Curso modular de Introducción a las Neurociencias
Módulo 2: Análisis Computacional de Neuro-Imágenes
(MRI y fMRI)
Enzo Tagliazucchi
Temas del Curso
Introducción a la resonancia magnética. Introducción a la fisiología de la señal BOLD. Introducción de la suite de herramientas FSL.
Preprocesado de imágenes "crudas" de fMRI. Análisis estadístico de experimentos de fMRI con diseño por bloques. Ejemplo: obtención de mapas de activación en una tarea motora sencilla (fingertapping)
Métodos para el análisis global de la actividad cerebral: análisis probabilistico de Métodos para el análisis global de la actividad cerebral: análisis probabilistico de componentes independientes (PICA, FSLMELODIC). Ejemplo: obtención de redes componentes independientes (PICA, FSLMELODIC). Ejemplo: obtención de redes funcionales asociadas a sitios en distintos sistemas con funciones bien definidas funcionales asociadas a sitios en distintos sistemas con funciones bien definidas (motor, modo "default", auditivo, visual, etc).(motor, modo "default", auditivo, visual, etc).
Conectividad funcional y estructural del cerebro humano. Correspondencia entre el Conectividad funcional y estructural del cerebro humano. Correspondencia entre el cerebro activo y el cerebro en reposocerebro activo y el cerebro en reposo. Conectividad estructural: introducción al tensor de difusión.
Aplicación de lo visto en las clases anteriores a ejemplos, en particular, diferencias entre controles y pacientes con dolor crónico.
Actividad espontanea en el cerebro humano
Las fluctuaciones espontaneas no son ruido: tienen estructura espacial
Sistemas cognitivos semejantes tienen actividad espontanea semejante (funcionalmente conectados)
La informacion relevante se considera incluida en las frecuencias bajas (< 0.1 Hz) de BOLD mientras que en frecuencias mayores se encuentra ruido que no presenta una organizacion espacial significativa
Actividad espontanea en el cerebro humano
Como puede detectarse estos patrones? (si no hay modelo)
Correlacion lineal entre BOLD de dos voxels de cerebros (abajo)
Otras medidas mas bivariadas mas sofisticadas: informacion mutural, correlacion espectral, etc.
Esto se utiliza en analisis basado en semillas: se elije un voxel (o grupo adyacente de voxels) y se determina para la senal BOLD del resto del cerebro (voxel por voxel) el grado de similaridad con la senal asociada a la semilla
La eleccion de distintas semillas pone en evidencia distintos patrones de conectividad cerebral
Como elegir la semilla?
Metodo bivariado (solamente miro interacciones entre pares...)
Existen metodos para ”bucear” en el cerebro sin hipotesis previas y poner en evidencia las
principales estructuras coherentes en el estado de reposo? (de una buena vez por todas)
Analisis de componentes independientes (ICA)
El problema del ”cocktail party”
A y B estan hablando en una fiesta (conversaciones independientes independientes y noy no gaussianasgaussianas)
Dos microfonos en dos lugares de la fiesta registran una superposicion (lineal) de lo que dice cada uno
Otra forma de ver las series: pongo una serie en un eje coordenado y la otra en el otro (elimino el tiempo)
Mezclar las senales equivale a rotar el grafico (la rotacion depende de los coeficientes de la suma lineal)
Combinaciones lineales de variables independientes aumentan gaussianidad de las
proyecciones (teorema central del limite!)
Si elijo la transformacion adecuada puedo reestablecer la independencia entre senales
Rotacion que minimiza la gaussianidad de las proyecciones
Aplicamos la misma idea para detectar fuentes independientes en actividad cerebral
espontanea...
Descomponemos la actividad cerebral en mapas espaciales y cursos temporales asociados
Se requiere independencia en los mapas espaciales asociados
Multivariado y lineal
Observacion: la cantidad de componentes independientes obtenidas no estan determinadas a
priori
FSL-MELODIC (Multivariate Exploratory Linear
Optimised Decomposition into Independent Components)
Input: Datos de sujetos (podemos concatenar temporalmente datos de varios sujetos)
Cantidad de componentes independientes a buscar (puede estimarse automaticamente)
Criterios para umbral de significancia estadistica (lo mismo que en FEAT)
Redes de Estado de Reposo(Resting State Networks)
RSN1 y RSN2 : Visual
RSN3: Auditivo
RSN4: Sensorimotor
RSN5: Default Mode Network
RSN6: Control ejecutivo
RSN7: Via visual dorsal
RSN8: Via visual ventral
Beckmann et al 2005
Correspondencia entre Task & Rest (actividad espontanea del cerebro explora
patrones de actividad!)
Comparacion entre componentes independientes de actividad cerebral extraidas de sujetos (del orden de 10) y de una base de
datos de experimentos con ejecucion de tarea (del orden de 10.000) – Smith et al, 2009
Volviendo a lo primero...Seleccion de sitios con mayor trafico a nivel conectividad funcional dentro de cada
componente independiente de actividad cerebral – una parcelacion basada en informacion dinamica
Eligiendo semillas dentro de distintas RSNs y calculando correlaciones con el resto del cerebro recuperamos redes de estado de reposo (aun para datos
correspondientes a un solo sujeto!) - Chialvo, 2010
Hasta ahora... Actividad espontanea tiene estructura espaciotemporal que refleja
funcion y anatomia cerebrales
Se puede interrogar a partir de relacion con semillas dadas en la corteza cerebral (bivariado + lineal)
O bien encontrar redes de estado de reposo sin precisar hipotesis (multivariado + lineal)
En ultima instancia ambos enfoques convergen en colapsar similaridad entre senales BOLD en medidas numericas
...nuevas preguntas Una medida no lineal?
Que incluya informacion temporal?
Relacion con lo visto en clases anteriores? (en especial, de que la juega la funcion de respuesta hemodinamica en resting state?)
Forma de la funcion de respuesta hemodinamica en distintas regiones de la corteza
Promedios de la senal BOLD ”lockeados” con el comienzo de los
ciclos de tarea/descanso
Como hacemos promedios ”lockeados” si no tenemos ciclos de tarea? Promedios gatillados por incrementos
espontaneos, interaccion funcional