Pre-procesado y análisis no lineal de neuroimagen
•
1 recomendación•899 vistas
Análisis no lineal de las ROIs de interes obtenidas a partir del atlas del cerebro inferido basado en Dict Learn. Construcción de un framework opensource Python
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a Pre-procesado y análisis no lineal de neuroimagen
Similar a Pre-procesado y análisis no lineal de neuroimagen (20)
Último
Último (20)
Pre-procesado y análisis no lineal de neuroimagen
- 1. Aportaciones al análisis no lineal De la actividad neuronal espontánea en Temblor Esencial Jose Ignacio Sanchez Mendez
- 2. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 3. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introducción Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 4. 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
- 5. 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
- 6. Datos origen Datos obtenidos de imágen de resonancia magnética para el estudio del cerebro Introducción Difusión Reconstrucción 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.
- 7. 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. Difusión Reconstrucción de las fibras que conectan las diferentes regiones del cerebro
- 8. 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. Difusión Reconstrucción de las fibras que conectan las diferentes regiones del cerebro
- 9. Datos origen Funcionales Mide la señal BOLD (blood oxygenation level-dependent) en cada voxel. La actividad neuronal causa una mayor demanda de energı́a: 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
- 10. Datos origen Funcionales Mide la señal BOLD (blood oxygenation level-dependent) en cada voxel. l fMRI t Resolución temporal: 0.5- 3 segundos Resolución espacial: 1 - 5 mm Introducción
- 11. 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
- 12. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 13. Preprocesado T1 Preprocesado 01 Extracción del cerebro 02 Normalizado T1 a MNI
- 14. Preprocesado T1 Preprocesado 01 Extracción del cerebro 02 Normalizado T1 a MNI
- 15. Preprocesado fMRI Preprocesado 01 Eliminar volúmenes 02 Slice Time Correction 03 Corrección 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.
- 16. Preprocesado fMRI 01 Eliminar los primeros volumenes 02 Slice Time Correction 03 Corrección del movimiento Las diferentes slides que componen un volumen 3D Son adquiridas en diferentes puntos de tiempo. Preprocesado
- 17. Preprocesado fMRI Preprocesado 01 Eliminar los primeros volumenes 02 Slice Time Correction 03 Corrección del movimiento
- 18. Preprocesado fMRI Preprocesado 04 Normalizado MNI 05 Eliminar artefactos 06 Filtro 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
- 19. Preprocesado fMRI Preprocesado 04 Registrar fmri a T1 05 Eliminar artefactos 06 Filtro Band Pass & detrend Se eliminan las componentes que se estima que no son debidas la actividad neuronal espontánea
- 20. Preprocesado fMRI Preprocesado 04 Registrar fmri a T1 05 Eliminar artefactos 06 Filtro Pasa Banda & detrend Filtrado de pasa banda de la señal entre: 0.01-0.08 Hz Detrend
- 21. Preprocesado fMRI Preprocesado Suavizado Increase SNR 07 Se recomienda suavizar las imágenes con un tamaño de kernel del doble del tamaño de voxel (2x3.0mm=6.0)
- 22. Software de neuroimagen Contenido 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/)
- 23. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 24. Redes neuronales El lenguaje matemático que describe y cuantifica las redes neuronales es la teoría de grafos Nodo: 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
- 25. Redes neuronales Tipos de conectividad Atlas cerebral
- 26. 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 • Anisotropı́a fraccional • Ratio de difusión media • Ratio de difusión radial • Ratio de difusión axial Atlas cerebral Tipos de conectividad
- 27. 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 %signalchange Los nodos con actividad neuronal similar se encuentran conectados Correlaciones negativas 0008/ Atlas cerebral Tipos de conectividad
- 28. Redes neuronales 0 • 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 • Entropı́a 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. 0008/ Atlas cerebral Tipos de conectividad
- 29. Conectividad funcional 0018/ 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
- 30. Conectividad funcional Atlas cerebral Métodos semilla Métodos libres de módelos La conectividad funcional se puede medir mediante varios métodos
- 31. CanICA Atlas 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
- 32. Dictionary Learn Atlas 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.
- 33. Reducción de la dimensionalidad Atlas 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
- 34. Reducción de la dimensionalidad Atlas 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
- 35. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 36. Análisis lineal Extracción de parámetros Desde 1994 el modelo lineal general (GLM) es la herramienta principal de análisis fMRI
- 37. Análisis lineal Extracción 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.
- 38. Análisis lineal Extracción 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
- 39. Análisis no lineal Extracción de parámetros 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Densidad Espectral de Potencia PSD 01 Entropía Espectral de Shannon 03 Entropía de Permutación PE 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 02 Entropía Espectral de Shannon SSE
- 40. Análisis no lineal Extracción de parámetros 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Densidad Espectral de Potencia PSD 01 Entropía Espectral de Shannon 03 Entropía de Permutación PE 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 02 Entropía 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
- 41. Análisis no lineal Extracción de parámetros 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Densidad Espectral de Potencia PSD 01 Entropía Espectral de Shannon 03 Entropía de Permutación PE 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 02 Entropía 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)
- 42. Análisis no lineal Extracción de parámetros 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Densidad Espectral de Potencia PSD 01 Entropía Espectral de Shannon 03 Entropía de Permutación PE 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 01 Entropía Espectral de Shannon 02 Entropía 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
- 43. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 44. PyrestfMRI Motivación 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 cientı́fica. 01 Motivación 02 Módulos https://github.com/spolex/pyrestfmri
- 45. PyrestfMRI Módulos 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
- 46. Índice 02 Preprocesado 03 Atlas Cerebral 01 Introduccion Section Section Section Contenido 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Chapter 06 Chapter Experimento: TE 04 Extracción de parámetros Chapter 05 PyrestfMRI Section 06 Section Experimento: TE 04 Extracción de parámetros Section
- 47. Temblor esencial Introducción 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 sı́ntomas 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
- 48. Temblor esencial Introducción 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
- 49. Temblor esencial Introducción 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:
- 50. Temblor esencial Diseño 01 Enfermedad 02 Experimento 03 Resultados
- 51. Temblor esencial ANOVA 01 Enfermedad 02 Experimento 03 Resultados
- 52. Temblor esencial Aprendizaje 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
- 53. Temblor esencial Aprendizaje automático 01 Enfermedad 02 Experimento 03 Resultados Tasa de acierto Falsos positivos Area bajo la curva (ROC)
- 54. Temblor esencial Aprendizaje automático 01 Enfermedad 02 Experimento 03 Resultados Clase clínica desbalanceada Filtros Resample y Rebalance
- 55. Temblor esencial Aprendizaje automático 01 Enfermedad 02 Experimento 03 Resultados Tasa de acierto Falsos positivos Area bajo la curva (ROC)