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

Contenido

05PyrestfMRI

Section

Experimento: TE

04Extracción

de parámetros

Section

Índice

02Preprocesado

03Atlas Cerebral

01Introducción

Section

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

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

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

Introducción

DifusiónReconstrucción de las fibras que conectan las diferentes

regiones del cerebro

Anatómicos

Datos origen

Funcionales

Para calcular los patrones de activación de las diferentes

regiones del cerebro.

Introducción

Anatómicos

Datos origen

Funcionales

Para calcular los patrones de activación de las diferentes

regiones del cerebro.

Introducción

Anatómicos

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.

Resolución temporal: 0.5- 3 segundosResolución espacial: 1 - 5 mm

Introducción

Datos origen

Funcionales

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

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Section

Experimento: TE

04Extracción

de parámetros

Section

Preprocesado T1Preprocesado

01Extracción del

cerebro 02Normalizado T1 a

Preprocesado T1Preprocesado

01Extracción del

cerebro 02Normalizado T1 a

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

movimiento

Las diferentes slides que componen un volumen 3D

Son adquiridas en diferentes puntos de tiempo.

Preprocesado

01Eliminar los

primeros

volumenes 02Slice Time

movimiento

04Normalizado

MNI 05Eliminar artefactos

06Filtro Band Pass

& detrend

Transformación en dos fases

1) Transformación obtenida en el paso: Registro T1 en

2) Transformación obtenida a partir de registrar fMRI en T1

3) Se concatenan las transformaciones

4) Se aplican las transformaciones a las imágenes fMRI

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

04Registrar fmri

a T1 05Eliminar artefactos

06Filtro Pasa Banda

& detrend

Filtrado de pasa banda de la señal entre: 0.01-0.08 Hz

Detrend

Suavizado

Increase SNR

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

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

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

Redes neuronales

• Conectividad funcional: define los distintos patrones de

activación entre las distintas regiones del cerebro.

conectividad funcional son:

• Correlación de Pearson

• Correlación Parcial

• Información mutua

• Coherencia

• Sincronización de fase

• Sincronización no lineal generalizada

Los nodos con actividad neuronal similar se

encuentran conectados

Correlaciones

negativas

Atlas cerebral

Redes neuronales

• 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

• 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.

Atlas cerebral

Conectividad funcional

Atlas cerebral

Pearson Correlation

Se extraen las series temporales

para cada región:

- Media

- Primera componente

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

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

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

Y = Xβ + E

Nuevas variables cualitativas o

cuantitativas.

El propóstio es predecir la variación de una

variable dependiente.

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

01Densidad Espectral de Potencia PSD

03Entropía de Permutación PE

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

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)

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

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

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:

Matplotlib

Índice

02Preprocesado

03Atlas Cerebral

01Introduccion

Section

Contenido

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

Chapter

Experimento: TE

04Extracción

de parámetros

Chapter

05PyrestfMRI

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

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.

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

Datos demográficos:

Temblor esencialDiseño

01 Enfermedad

02 Experimento

03 Resultados

Temblor esencialANOVA

Temblor esencialAprendizaje automático

Máquina de soporte vectorial (SVM) con un kernel RBF como baseline.

MultilayerPerceptron (MLP)

Randomforest

Análisis basado en métodos automáticos

Tasa de acierto Falsos positivos

Area bajo la curva (ROC)

Clase clínica desbalanceada

Filtros Resample y Rebalance

Tasa de acierto Falsos positivos

Area bajo la curva (ROC)

pre-procesado y análisis no lineal de neuroimagen

Engineering

neuroimagen de los tumores cerebrales - problemas técnicos

neuroimagen cerebral.docx

introducción biofísica a la resonancia magnética en...

cabello procesado

cap 1. - neuroimagen microscópica

16001786 neuroimagen-2

neuroimagen en trauma craneoencefalico

tecnicas en neuroimagen definitivo

neuroimagen de la vía óptica - oftalmoseo.com

neuroimagen en pd

neuroimagen sistema nervioso central

tecnicas de neuroimagen

neuroimagen nelly

xxiii reunión de neuroimagen

procesado aséptico

clase 3. procesado de información visual. percepcion...

tusi - procesado

curso neuroimagen por rm

introducciÓn · 2016. 4. 25. · operaciones unitarias...

neuroimagen delatoxoplasmosis en elpaciente con sida