Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika

Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika

Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző időpontokban White noise: random szignál, lapos frekvencia eloszlással

Autokorreláció az fmri-ben HPF A high-pass-filter után is jelentős alacsony frekvenciájú zaj marad autokorreláció Ha nincs korrigálva akkor fals pozitívat okozhat, vagy csökkenti a szenzitivitást

FILM FMRIB s Improved Linear Modelling Power Power Power Power Frequency Frequency Frequency Frequency Fit GLM Calculate AC form residuals Spatially and spectrally smooth the data Construct prewhitening filter to undo AC Apply filter to the data and the design FILM a GLM-ből számított reziduális zajt használja az autocorreláció meghatározására prewhitening filtert készít, mely kiszűri az autokorrelációt az adatból és a designból

High-pass filter Boxcar EV with period 100s Boxcar EV with period 250s A high-pass-filter eltávolítja az alacsony frekvenciájú zaj nagy részét Autokorreláció modellezése jobban működik A cut-off frekvenciának nagyobbnak kell lenni mint a leglassabb változó jelnek

Orthogonalitás 0 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 3-3 0 [3-1 0] [1 3 2] 0 Két vektor egymásra merőleges (ortogonális), ha az általuk bezárt szög π/2 radián (90 ). Másképpen: skalárszorzatuk nulla. Orthogonális mátrix: Tetszőlegesen választott sorok lineáris kombinációjaként nem fejezhető ki egyik sora sem.

EV-k orthogonalitása A PE kiszámításánál az EV-nek csak azt a részét használjuk, ami orthogonális a többi EV-re Valamenyi orthogonalitás szükséges EV-k között, hogy a jelben lévő variabilitást felosszuk

Rank deficiens design mátrixok EV-k lineáris kombinációja 0. Good news: A statisztika megoldja. Bad news: Hatalmas különbségnek kell lenni kondíciók között (effect size)

A design hatásfoka

A design hatásfoka FEAT

Orhtogonalitás és a kontraszt Contrast Effect size required [1-1] no chance 3.3% [1 1] no problem 0.84% [1 0] or [0 1] no chance 3.3%

Orthogonalizáció EV1 - a regresszor ami érdekes EV2 - zavaró tényezőt leíró regresszor EV2 orthogonalizációja EV1 figyelembe vételével: EV2-ből eltávolítjuk azt a részt ami EV1-el korrelál

Hogy működik

Hogy működik

Mozgás mint regresszor Mozgáskorrekció után is van reziduális mozgás az adatban Megoldás: MELODIC Mozgást regresszorként a design-ba felhasználjuk

Stimulus erősség modellezése 1: Az erős fájdalom hol vált ki kétszer akkora aktivációt mint a gyenge 2: Hol vált ki erős [1-1] vagy a gyenge [-1 1] fájdalom nagyobb aktivációt

Parametrikus változó modellezése Lineáris BOLD változás a három kondíció között: [-1 0 1]

Négy stimulus erősség Lineáris BOLD változás a négy kondíció között: [-3-1 1 3]

Faktoriális design No Touch Touch No Vision Vision Vision Touch Vision+Touch Vision Touch Vision+Touch Vision Touch Vision+Touch No interaction Subadditive Superadditive

Non lineáris interakció No Touch Touch No Vision Vision EV1: vision EV2: touch EV3: interakció

Contrast masking C1: [1 0], C2: [0 1] Csak azok a voxelek, amik mindkét kontrasztban aktívak C3: [1-1], C2: [0 1] EV1 > EV2 ha EV1 pozitív

A hemodinamikus válasz variabilitása HRF rövid neuronális válaszra adott hemodinamikus válasz A hemodinamikus válasz változik agyterültek és alanyok között is Betegségek!!!

Temporális derivált EV1 Temp. deriv. Az EV mellett annak temporális deriváltja is a modellbe kerül Ezzel lehetővé válik kis időbeli elcsúszások modellezése

HRF parametrizálása vs. basic sets HRF parametrizálása a modell számítása az alak paraméterkkel Lineáris basic set-ekkel feszítjük ki a HRF terét Non-lineáris modell számítás NEHÉZ! Lineáris modell - GLM KÖNNYŰ!

HRF basic sets A basic set-ek lineáris kombinációja különböző HRF-eket eredményez

FLOBS FMRIB s linear optimal basis set A paraméterek specifikációja után HRF mintákat gyárt

FLOBS HRF minták SVD A singuláris érték dekompozicióból az első három sajátvektort választjuk ki

Basis set-ek FEAT-ben Stimulus HRF basis sets =

Basis set-ek FEAT-ben Az original EV -t a három Real-EV F-tesztje adja

Különbség kondíciók között Az F-teszt az egyes t-tesztek eredményét kombinálja Méret vagy alak különbséget detektál

Csoport statisztika basis függvényekkel Problémás mert általában méret és nem alak érdekel megoldás: kanonikus HRF használata temporális deriválttal csak a fő EV-t használjuk a csoport statisztikához a méret statisztikát kell a csoportstatisztikához használni permutáció teszt

That s all folks!