İşlevsel Ağ (fNET) Bağları - VAVlab

Transkript

Beyin Haritalama Görüntülerden Ağlara
Doç. Dr. Burak Acar
Boğaziçi Üniversitesi, Elektrik-Elektronik Müh. Bölümü, VAVlab, Bebek, İstanbul
[email protected]
http://www.vavlab.ee.boun.edu.tr
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
Sunum Planı
Ağ Nedir?
İşlevsel ve Yapısal Ağ Olarak Beyin
Ağ Düğümleri
Yapısal Ağ (sNET) Bağları
  İhtiyaçlar
  Bağ Belirleme Alternatifleri
§  İşlevsel Ağ (fNET) Bağları
  İhtiyaçlar
  Önşleme
  Bağ Belirleme Alternatifleri
§  Sonuç
§  BRAINet projesi
§ 
§ 
§ 
§ 
Ağ Nedir?
Leonhard Euler 1736’da “Konigsberg’in 7 Köprüsü” problemi ile ağ teorisinin
temellerini atmıştır.
Konigsberg’in 7 Köprüsü Problemi:
Konigsberg’in 4 bölgesine, her köprüden sadece birer kere geçerek ve köprülerden
karşıya geçmeden geri dönülmeksizin, erişmek mümkün müdür?
Düğümler
Bağlar
Görseller: “Seven Bridges of Konigsberg”, Wikipedia
İşlevsel ve Yapısal Bir Ağ Olarak Beyin
Beynin ağ yapısı 100 yılı aşkın süredir
bilinmektedir.
[His, 1888; Ramon y Cajal, 1892]
Yapısal Ağ (sNET) –
Histoloji (in-vitro, dyes) ve/ya medikal
görüntüleme (in-vivo, dMRI) ile
gözlenebilen nöro-anatomik bölgeler
arası eşleşmeler
İşlevsel Ağ (fNET) –
EEG / MEG / fMRI ile gözlenebilen,
nöro-anatomik bölgeler arası işlevsel
(zamansal) korelasyonlar
Ağ Düğümleri anatomik ROI veya ICA gibi veri analizine dayalı (modal)
şekilde belirlenen kortikal / sub-kortikal gri madde bölgeleridir
Ağ Bağları önem/kapasite değerleri atanmış veya ikili (0/1) değerli, genellikle
yönsüz* ilişkilerdir
*Efektif Ağlar hariç
Video: www.spring.org.uk
Ağ Düğümleri – Beyin Bölütleme
Ağ düğümlerinin istenen özellikleri:
•  İşlevsel ve yapısal olarak homojen (intra-nodal homogeneity)
•  İşlevsel olarak farklı bölgeleri kapsayan (inter-nodal heterogeneity)
•  Anatomik lokasyona bağımlı (spatial embedding)
•  Dinamik / Farklı ölçeklerde değişken (dynamicity)
Yaygın olarak kullanılan yaklaşımlar:
•  Anatomik parselasyon (ör. Freesurfer)
Düşük çözünürlük, Zayıf geçerlilik, Yüksek
güvenilirlik
•  Rastgele sub-parselasyon
•  Veriye dayalı öbekleme
fMRI’da ICA analizi, fMRI / dMRI parametrelerinde
öbekleme,
•  Her vokselin ayrı bir düğüm olarak kullanılması
Yüksek çözünürlük, hatalı kısa mesafe bağlar
Genel kabul gören jenerik bir metod yoktur, Araştırma problemine göre
tasarlanmalıdır.
Görseller: Hagmann et al. PLoS Biol. 6, e159, 2008
Medikal görüntülere dayalı sNET bağları kortikal / sub-kortikal bölgeleri
bağlayan beyaz madde yolaklarını ifade eder. Bu bağlar,
•  dMRI traktografi
•  Subjeler arası morfometrik parametre kovaryansları (ör. GM hacmi)
kullanılarak oluşturulur.
sNET bağlarının
•  Nedensellik ilişkilerini göstermesi / Yönlü olması (directedness)
X
•  Göreceli önem/kapasite göstermeleri (weighted)
O
•  Excitatory, inhibitory, modularity tiplerine duyarlı olmaları (heterogeneity)
X
•  Uzun zaman aralıklarında değişken (slow dynamicity)
O
•  Uzamsal lokasyona bağlı (spatial embedding)
O
Görseller: Fornito 2013, Neuroimage 80, 2013
•  dMRI (Difüzyon MRG) görüntülerine dayalı olarak nöro-anatomik bölgeler
arası yolakların modellenmesine traktografi denir. Yolak modellenmesinde
kullanılan tek in-vivo metoddur.
•  Yolaklar aslen myelin kaplı sinir aksonlarında,
akson boyunca hareket ettiği varsayılan su
moleküllerinin 3B hareket modeline bağımlıdır.
•  sNET bağ değerleri
o  Traktografi parametrelerine göre yüksek değişkenlik gösteren (güvenilir
fiziksel karşılığı bulunmayan) iki bölge arasındaki yolak sayısına,
o  Yerel değişkenlikleri es geçen yolak boyunca ölçülen dMRI
parametrelerine (ör. FA),
o  Olasılıksal traktografide yolak olasılıklarına,
o  Myelin içeriğini ölçen MTI (Magnetization Transfer Imaging) verilerine
[van de Heuvel 2010]
o  Akson çapına ve yoğunluğuna [Alexander 2010]
dayandırılır.
Görseller: https://braintalks.wordpress.com/2011/12/04/10-maps-of-the-mind/
Traktografi Yaklaşımları:
Tek Yönlü Difüzyon Modelleri
DTI
Deterministik
Olasılıksal
Yerel
Global
DTI
Görseller: Tristan-Vega et al. Neuroimage 47, 2009
ÇokYönlü Difüzyon Modelleri
QBI, DOT, OPDT, CSD, GDTI, MAP-MRI…
Deterministik
Olasılıksal
Deterministik Yerel Traktografi vs Tek/Çok Yönlü Difüzyon Modelleri
f(s)
f(s)
f(s)
DTI
r(s): Fiber
ODF/MAP-MRI
Traktografi Yaklaşımları:
DTI
Deterministik
Olasılıksal
Deterministik
Olasılıksal
Yerel
DTI Streamline
Tensor Deflection
PiCO
PROBTRACK
CSD Streamline
iFOD
PROBTRACKX
Global
DTI Graph Tractog.
ConTrack
Görseller: Bastiani et al., Neuroimage, 62, 2012
CSD Multi-Graph Trac.
DTI
Deterministik
Olasılıksal
Deterministik
Olasılıksal
Yerel
Global
• Düşük SNR duyarlılığı
• Uzun fiberlerde artış
• Yüksek yoğunluk ve
efficiency
• Zayıf küçük dünya özelliği
• Yüksek işlem yükü
Eşik belirlemedeki
belirsizlikler
Düşen olasılık eşiği ile
• Uzun fiber sayısında
artış
• Yüksek yoğunluk ve
efficiency
• Zayıf küçük dünya
özelliği
Yoldemir B., et al. IEEE TMI, 31, 2012 ; Bastiani M, et al. Neuroimage, 62, 2012
• Artan SNR duyarlılığı
• Kesişen/Öpüşen fiberlerin
ayrılabilmesi
• Uzun fiber sayısında artış,
ör. inter-hemisphere bağ
artışı
• Yüksek yoğunluk &
efficiency
• Zayıf küçük-dünya özelliği
K{N }{M }
: Tract Specific Density Coefficient. Anatomik olarak
TSDC=
N×M
bağlı oldukları bilinen M ve N bölgeleri arasında
bulunan yolak yoğunluğu / yüzdesi
SLFII : Superior longitudinal fasciculus
ILF: Inferior longitudinal fasciculus
CC: Corpus Collosum
FP: False Positives
Görseller: Bastiani et al., Neuroimage, 62, 2012
İşlevsel Ağ (fNET) Bağları
Medikal görüntülemeye dayalı fNET bağları fMRI BOLD (Blood Oxygenation
Level Dependent) sinyali ile ölçülen kortikal / sub-kortikal bölgeler arası
aktivasyon korelasyonlarına dayanır
fNET bağlarının
O
•  Nedensellik ilişkilerini göstermesi (directedness)
O
•  Göreceli önem/kapasite göstermeleri (weighted)
X•  Excitatory, inhibitory, modularity tiplerine duyarlı olmaları (heterogeneity)
O
•  Uzun zaman aralıklarında değişken (slow dynamicity)
O
•  Uzamsal lokasyona bağlı (spatial embedding)
Görseller: Fornito et al., Neuroimage, 80, 2013
Realignment
Slice Timing
Nuisance Regression
Correlation
Censoring
Parcellation
Co-registration
Spatial Smoothing (LPF)
Thresholding
fMRI verilerinden işlevsel ağ oluşturmada kullanılan BOLD
sinyallerinden işlevsel bağlantı değerlerinin sağlıklı olarak bulunabilmesi
için çok aşamalı ön sinyal işleme aşamalarının gerçekleştirilmesi
gerekmektedir.
Realignment
Slice Timing
Realignment : fMRI-fMRI Çakıştırma
•  Transformasyon:
3-6DoF Rigid - Intra-subj.,
9-12DoF Affine - Eddy-Cur. Cor., 106DoF - Inter-subj.
•  Kriter: LS & NC – Intra-modal, CR & MI & NMI & BBR – Inter-modal
•  İnterpolasyon:
Nearest Neighbour,
Trilinear, Spline, Sinc, k-Space
Slice Timing : Kesit Zamanlama
Kesit
Sinc interpolasyonu
•  Tek bir fMRI hacminde axial
kesitler arası zaman farkı bulunur.
•  Her bir fMRI hacmi içindeki bütün
kesitleri eşzamanlı kılmak üzere
yapılan interpolasyondur.
Zaman
http://www.brainvoyager.com ; FSL Lecture Slides
Power JD, et al. Neuroimage,105, 2015; Strother S.C. et al., IEEE EMB Magazine, 25, 2006;
Censoring
Co-registration
Spatial Smoothing (LPF)
Censoring : fMRI sansürleme
Düşük kaliteli (ör. yüksek DVARS, FD) fMRI çekimlerinin sansürlenmesi ve yerlerinin
zaman ekseninde interpolasyonu (doldurulması)
Co-Registration : fMRI -T1(+ Parselasyon) Çakıştırma
6 DoF transformasyon + MI/NMI kriter +
Trilinear interpolasyon +
Field-map unwarp
Filtering: Uzam LPF
Uzam LPF (Alçak Geçiren Filtre): Gauss (1-2 voksel FWHM), Wavelet filtreleme,
Power JD, et al. Neuroimage, 105, 2015 ; Strother S.C. et al., IEEE EMB Magazine, 25, 2006
RegressionèBPF
Parcellation
Factorization: ICA
Correlation
RegressionèBPF
Regression + BPF: İstenmeyen sinyallerin (nuisance) giderilmesi
Ø Hareket (Realignment) modellerine dayalı regresyon beklenen sonucu vermemektedir.
Ø fMRI sinyallerine dayalı regresyon:
•  ANATICOR: Gri madde voksellerinin komşuluğundaki beyaz maddeden yerel nuisance
sinyalleri modellenip çıkarılmaktadır.
•  CompCor: Beyaz madde, CSF gibi gri madde dışı bölgelerin global PCA modeli kullanılarak
global nuisance sinyalleri modellenip çıkarılmaktadır.
•  ICA: Tüm beyinden toplanan sinyallerinin bir arada işlenmesi ile uzamsal olarak bağımsız
sinyal bileşenlerini bulmaya yönelik bir yaklaşımdır. Bu bileşenlerin nöral ve nuisance
sinyallerini ayırması “beklenir”. ICA’nın global nuisance sinyallerini belirlemesi zordur.
•  Wavelet: Dalgacık dönüşümüyle yüksek genlikli bileşenleri ayırmayı hedefleyen oldukça
yeni ve spekülatif bir yaklaşımdır.
•  Global Regresyon: Deneysel olarak başarılı sonuçlar raporlanmış olmakla birlikte
simulasyonlara dayalı tartışmalar da devam etmektedir.
Ø Zaman HPF/BPF (Yüksek/Aralık Geçiren Filtre): 0.01 Hz – 0.1 Hz , Konsensus yok.
RegressionèBPF
Parcellation
Factorization: ICA
Correlation
RegressionèBPF
Factorization : ICA bileşenlerinin uzamsal dağılımı
[
!
] pxN
#α ! α &
1N
% 11
(
= A pxq % " # " (
%α
(
$ q1 ! α qN '
BOLD Sinyalleri
ICA Bileşenleri
ICA Mod
Katsayıları
Z-stat
üzerinden
aktivasyon
haritaları
Smith et al., Neuroimage, 54, 2011
Beckmann CF, Philos Trans R Soc Lond B Biol Sci, 360, 2005; Marrelec et al., Neuroimage, 32, 2006
RegressionèBPF
Parcellation
Factorization: ICA
Correlation
RegressionèBPF
•  Durağan-durum fNET bağlarının önem/kapasite değerleri fMRI ile ölçülen
BOLD sinyallerinin korelasyonu kullanılarak atanır. Kullanılan korelasyon
tanımlarının başlıcaları,
o  Pearson (Full) correlation:
o  Partial corr. [Marrelec 2006]: İlgili düğümler dışındaki BOLD sinyal bileşenlerinin
temizlendiği normalize korelasyon
o  Mutual Information [Zhou 2009]:
o  Coherence [Grinsted 2004, Chang & Glover 2010]: Güç spektrumu korelasyonu
o  Patel’s K & T [Patel 2006]: Çiftli şartlı olasılık tanımları P(A|B) vs P(B|A)
o  Granger causality [Granger 1969]: Çok değişkenli AR modelleme
•  Korelasyonlar eşiklenerek ikili (0/1) bağ değerleri bulunmaktadır
Smith et al., Neuroimage, 54, 2011
Doğru bağların
belirlenme
yetkinliği
Bağ yönlerinin
belirlenme yetkinliği
Bayes Net
Görseller: Smith et al., Neuroimage, 54, 2011
Sonuç
§  Beyin ilişki ve işbirliği içinde çalışan farklı birimlerden oluşan bir ağ
olarak modellenebilir.
§  İşlevsel ağlar farklı bölgelerin ilişkisini tanımlarken, yapısal ağlar fiziksel
nöron bağlantılarını makro boyutta modeller.
§  İşlevsel bağlantılar da yapısal bağlantılar da MRI teknikleri ile endirekt
yolla in-vivo görüntülenebilir.
§  Beynin ağ modelleri ortak bazı özellikler gösterse de, her ağ, seçilen
  MRI tekniği ve modeli,
  Sinyal işleme sürecine dahil edilen aşamalar,
  Her sinyal işleme aşamasında seçilen parametrelerle
değişiklik gösterir.
§  Beyin ağ modellemesi için genel geçer doğru bir yöntem
bulunmamaktadır ama yapılan seçimlerin bilinçli yapılması,
gerekçelendirilmesi ve raporlanması şarttır.
B-AĞ (BRAINet) Projesi TÜBİTAK 1003 Programı, Proje # 114E053 - Kasım 2014 – Kasım 2016
Amaç:
Bütünleşik sNET-fNET (cNET) modelleme ile Alzheimer (vd. Nöropsikolojik
hastalıklarda) tanı, sınıflama ve öngörü yöntemleri geliştirilmesi
Yöntemler:
1.  Çok yönlü yeni dMRI görüntüleme (ODF, MAP-MRI) uygulamaları,
2.  Deterministik-Olasılıksal hibrid traktografi (SMT) uygulamaları,
3.  fMRI optimal veri işleme protokolü tanımlanması
4.  cNETmodelleme
5.  Konvansiyonel ve ağırlıklandırılmış ağlara dayalı yeni sNET, fNET, cNET
karakterizasyon parametreleri
6.  Yeni ağ parametreleri ile tanı, sınıflama, öngörü algoritmaları
Ekip:
B-AĞ projesi TÜBİTAK 1003 Prog.(114E053) tarafından desteklenmektedir
Katılımınız İçin
Teşekkürler
DAVET
17-21 Ekim 2016
Sunumun kaynakçasına
www.vavlab.ee.boun.edu.tr
adresindeki BRAINet proje
sayfasından erişilebilir
Kaynakça
§ 
§ 
§ 
§ 
§ 
§ 
§ 
§ 
§ 
§ 
§ 
Sporns O, Structure and function of complex brain networks, Dialogues Clin. Neuroscience (2013
Sep 1)
Fornito A, et al, Graph analysis of the human connectome: promise, progress, and pitfalls,
Neuroimage (2013 Oct 15) 80: 426-44
Kaiser Marcus, A tutorial in connectome analysis: Topological and spatial features of brain networks.
NeuroImage (2011 Jan 1) 57: 892-907
O'Donnell LJ, et al, Fiber clustering versus the parcellation-based connectome. Neuroimage (2013
Oct 15) 80: 283-9
Friston Karl J., et al, Mapping the Structural Core of Human Cerebral Cortex. PLoS Biology (2008
Jan 1) 6: e159
Bastiani M, et al, Human cortical connectome reconstruction from diffusion weighted MRI: The effect
of tractography algorithm. Neuroimage (2012 Jun 12) 62: 1732-1749
Smith SM, et al, Network modelling methods for FMRI. Neuroimage (2011 Jan 15) 54: 875-91
Newman ME, Modularity and community structure in networks. Proc Natl Acad Sci U S A (2006 Jun
6) 103: 8577-82
Power JD, et al, Recent progress and outstanding issues in motion correction in resting state fMRI.
Neuroimage (2015 Jan 15) 105: 536-51
Zhu Dajiang, et al, Fusing DTI and FMRI Data: A Survey of Methods and Applications. NeuroImage
(2013 Jan 1)
Telesford QK, et al, The brain as a complex system: using network science as a tool for
understanding the brain. Brain Connect (2011 Jan 1) 1: 295-308

İşlevsel Ağ (fNET) Bağları - VAVlab

Transkript

Benzer belgeler

Görüntülerden Ağlara - VAVlab

İletişim