1 / 67

Analyses IRMf

Analyses IRMf. Oury Monchi , Ph.D . Unité de Neuroimagerie Fonctionnelle, Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal. But. Donner une introduction à l’analyse IRMf la plus classique c.a.d celle qui utilise le modèle général linéaire.

lang
Télécharger la présentation

Analyses IRMf

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Analyses IRMf OuryMonchi, Ph.D. Unité de Neuroimagerie Fonctionnelle, Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal

  2. But • Donner une introduction à l’analyse IRMf la plus classique c.a.d celle qui utilise le modèle général linéaire • Cette introduction devrait être indépendant du software (à peu de choses prêts!) utilisé pour l’analyse mais les exemples viendront des minc tools/fmristat (aussi implémenté dans Neurolens) et de SPM

  3. Plan pour une éxpérience IRMf et son analyse • Dessin Expérimental • Pré-traitement • Modèle statistique • Significativité et comparison multiple • Moyennage des séries, des sujets, comparaison de groupes. • Visualisation • A quelle étape devrait-on normaliser les données?

  4. Experimental Design Blocked vs. event-related Source: Buckner 1998

  5. Experimental design • Block design • compare long periods (e.g., 16 sec) of one condition with long periods of another • traditional approach • most statistically powerful approach • less dependent on how well you model the hemodynamic response • Event-related design • compare brief trials (e.g., 1 sec) of one condition with brief of another • very new (since ~1997) approach • less statistically powerful but has many advantages • trials can either be well-spaced to allow the MR signal to return to baseline between trials (e.g., 12+ seconds between trials) or closely spaced (e.g., every 2 sec)

  6. Plan pour une éxpérience IRMf et son analyse • Dessin Expérimental • Pré-traitement • Modèle statistique • Significativité et comparaison multiple • Moyennage des séries, des sujets, comparaison de groupes. • Visualisation • A quelle étape devrait-on normaliser les données?

  7. Pré-traitement

  8. N N-1 N-2 N-3 . 4 3 2 1 Réaligner au 2ème volume De chaque volume Série 1 Preprocessing Correction du Mouvement

  9. Lissage Spatial • Application d’un filtre Gaussien • Généralement exprimé en #mm FWHM • “Full Width – Half Maximum” • Typiquement ~2 fois la taille d’un voxel Before convolution Convolved with a Gaussian

  10. Preprocessing MNI • Fmr_preprocess fait à la fois la correction du mouvement: spécifier l’acquisition cible (-target #) et le lissage, spécifier la taille (-fwhm #en mm) • En général choisir la taille du lissage (fwhm), 2 fois plus • grand que la taille du voxel acquis

  11. Plan pour une éxpérience IRMf et son analyse • Dessin Expérimental • Prétraitement • Modèle statistique • Significativité et comparaison multiple • Moyennage des séries, des sujets, comparaison de groupes. • A quelle étape devrait-on normaliser les données?

  12. Une Expérience simple • Lateral Occipital Complex • responds when subject views objects Blank Screen Intact Objects Scrambled Objects TIME One volume (12 slices) every 2 seconds for 272 seconds (4 minutes, 32 seconds) Condition changes every 16 seconds (8 volumes)

  13. Quelles sont les données avec lesquels nous devons travailler? Expérience typique: • 64 voxels x 64 voxels x 12 slices x 136 points temporels • Cela fait 136 volumes • Ou vu autrement 64x64x12 = 49,152 voxels, chacun avec son décours temporel!!

  14. The signal is much higher where there is brain, but there’s still noise Slice 9, Voxel 0, 0 Slice 9, Voxel 1, 0 Slice 9, Voxel 22, 7 Even where there’s no brain, there’s noise Slice 9, Voxel 18, 36 Slice 9, Voxel 9, 27 Here’s a couple that sort of show the right pattern but is it “real”? Here’s a voxel that responds well whenever there’s visual stimulation Slice 9, Voxel 13, 41 Slice 9, Voxel 14, 42 Here’s one that responds well whenever there’s intact objects Pourquoi on a besoin de stats? • On pourrait en principe analyser les données en naviguant à travers les voxels: déplacer le curseur sur différentes régions et regarder si on trouve temporelle qui nous intéresse

  15. Pourquoi on a besoin de stats? • Il est clair que naviguer à travers les voxels n’est pas plausible. Il nous faudrait le faire 49,152 fois cela demanderait beaucoup de décisions subjectives pour savoir si une activation est réelle. • C’est pour cela qu’on a besoin de statistiques • Statistiques: • Nous indiques ou regarder pour les activations qui SONT reliés à notre paradigme • Nous aide à décider à quel point les activations sont ‘réelles’ The lies and damned lies come in when you write the manuscript

  16. Temporal components (sd, % variance explained) 1 0.68, 46.9% 2 0.29, 8.6% Component 3 0.17, 2.9% 4 0.15, 2.4% 0 20 40 60 80 100 120 140 Frame Spatial components 1 1 0.5 2 Component 0 3 -0.5 4 -1 0 2 4 6 8 10 12 Slice (0 based) PCA_IMAGE: PCA of time  space: 1: exclude first frames 2: drift 3: long-range correlation or anatomical effect: remove by converting to % of brain 4: signal?

  17. The General Linear Model • T-tests, correlations and Fourier analysis work for simple designs and were common in the early days of imaging • The General Linear Model (GLM) is now available in many software packages and tends to be the analysis of choice Why is the GLM so great? • the GLM is an overarching tool that can do anything that the simpler tests do • you can examine any combination of contrasts (e.g., intact - scrambled, scrambled - baseline) with one GLM rather than multiple correlations • the GLM allows much greater flexibility for combining data within subjects and between subjects • it also makes it much easier to counterbalance orders and discard bad sections of data • the GLM allows you to model things that may account for variability in the data even though they aren’t interesting in and of themselves (e.g., head motion) • as we will see later in the course, the GLM also allows you to use more complex designs (e.g., factorial designs)

  18. Modeling the expected response (Assumptions) • La réponse est presque entièrement déterminée par le dessin expérimental • La réponse BOLD a la même forme et le même délai • à travers toutes les régions du cerveau • The signal BOLD est décomposable de manière linéaire • à travers les événements • La réponse devrait être la même pour tous les essais • d’une même condition.

  19. Modeling the expected response (fmridesign)

  20. Modeling the data (GLM)

  21. Modeling the data (GLM) (From Dr. J. Armony)

  22. (From Dr. J. Armony)

  23. (From Dr. J. Armony)

  24. (From Dr. J. Armony)

  25. (from Dr. J. Armony)

  26. FMRILM: fits a linear model for fMRI time series with AR(p) errors • Linear model: • ? ? • Yt = (stimulust * HRF) b + driftt c + errort • AR(p) errors: • ? ? ? • errort = a1 errort-1 + … + ap errort-p + s WNt unknown parameters (From Dr. K. Worsley)

  27. Implémentation FMRISTAT For 120 scans, separated by 3 seconds, and 13 interleaved slices every 0.12 seconds use: frametimes=(0:119)*3; slicetimes=[0.14 0.98 0.26 1.10 0.38 1.22 0.50 1.34 0.62 1.46 0.74 1.58 0.86];

  28. FMRISTAT implémentation events=[ 1 9 9 1 2 27 9 1 1 45 9 1 2 63 9 1 1 81 9 1 2 99 9 1 1 117 9 1 2 135 9 1 1 153 9 1 2 171 9 1 1 189 9 1 2 207 9 1 1 225 9 1 2 243 9 1 1 261 9 1 2 279 9 1 1 297 9 1 2 315 9 1 1 333 9 1 2 351 9 1 ]; a block design of 3 scans rest, 3 scans hot stimulus, 3 scans rest, 3 scans warm stimulus, repeated 10 times (120 scans total). contrast=[1 0; 0 1; 1 -1];

  29. FMRISTAT étude paramétrique (hot=49oC, and low=35oC), suppose the temperature of the stimulus varied 'randomly' over the 20 blocks, taking 5 equally spaced values between 35 and 49: temperature=[45.5 35.0 49.0 38.5 42.0 49.0 35.0 42.0 38.5 45.5 ... 38.5 49.0 35.0 45.5 42.0 45.5 38.5 42.0 35.0 49.0]'; events=[zeros(20,1)+1 eventimes duration ones(20,1); zeros(20,1)+2 eventimes duration temperature] contrast=[0 1];

  30. Plan pour une éxpérience IRMf et son analyse • Dessin Expérimental • Prétraitement • Modèle statistique • Significativité et comparaison multiple • Moyennage des séries, des sujets, comparaison de groupes. • Visualisation • A quelle étape devrait-on normaliser les données?

  31. Significcativité et comparisons multiples Comparaisons multiples à travers le cerveau Il y a ~200,000 voxels dans le cerveau!! Options: • Pas de correction (p < 0.05 non corrigé) Avantage: facile, minimise les erreurs de type II Désavantage: Beaucoup trop de faux positifs (Erreurs de TypeI), 5% 200,000 = 10,000 voxels! • Correction de Bonferroni (p < 0.05/200,000 = 0.00000025) • Avantage: Facile, minimise les erreurs de type I • Désavantage: Trop strict. • Trop d’erreurs de Type II

  32. Significativité et comparaisons multiples • Les champs gaussiens aléatoires (sorte de lissage spatial) Avantage: Marche bien pour les données spatialement corrélés. Résultats raisonnable. Désavantage: Encore assez strict. Enlève un peu de spécificité spatiale (à cause du lissage) • “Pseudo-Bonferroni” correction (p < 0.001), il faut savoir le motiver • Analyse par régions d’intérêts

  33. Voxel-level Inference • Retain voxels above -level threshold u • Gives best spatial specificity • The null hyp. at a single voxel can be rejected u space No significant Voxels Significant Voxels

  34. Cluster-level Inference • Two step-process • Define clusters by arbitrary threshold uclus • Retain clusters larger than -level threshold k uclus space Cluster not significant k k Cluster significant

  35. Plan pour une éxpérience IRMf et son analyse • Dessin Expérimental • Prétraitement • Modèle statistique • Significativité et comparaison multiple • Moyennage des séries, des sujets, comparaison de groupes. • Visualisation • A quelle étape devrait-on normaliser les données?

  36. Analyses de Groupe • Motivation & Définitions: Le problème d’inférence de groupe II. Analyse à effets mixtes (FFX) a implémentation SPM b FMRISTAT (possible, mais pas recommandé!) • Analyse à effets aléatoire (RFX) • a implémentation SPM du RFX ‘classique’ • b FMRISTAT solution alternative: analyse à effets mélangés: • Lissage du rapport des variances

  37. Motivation Effets fixes vs. aléatoires Quelle est la question qui nous intéresse! • Qu’est-ce que nous voulons inférer: • Une conclusion sur l’échantillon ou groupe spécifique que • nous avons examiné • Une conclusion sur toute la population d’ou provient • cet échantillon Pour le 1er problème, une analyse à effet fixe est suffisante Conclusion: Ce groupe spécifique de patients de ‘type A’ révèle ce patron d’activation Pour le 2nd problème une analyse à effet aléatoire est nécessaire Conclusion: Ce patron d’activation devrait être observé chez tous les patients de ‘Type A’

  38. Avantages: • Beaucoup de degrès de liberté ( ~1000) • Prend en compte la concordance global du modèle • Fauts négatifs peu probable Effets Fixes • Désavantages: • La variance entre les sujets et les séries n’est pas prise en compte • Les résultats peuvent provenir majoritairement d’un ou de quelques sujets  Erreurs de Type I, c.a.d des faux positifs

  39. Effets aléatoires • Avantages: • Prend en compte la variabilité inter séries et inter sujets • Moins sensible à certains paramètres spécifique du modèle • Désavantages: • Très peu de degrés de liberté  erreur de type II, faux négatifs • Très sensible à la variation fonctionnelle et anatomique inter-sujets (From Dr. J. Armony)

  40. Effets fixes: implémentation SPM Also called first level analysis Identical as single-run/subject analysis except that the number of scans, onset etc has to be re-enterted for each run or subject, e.g.: (100, 100, 100, 100, 100) for 100 acquisitions 5 runs or subjects

  41. Fixed Effects: fmristat implementation df =multistat (input_files_effect, input_files_sdeffect, input_files_df, input_files_fwhm, X, contrast, output_file_base, which_stats, Inf) fwhm_varatio X = [1 1 1 1 1] 1 subject, one contrast, 5 runs input_files_effect = [’run1_cont1_mag_ef_tal.mnc'; ’run2_cont1_mag_ef_tal.mnc'; ’run3_cont1_mag_ef_tal.mnc'; ’run4_cont1_mag_ef_tal.mnc'; ’run5_cont1_mag_ef_tal.mnc]; input_files_sdeffect = [’run1_cont1_mag_sd_tal.mnc'; ’run2_cont1_mag_sd_tal.mnc'; ’run3_cont1_mag_sd_tal.mnc'; ’run4_cont1_mag_sd_tal.mnc'; ’run5_cont1_mag_sd_tal.mnc’];

  42. Fixed Effects: fmristat implementation However fixed effects analysis not recommended as it does not take into account inter-run or inter-subject variability Fmristat solution: Variance ratio smoothing (see below)

  43. Random Effects: SPM implementation Input .con files from 1st level analysis (single contrast of different subjects) in a second level analysis Df very low given by ‘number of subjects’ - ‘rank of s2nd level design matrix’ So given 12 subjects of the same group, DF = 11 This type of analysis may be too conservative, needing many subjects and much data to reach significance.

  44. Random Effects: fmristat implementation It is possible to perform the same type of random effects analysis in fmristat as in SPM by setting the fwhm_variatio parameter to 0 in multistat, I.e: df =multistat (input_files_effect, input_files_sdeffect, input_files_df, input_files_fwhm, X, contrast, output_file_base, which_stats, 0) However fmristat allows for the implementation of a random effects analysis that raises the number of degrees of freedom, and becomes less conservative

  45. MULTISTAT: mixed effects linear model for combining effects from different runs/sessions/subjects: • Ei = effect for run/session/subject i • Si = standard error of effect • Mixed effects model: Ei = covariatesi c + Si WNiF +  WNiR }from FMRILM ? ? Usually 1, but could add group, treatment, age, sex, ... ‘Fixed effects’ error, due to variability within the same run Random effect, due to variability from run to run

More Related