le physicien, ou les lois de la physique”
Bruit thermique: Fluctuations dans l’intensité du signal RM dû au mouvement thermique des électrons dans l’espace
Bruit du système: Flucutations causées par les imperfections de l’équipement
Bruit physiologique: “Blâmez the sujêt”
Bruit causé par le mouvement de la tête, le coeur et la respiration
Bruit de l’activité neuronale non-reliée à la tâche
Bruit cognitif et comportemental: fluctuations dans les réponses et l’attention du sujet à travers l’heure de scan
Force du champs
Alors que le rapport signal/bruit (SNR) augmente avec la force du champs, le bruit physiologique et thermique augmente aussi
Ainsi il y a une diminution des retours pour une augmentation de la force du champs
Bruit du système
Changement du signal IRM à basse fréquence du scanneur
Ce phénomène s’appelle la dérive ou « drift » du scanneur
Bruit physiologique
Le spectrum de puissance d’un seule voxel à travers un run IRMf
On peut bien voir différents peaks causés par la respiration et le battement du coeur
Bruit du mouvement
Une carte de bruit à travers le cerveau
Nous voyons la déviation standard d’une seule run IRMf pendant une tâche visuelle et motrice
Les voxels avec une grande déviation standard sont en blanc
La déviation standard n’est pas uniforme à travers le cerveau
Les régions avec le plus de bruit (grande déviation standard) sont aux bords de la tête
Bruit comportemental
Reproduction des résultats à travers les sessions:
Un seul sujet a fait la même expérience 99 fois: une étude motrice (A), et une cognitive (B)
L’expérience a été faite exactement de la même façon chaque fois
Pourtant il y a des grandes différences en activation à travers les sessions
(McGonigle et al., 2000)
Bruit combiné
Distribution du bruit physiologique:
Anatomie en (A)
Bruit de toutes les sources (B)
Variations en flux sanguin et métabolisme (C)
Bruit causé par les mouvements de la tête, le cœur et la respiration (D)
Un scan phantôme compare le bruit de toutes les sources (E) avec le bruit physiologique (F), ce dernier biensûr négligible
Force du champs
Nous pouvons aussi observer des différences en signal IRM lorsque la force du champs du scanneur est différente
En bleu nous avons la tâche (en block) dans un scanneur à 4 Tesla
La même tâche dans un scanneur à 1.5 Tesla (en rouge) nous donne un signal beaucoup moins intense
Force du champs
Avec ces même deux scanneurs, par contre, la susceptibilité aux artéfacts augmente
Ceci est surtout important dans les régions où il y a des poches d’air, tel que les sinus
Nous voyons ici trois sujets scannés à 1.5T (A) et à 4.0T (B)
Variations entre sujets
Jusqu’à maintenant nous avons regardé les différences en activité dans les données d’un seul sujet – mais il est important d’évaluer la variation entre sujets
La variation de la réponse hémodynamique entre sujets est très grande (A et B)
Cette différence est beaucoup plus petite lorsque l’on compare les sessions d’un même sujet (C et D)
Cette différence est encore plus petite lorsque l’on compare la réponse hémodynamique d’une seule session (E et F)
Importance d’un grand N
Pour démontrer l’importance d’u grand nombre de données, nous avons des données de N essais à 16N essais
L’estimation de la vraie moyenne est de plus en plus précise avec un N qui augmente
Signifiance statistique
Nous avons une carte statistique du cerveau en (A)
Les voxels coloriées sont celles qui ont une valeur statistique plus haute qu’un seuil spécifié
La région agrandie montre que les voxels coloriées sont entourés par d’autres qui ont des valeurs statistiques légèrement plus basses
Signifiance statistique L’étendue d’activation dépend beaucoup du
moyennage
Il ne semble y avoir aucune activation avec 4 essais, mais lorsque l’on moyenne 144 essais, une activation est bien visible
L’intensité des activations dépend beaucoup du rapport signal/bruit. Par exemple, une étude peut montrer deux fois plus de voxels activés de manière significative chez des jeunes comparé aux âgés. Mais en calculant le SNR dans les deux, il se trouve que les jeunes avait un SNR 50% plus haut. Une conclusion que les jeunes utilisent des régions plus est donc très dangereuse (Huettel et al.)
Bobines
Bobine de tête•Signal homogène•Rapport signal/bruit moderé
Bobine de surface•Signal plus fort aux “points chauds”•Rapport signal/bruit élevé aux “points chauds”
Source: Joe Gati
Phased Array Coils SNR of surface coils with the coverage of head coils
OR… faster parallel imaging
modern scanners come standard with 8- or 12-channel head coils and capability for up to 32 channels
Photo Source: Technology Review
90-channel prototypeMass. General Hospital
Wiggins & Wald
12-channel coil 32-channel coil
32-channel head coilSiemens
Phased Array Coils C’est une nouveauté
maintenant d’utiliser des bobines à “phased array”
Équivalent d’utiliser plusieurs champs de vision afin d’augmenter le rapport signal/bruit et accélérer l’acquisition
Les nouveaux scanneurs sont équipés avec des bobines à 32 champs de vision(32-channel)
Qu’est-ce qui affecte le rapport signal/bruit ?
Source: Doug Noll’s online tutorial
FACTEURS PHYSIOLOGIQUES SOLUTION & COMPROMISMouvements de la tête (et du corps) Utilisation de sujets entraînés ou “bien avertis”
– limite le nombre de sujets utilisable
Utilisation de systèmes immobilisant la tête– possible inconfort pour le sujet
Correction post-processing– souvent effective de manière incomplète– effets de 2nd ordre– peut introduire d’autres artefacts
Essais uniques pour éviter les mouvements du corps
Bruit lié à la respiration et au rythme cardiaque Contrôler et compenser– pas évident!
Bruit de basse fréquence Utilisation de bons desseins
Utilisation de filtres post-processing
Bruit BOLD (fluctuations neurales and vasculaires) Utilisation de beaucoup d’essais pour moyenner la variabilité
Variations liées au comportement Utilisation de paradigmes bien contrôlés
Utilisation de beaucoup d’essais pour moyenner la variabilité
Artéfacts de l’échantillonnage
Fantômes
Pics
Objets métalliques (e.g., élastiques pour les cheveux)
Mauvais fonctionnement du matériel
Artéfacts
Artéfacts communs dans des images IRM. Il est très important de vérifier et identifier les artéfacts qui peuvent corrompre les données IRM
En (A) nous avons une fuite de radiofréquence à cause d’une mauvaise connexion
En (B) on voit des fluctuations dans le champs magnétique qui cause des changements d’intensité à travers l’image
Effet d’acquisition en tranches
Nous avons une région activée uniformément. Cette région s’étend sur trois tranches d’une séquence entrelacée
Puisque ces trois tranches sont acquises à des temps différents dans le TR de 3 secondes, la réponse hémodynamique de chaque tranche sera différente
L’activité hémodynamique semble être plus tôt pour la tranche 16, même si l’activité sous-jacente est identique
Correction de distorsion (Field Map)
Pourquoi les mouvements de la tête sont ennuyants
…et ce que vous pouvez en faire
Mouvements de la tête : Principaux Artéfacts
Les mouvements de la tête peuvent conduire à de fausses activations ou peuvent gêner la découverte de vraies activations. L’intensité du problème dépend de la corrélation entre le mouvement
et le paradigme
Les mouvements de la tête augmentent les résidus, rendant les effets statistiques plus faibles.
Les régions bougent au cours du temps Analyse d’une région d’intérêt : La région d’intérêt bouge Analyses à l’échelle du voxel : Moyennes des voxels activés et non
activés
Mouvements de la tête (ou autre large masse étudiée) conduit à des changements de la carte des champs
Effets historiques des spins Le voxel peut bouger entre l’excitation et la lecture
Mouvements de la tête
Il y a des grandes transitions d’intensité sur les extrémités du cerveau
Si on compare la position du cerveau avant (B) et après (C) le mouvement, les valeurs d’intensité changent beaucoup
Mouvements de la tête
Parce que l’intensité change beaucoup aux extrémités, ceci cause des couronnes d’activité fausse autour du cerveau
Nous voyons un mouvement translationel, où la partie posterieure du cerveau semble avoir une activité réduite, causée exclusivement par le mouvement
Les fausses activations sont un problème pour les mouvements de la tête pendant une série, mais pas pour des mouvements entre séries
Ces-derniers peuvent être alignées après
Fausse Activation aux Frontières
Signal fMRI
× 1
× 2
=
ResidualsMatrice du dessein
++
“ce qu’on PEUT
expliquer”
“ce qu’on ne PEUT PAS expliauer”
= +Betasx
“combien on PEUT expliquer”“nos données” = +x
Significativité statistique est un ratio entre variance expliquée et variance inexpliquée
Mouvements Augmentation des Résidus
Mouvement des régions au cours du temps
Un décours temporel à partir d’une région précise échantillonnera une partie différente du cerveau au cours du temps si la tête bouge
Par exemple, si on définit une région d’intérêt dans la série 1 mais que la tête bouge entre les séries 1 et 2, notre région d’intérêt définie est maintenant en train d’échantillonner moins de l’aire que nous voulions et plus de l’espace adjacent
C’est un problème dans le cas de mouvements entre les séries mais aussi à l’intérieur d’une série
Temps 1 Temps 2
Correction du Mouvement
La correction du mouvement devrait être faite avant tout autre prétraitement
Ceci veut dire qu’il faut aligner chaque volume au volume le plus proche du volume anatomique
1
2
3
4
N-1
N-2
N-3.
N
Série 1
Réaligner au 2ème volume de chaque série séperemment (pas optimal pour le moyennage des séries)
Prétraitement – Correction du Mouvement
1
2
3
4
N-1
N-2
N-3.
N
Série 1
1
2
3
4
N-1
N-2
N-3.
N
Série N
Réaligner tous les volumes de chaque série au volume 2 de la série 1
Prétraitement – Correction du Mouvement
1
2
3
4
N-1
N-2
N-3.
N
Série 1
Prétraitement – Correction du Mouvement
N/2 comme référence, puis processus itératif pour estimer le
mouvement de chaque acquisitionAu fur et à mesures qu’elles
s’éloignent de l’acquisition du milieu.Ou alors la moyenne des images est calculée et
St utilisé comme référence.Les paramètres résultants sont utilisés pour
corriger pour le mouvement intra-série.
Cela est fait pour chaque série
Un processus similaire est utilisé pour corrigéle mouvement entre les séries.
Implémenté dans FSL et NIAK
x translation
z tr
ansl
atio
n
y tr
ansl
atio
n
pitch roll yaw
Algorithmes de correction du mouvement
Beaucoup d’algorithmes font l’hypothèse d’un corps rigide (i.e. ce cerveau n’est pas déformé par le mouvement)
Aligner chaque volume du cerveau à un volume cible en utilisant 6 paramètres: 3 translations and 3 rotations
Volume cible : le volume fonctionnel qui est le plus proche en temps de l’image anatomique
Types de mouvement
Types de mouvement
we’re missing data here
we have extra data here
Temps 1 Temps 2
Perte d’information en haut et en bas de l’image
solution possible : correction du mouvement prospective
calculer le mouvement avant de collecter le volume et changer le plan des tranches en fonction
Problèmes avec la Correction du Mouvement
Pourquoi la Correction du mouvement peut-être sous-optimale
Les parties du cerveau (premières ou dernières tranches) peuvent sortir du volume scanné (avec des mouvements dans la direction-z ou des rotations)
La correction du mouvement nécessite une interpolation spatiale, conduit à troubler les données
algorithmes rapides (interpolation trilineaires) ne sont pas aussi bon que les lents (sinc interpolation)
Correction du Mouvement
Pourquoi les Algorithmes de Correction du Mouvement Peuvent Échouer
L’activation peut-être malinterpretée comme étant un mouvement
Les distortions du champs associé avec le mouvement de la masse (incluant la masse de la tête) peuvent-être malinterpretées comme étant un mouvement
Simulated activation
Spurious activation created by motion correction in SPM (least squares)
Mutual information algorithm in SPM has fewer problems
Friere & Mangin, 2001
Artefacts liés au Mouvement de la Masse
Les mouvements de toute masse dans le champs magnétique, incluant la tête, est un problème
headcoil
arm brace
gazegrasparatus
brace
Décalage dans la série
Mouvement entre les séries
Mouvement brusque non corrélé avec une série
Mouvement brusque corrélé avec une série
Correction du mouvement
Fausses activations ok, corrigées par LTR
ok problème mineur problème énorme peuvent réduire les problèmes
Résidus augmentés ok, corrigés par LTR
ok problème problème peuvent réduire les problèmes ; peuvent être améliorés en incluant des paramètres de mouvement comme prédicteurs d’un non-intérêt
Mouvements des régions problème problème mineur-majeur dépendant de la taille du mouvement
problème problème peuvent réduire les problèmes ; si l’algorithme est berné par des artefacts physiques, le problème peut être empiré par la correction du mouvement
Artefacts physiques Pas vraiment un problème car les effets sont graduels
ok problème problème énorme Peut pas résoudre le problème ; peut être induit en erreur par les artefacts
Differents mouvements; differents effets
La règle du frigo
Quand c’est douteux, on jette !
Aider à atténuer l’effet du mouvement pendant l’acquisition Prospective Acquisition Correction (PACE, Siemens)
on-line motion corrected (i.e. the acquisition of the current volume [n] has been adjusted to > the motion estimated from second but last [n-2] to the previous > [n-1] volume)
Activation maps of an fMRI study,during which the volunteerperforms nodding head motionsof 1.5 degrees in correlation witha stimulus. Data were acquiredwithout motion correction at all(a), with retrospective motioncorrection only (b), and with 3DPACE(c). The virtual eliminationof pixels falsely showing activationis clearly seen in the 3D-PACEimage. Only the real differencesbetween regional activations areshown in (c).
Lissage Spatial
Before convolution
Convolved with a
Gaussian
Application d’un filtre Gaussien Généralement exprimé
en #mm FWHM “Full Width – Half
Maximum” Typiquement ~2 fois la
taille d’un voxel
Données non lissées
Données lissées (largeur du filtre 5 voxels)
Effets du Lissage Spatial sur l’activité
Devez-vous utiliser le lissage spatial? Avantages
Augmente le rapport signal/bruit (SNR) Matched Filter Theoreme: Augmentation maximale du SNR en
filtrant avec la même forme/taille du signal Réduit le nombre de comparaisons Permet l’application de Gaussian Field Theory Peut améliorer les comparaisons entre les sujets Signal peut être étalé largement à travers le cortex, à
cause de la variabilité intersujet
Inconvénients Réduit la résolution spatiale Défi de lisser avec précision si la taille/forme du
signal n’est pas connu
Rappelez-vous de...
Regarder vos données
Travailler avec un physicien pour minimiser le bruit physique
Dessiner vos expériences pour minimiser le bruit physiologique
Le mouvement est le pire problème : quand il y a des doutes, jeter les données
Prétraitement n’est pas toujours un exercice “one size fits all”
Source des diapos
Remerciements: Cécile Madjar Kristina Martinu
Huettel, Song & McCarthy, 2004, Functional Magnetic Resonance Imaging
Dr. Jody Culham’s tutorials: http://psychology.uwo.ca/fMRI4Newbies/Tutorials.html
Prochain cours:-Continuation du prétraitement et modèles linéaires