Görüntülerden Ağlara - VAVlab

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
http://www.vavlab.ee.boun.edu.tr
Sunum Planı#
  Ağ yapıları
  Bir Ağ Olarak Beyin
  Yapısal Beyin Ağları - sNET
  Difüzyon MRI İşleme
  sNET Düğümleri
  sNET Bağları
  İşlevsel Beyin Ağları – fNET
  Fonksiyonel MRI İşleme
  fNET Düğümleri
  fNET Bağları
  B-AĞ (BRAINet) Projesi
  Sonuç
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Ağ Yapıları#
  Ağ bir düğümler kümesi ({Dn}) ve düğüm çiftleri arasında tanımlı bağlar
kümesinden ({Lmn}) oluşan matematiksel bir yapıdır.
  Düğümler soyut durumları (ör. bir tümör tanımında “kötü huylu olmak”)
veya fiziksel yapıları (ör. posterior cingulate) ifade edebilirler.
  Bağlar düğümler arası nedensellik ilişkilerini (yönlü bağlar) veya ilintililiği/
korelasyonu (yönsüz bağlar) ifade eder.
  Bağlara sözkonusu ilişkiye atfedilen değerler (ağırlıklar) atanabilir veya
0/1 boolean değerler verilebilir.
  Ağ topolojisini verili düğüm kümesi ve ağırlıkları sıfırdan farklı bağlar
kümesi belirler.
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Bir Ağ Olarak Beyin#
•  Ağ düğümleri:
•  Modal / İşlevsel
•  Anatomik / Yapısal
•  Bağ değerleri:
•  İşlevsel – fNET
•  Yapısal – sNET
•  Bağ matrisi:
•  Ağ karakterizasonu:
Küçük Dünya Özelliği: Yüksek kümelenme + Kısa bağlantılar
Complex brain networks: graph theoretical analysis of structural and functional systems
Ed Bullmore & Olaf Sporns. Nature Reviews Neuroscience 10, 186-198 (March 2009)
Blink
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
sNET – YAPISAL AĞLAR#
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Yapısal Beyin Ağları – sNET
Difüzyon MRI İşleme#
Difüzyon Tensörü (DTI) :
Q-Ball Görüntüleme (QBI):
DTI ikinci derece bir yakınsama olup, yerel
yapının basitliği/varlığı (FA) ile basit tek fiber
yönlü yapılarda fiber yönünü (e1) ifade edebilir.
QBI daha yüksek dereceli bir model olup,
kesişen/öpüşen fiberler hakkında da bilgi verir.
Tuch, Magnetic Resonance in Medicine. Volume 52, Issue 6, pages 1358–1372, December 2004
P. Mukherjee et al. AJNR April 2008 29: 632-641
Tristán-Vega A., et al. Neuroimage. 2009 Aug 15;47(2):638-50.
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Yapısal Beyin Ağları – sNET
sNET Düğümleri#
Atlas
Çakıştırma
Traktografi
Standart Anatomik Model: MNI152 ( Montreal Neurological Institute )
Hagmann, P., et al. PLoS Biol. 6, e159, 2008
https://braintalks.wordpress.com/2011/12/04/10-maps-of-the-mind/
Youtube
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Yapısal Beyin Ağları – sNET
sNET Bağları#
sNET bağları iki düğüm arası fiber yoğunluğu/sayısı ile belirlenir. Görüntülenen fiberler
değil fiber demetleri olduğundan, fiber sayısının fiziksel karşılığı bulunmamaktadır.
Bütün yöntemler FA, açı, seeding gibi parametre seçimlerine duyarlıdır
Tek Yönlü Model (ör. DTI)#
Çok Yönlü Model (ör. QBI)#
Deterministik#
Olasılıksal#
Deterministik#
Olasılıksal#
Yerel#
Streamline,
TEND!
PiCO,
PROBTRACK!
ODF / CSD
streamline!
iFOD,
PROBTRACKX!
Global#
Graph Traktog.,
ConTrack!
• Düşük SNR duyarlılığı
• Uzun fiberlerde artış
• Yüksek yoğunluk ve
efficiency
• Zayıf küçük dünya özelliği
• Yüksek işlem yükü
CSD multi-graph!
Eşik belirlemedeki
belirsizlikler
Düşen olasılık eşiği ile
• Uzun fiber sayısında artış
• Yüksek yoğunluk ve
efficiency
• Zayıf küçük dünya özelliği
Bastiani M, et al. Neuroimage (2012 Jun 12) 62: 1732-1749
Yoldemir B., et al. IEEE TMI, October 2012, Vol. 31-10, pp. 1929-1940
• Artan SNR duyarlılığı
• Kesişen/Öpüşen fiberlerin
ayrılabilmesi
• Uzun fiber sayısında artış,
ör. inter-hemisphere bağ artışı
• Yüksek yoğunluk & efficiency
• Zayıf küçük-dünya özelliği
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
Yapısal Beyin Ağları – sNET
sNET Bağları – Deterministik Yöntemler#
Streamline Traktografi
r(s + ds) = r(s) + h.f(r,dMRI)
DTI
!
f(s)
f(s)
f(s)
r(s): Fiber
ODF/MAP-MRI
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
fNET – İŞLEVSEL AĞLAR#
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
İşlevsel Beyin Ağları – fNET
Fonksiyonel MRI İşleme - I#
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
Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51;
Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41 ; http://www.brainvoyager.com ; FSL Lecture Slides
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
İşlevsel Beyin Ağları – fNET
Fonksiyonel MRI İşleme - II#
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 (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
İşlevsel Beyin Ağları – fNET
fNET Bağları & Düğümleri (Rest fMRI)#
RegressionBPF
Parcellation
Factorization: ICA
RegressionBPF
Correlation
Correlation
Regression + BPF: İstenmeyen sinyallerin (nuisance) giderilmesi
 Hareket (Realignment) modellerine dayalı regresyon beklenen sonucu vermemektedir.
 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.
 Zaman HPF/BPF (Yüksek/Aralık Geçiren Filtre): 0.01 Hz – 0.1 Hz , Konsensus yok ancak
filtreler regresyon modelleri ile uyumlu olmalı.
Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
İşlevsel Beyin Ağları – fNET
fNET Bağları & Düğümleri (Rest fMRI)#
RegressionBPF
Parcellation
Factorization: ICA
RegressionBPF
Correlation
Correlation
Factorization : ICA bileşenlerinin uzamsal dağılımı
[
!
] pxN
BOLD Sinyalleri
#"
&
!
"
1N
% 11
(
= A pxq % " # " (
%$"
! " qN ('
q1
Z-stat
üzerinden
aktivasyon
haritaları
ICA Bileşenleri
Correlation: Zamansal korelasyon / eşgüdüm
Tam Korelasyon: 2 BOLD sinyali doğrudan kullanılır.
Kısmi Korelasyon: 2 BOLD sinyalinin, diğer tüm sinyallere dik uzaydaki bileşenleri kullanıllır.
%Aij
ICOV:
X DxT = {x t " # D };$ = Cov ( x t );A = $ %1;ICOV (i, j) =
Aii A jj
Smith et al., Neuroimage (2011 Jan 15) 54: 875-91
Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41
Beckmann CF, Philos Trans R Soc Lond B Biol Sci 360: 1001-13; Marrelec et al., Neuroimage (2006 Aug 1) 32: 228-37
!
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
İşlevsel Beyin Ağları – fNET
fNET Bağları & Düğümleri (Rest fMRI)#
RegressionBPF
Parcellation
Factorization: ICA
RegressionBPF
Correlation
Correlation
•  Alternatif bir yöntem fNETdüğümlerinin sNET’ler
gibi anatomik parselasyon bilgisinden
belirlenmesidir.
•  sNET-fNET ilişkilerinin modellenmesinde ortak
düğüm kullanmak için yararlanılabilir.
•  Yapısal (Parselasyon) olarak tanımlanmış düğüm
yerleri/sınırları işlevsel olarabirlikte çalışan
bölgelere karşılık gelmeyebileceği için parsellere
dayalı düğüm sınırlarının fMRI tabanlı yerel
korelasyon ile düzeltilmesi gerekir.
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
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:
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
B-AĞ (BRAINet) Projesi
BRAINet Sistem Şeması #
dMRI
Traktografi (SMT)
DTI, ODF, MAP-MRI
fMRI
sNET
Modelleme
Parselasyon &
Inter-modal Çakıştırma
cNET
Modelleme
fMRI Önişleme
fNET
Modelleme
Karakterizasyon
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
B-AĞ (BRAINet) Projesi Mean Apparent Propagator MRI #
Crossing between the inferior-located external
medullary lamina and the superiorly-located internal
capsule within the thalamic reticular nucleus
Özarslan et al., NeuroImage, 78:16-32, 2013
Significant anisotropy is detected in a
caudatolenticular gray matter bridge traversing the
oblique caudocranial orientation of the internal
capsule.
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
B-AĞ (BRAINet) Projesi
sNET Bağları#
SMT: Split & Merge Tractography
!
S7 !
J 67
J 34 !
!
S6 !
!
J 25
!
S5 !
!
!
S3 !
Bridge
!
!
!
!
J 23 !"!Broken
Bridge
"!New !
J!
26
!
!
S4
S2 !
!
S1 "!Seed Tract!
!
! J12
!
!
SMT
deterministik ve olasılıksal traktografiyi tek/çok yönlü
!
difüzyon modelleri kullanarak birleştirmektedir.
Yoldemir B., et al. IEEE TMI, October 2012, Vol. 31-10, pp. 1929-1940
Boğaziçi University, EE Dept., VAVlab, Istanbul, Turkey
http://www.vavlab.ee.boun.edu.tr
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 “Doğru” bir yöntem bulunmamaktadır ama
yapılan seçimlerin bilinçli yapılması, gerekçelendirilmesi ve
raporlanması şarttır.!
B-AĞ projesi TÜBİTAK 1003 Prog.(114E053) tarafından desteklenmektedir