Auswertung funktioneller MRT
Transcrição
Auswertung funktioneller MRT
Einführung in die Auswertung funktioneller MRT-Daten Auswertung funktioneller MRTDaten mit SPM Seite 1/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Inhaltsverzeichnis 1. Erhebung funktioneller MRT-Daten........................................................................ 4 1.1 BOLD................................................................................................................... 4 1.2 Messung des BOLD-Kontrastes.......................................................................... 8 1.3 Messung einer funktionelle BOLD-Zeitserie....................................................... 11 2. Rechnerinfrastruktur, Netzwerk, Datenversand , -speicherung und -konvertierung............................................................................................................ 12 2.1 Standard´s an der Akquisitionsmodalität............................................................ 12 2.2 Arbeitsrechner/SPM-Server............................................................................... 12 2.2.1 Öffnen des Terminals.............................................................................................. 13 2.2.2 Das Terminal........................................................................................................... 14 2.2.3 Verzeichnisstruktur.................................................................................................. 15 2.2.4 Datenverzeichnis als Netzlaufwerk einbinden......................................................... 16 2.3 Image-Server..................................................................................................... 17 2.4 Versenden der Bilddaten................................................................................... 18 2.5 Datenkonvertierung............................................................................................ 19 3. SPM.......................................................................................................................... 20 3.1 Grundlegendes.................................................................................................. 20 3.2 Aufbau der Software.......................................................................................... 20 3.3 Bevor man loslegt.............................................................................................. 21 3.4 Datenkonvertierung mit SPM............................................................................. 23 3.5 SPM Vorverarbeitung......................................................................................... 24 3.5.1 Bewegungskorrektur................................................................................................24 3.5.2 Coregistrierung........................................................................................................ 25 3.5.3 Slice timing.............................................................................................................. 26 3.5.4 Normalize................................................................................................................ 26 3.5.5 Smooth.................................................................................................................... 27 3.6 SPM Statistik, Fixed Effekt, First Level.............................................................. 3.7 SPM Kontraste eingeben und Ergebnisse ansehen.......................................... 3.8 SPM Ergebnisse bearbeiten.............................................................................. 3.9 SPM Statistik, Random Effekt, Second Level.................................................... 28 32 35 37 3.9.1 One sample t-test.................................................................................................... 39 3.9.2 Two sample t-test.................................................................................................... 40 3.9.3 ANOVA.................................................................................................................... 41 3.10 SPM Statistik, ROI-Analyse............................................................................. 41 3.10.1 Small Volume Correction, SVC............................................................................. 42 3.10.2 MarsBaR................................................................................................................42 3.10.3 WFU Pickatlas.............................................................................................. 45 3.11 Weitere Visualisierungsmöglichkeiten.............................................................. 47 3.11.1. Display.................................................................................................................. 47 3.11.2 display_slices........................................................................................................ 48 3.11.3 Darstellung mit Mricro............................................................................................48 3.12 Tipps und Tricks in SPM.................................................................................. 49 Seite 2/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3.12.1 Fadenkreuz ausschalten....................................................................................... 49 3.12.1. MNI-Koordinaten in Talairach-Koordinaten umrechnen und umgekehrt.............. 49 3.12.2 Eigenes Template der Probanden erstellen.......................................................... 49 4. Ergebnisdarstellung............................................................................................... 49 4.1 Bilder ................................................................................................................. 49 4.2 Werte................................................................................................................. 49 Seite 3/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 1. Erhebung funktioneller MRT-Daten Die hier dargestellte Einführung in die funktionelle Magnetresonanzbildgebung stellt nur einen Bruchteil des gesamten Potentials der fMRI dar. Es soll dem Leser ein kurzer und gestraffter Einblick in die (für die Auswertung der Daten relevanten) Methodik vermittelt werden. Eigenschaften der Messmethodik so wie Artefakte (wissentlich als auch unwissentlich) können die Ergebnisse einer Auswertung verfälschen und bestimmen. Somit ist die Kenntnis der gesamten Mess- und Auswertekette essenziell um Fehlinterpretationen der Ergebnisse zu vermeiden. 1.1 BOLD Neurophysiologische Antwort einer Neuronenpopulation auf einen Reiz ist der sog. BOLD-Effekt. Parameter, welche sich durch eine neuronale „Aktivierung“ ändern und damit ein mit Hilfe der Kernspinresonanz messbares Signal erzeugen sind in folgender Grafik dargestellt: Fig01: Parameter für die funktionelle Bildgebung Für die MRI sind die relevanten Effekte, die sich durch eine neuronale Aktivierung ergeben zum einen der gesteigerter Energiemetabolismus. Hierbei erhöht sich der Sauerstoffverbrauch (Aerobe Energiegewinnung). Zudem wird eine Vasodilatation in den umgebenden Gefäßen bewirkt, um den gesteigerten Transport von Sauerstoff (und Glukose) zu gewährleisten. Ausschlaggebend für die MR-Bildgebung ist das Transportmolekül Hämoglobin. Betrachtet man das Hämoglobin mit einem daran gebunden Sauerstoffatom (Oxyhämoglobin), stellt sich der Gesamtkomplex als diamagnetisch dar. Diamagnetisch Seite 4/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten bedeutet, die magn. Dipole sind dem äußeren Magnetfeld (statisches Magnetfeld) entgegen gerichtet und bewirken somit eine (aber nur sehr schwache) Feldreduktion. D.h. Wasserstoffprotonen, welche sich in unmittelbarer Umgebung eines Oxyhämoglinmoleküls befinden, sehen ein (vernachlässigt man alle andern Feldgradienten durch Elektronenspins usw.) resultierendes Magnetfeld, welches sich aus dem statischen Magnetfeld (bei uns 3 Tesla) minus dem durch das Oxyhämoglobin induzierte, entgegen gerichtete Feld zusammensetzt. Hat das Oxyhämoglobin sein O2-Atom dem Energiestoffwechsel zugeführt (dann Desoxyhämoglobin), bestimmt das Fe-Atom im Hämoglobin-Komplex die magnetischen Eigenschaften. Das Molekül ist dann paramagnetisch. Paramagnetismus bedeutet, dass die magn. Diplole in einem ungeordneten Zustand vorliegen, sich aber durch ein äußeres Magnetfeld parallel den Feldlinien ausrichten und das resultierende Feld verstärken. D.h. Wasserstoffprotonen, welche sich in unmittelbarer Umgebung eines Desoxyhämoglinmoleküls befinden, sehen ein (vernachlässigt man alle andern Feldgradienten durch Elektronenspins usw.) resultierendes Magnetfeld, welches sich aus dem statischen Magnetfeld (bei uns 3 Tesla) plus dem durch das Desoxyhämoglobin induzierte, parallele Feld zusammensetzt. D.h. je höher die räumliche Konzentrationsdifferenz zwischen Desoxyhäm. und Oxyhäm. ist, desto unterschiedlichere Magnetfelder sehen benachbarte H-Protonen. Dieser Konzentrationsunterschied bewirkt einen Magnetfeldgradienten. Fig02: Magnetfeldgradient durch Desoxy-Hb Dieser Gradient bewirkt, dass sich die Lamorfrequenz (Resonanzfrequenz ω) der einzelnen H-Protonen ändert, d.h. jeder Spin eines Protons präzidiert mit einer geringfügig anderen Frequenz. Betrachtet man eine Spinensamble (im statischen Feld Seite 5/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten ausgerichtet und mit einem 90° Puls angeregt), zerfällt die Quermagnetisierung (T2Relaxation) nicht mehr ausschließlich durch den Wiederaufbau der Längsmagnetisierung sondern zusätzlich durch die Dephasierung (T2*-Relaxation), erzeugt durch den Magnetfeldgradienten. Fig03: Dephasierung durch Magnetfeldgradient Dieser messbare Effekt ist unmittelbar abhängig von der neurophysiologischen Antwort auf einen Reiz und wird BOLD-Effekt (Blood Oxygen Level Dependent) genannt. BOLD: S. Ogawa et al.; Proc. Natl. Acad. Sci. USA 87, 9868 (1990). S. Ogawa et al.; Magn. Reson. Med. 14, 68 (1990). Seite 6/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig04: Hb induzierte Dephasierung Das zeitliche Verhalten des BOLD-Signals verglichen mit dem neuronale Reiz zeigt eine Verzögerung um ca. 2s, ein Ansteigen des Signals und eine Neutralisierung nach ca. 8s. Hiernach folgt ein bis zu 30s langer „post-stimulus-undershoot“ Fig05: BOLD-Antwort Seite 7/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten BOLD-Antwort: Dale AM. Optimal experimental design for event-related fMRI. Hum Brain Mapp. 1999;8(2-3):109-14. Birn RM, Cox RW, Bandettini PA. Detection versus estimation in event-related fMRI: choosing the optimal stimulus timing. Neuroimage. 2002 Jan;15(1):252-64. 1.2 Messung des BOLD-Kontrastes Ziel der funktionellen Bildgebung ist es, mit einer geeigneten Messsequenz diese durch der BOLD-Effekt induzierte örtliche Suzeptibilität reliabel zu messen. Geeignete Sequenzen sind Spin-Echo und vor allem Gradienten-Echo-Sequenzen. Als sehr gut geeignet hat sich die Echoplanare Bildgebung erwiesen, wobei auch mit anderen Sequenzen ein ausreichender T2*-Kontrast zu erreichen ist. Die Echoplanare Bildgebungssequenz (EPI) ist eine klassischen Gradientenechosequenz. Fig06: EPI-Sequenz Seite 8/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Die EPI-Sequenz besteht pro Repititionszeit (TR) aus einem 90°-Puls, aus dem durch Umpolung des Frequenzkodiergradienten mehrere Echos erzeugt werden können. Diese Eigenschaft ermöglicht es, die Echoplanare Bildgebung sehr schnell zu betreiben. So wird im Falle einer TR = 3s der k-Raum mehrfach abgetastet und es kann innerhalb dieser Zeit ein komplettes Volumen mit mehreren Schichten aquiriert werden. Dieser Geschwindigkeitsvorteil macht die EPI-Sequenz zum Mittel der Wahl bei der funktionellen Bildgebung (hohe Zeitauflösung). Zudem zeichnen sich EPI-Bilder (durch das Fehlen des 180°-Refokusierpulses) durch eine relativ hohe T2*-Sensibilität aus. Diese Eigenschaft macht sie jedoch auch empfindlich für Suzeptibilitätsartefakte. Diese treten vor allem an Gewebekanten und Regionen mit hoher Ortsfrequenz auf. Fremdkörper wie Ohrringe, Haargummi mit Metall können zu Signalauslöschungen führen. Nur am Rande sei erwähnt, das jegliche Fremdkörper (Tatoos, Schmuck, Implantate, ...) den magnetischen Kräften ausgesetzt sind und zu Energieabsorption wie lokalen Erwärmungen bis hin zu Verbrennungen führen können. Es ist in jedem Fall einen Abklärung mit Dr. Kugel oder mir zwingend. Doch dies ist ein anderes Thema. Fig07: EPI-Artefakte Seite 9/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig07: Suzeptibilitätsartefakte abhängig von der Frequnzkodierrichtung Durch eine geeignete Wahl des Auslesegradienten, Echozeit (TE), Schichtdicke, Schichtorientierung etc. können diese Bildartefakte minimiert, aber nicht eliminiert werden. So bietet es sich z.B. an, bei Studien, welche die Amygdalaaktivität bestimmen, den Auslesegradienten bei axialer Schichtführung in pa oder ap Richtung zu legen. So wird der Artefakt beide Amygdalae gleichartig betreffen (sofern das Gehirn halbwegs symmetrisch ist) und nicht wie rl eine Amygdala stärker als die andere (Lateralität der Aktivierung). Bewegung (Translation, Rotation) des Probanden bewirkt, dass sich die Feldverhältnisse besonders an den Suszeptibilitätsgrenzen ändern. Im ungünstigsten Fall kann so eine Aktivierung vorgetäuscht werden. Seite 10/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Der BOLD-Kontrast wächst quadratisch mit der Feldstärke Fig09: Funktionelle Empfindlichkeit (FE) und Stärke des statischen Magnetfeldes Dies bedeutet aber auch, dass die Suszeptibilitätsartefakte im gleichen Maß zunehmen. Zudem sinkt die Echozeit. Typische Echozeiten bei 3T liegen zwischen 30ms und 35ms, abhängig vom Messort. 1.3 Messung einer funktionelle BOLD-Zeitserie Um eine den BOLD-Kontrast und damit eine neuronale Aktivierung nachweisen zu können, muss eine Zeitreihe von Datenaufnahme erfolgen zu mindestens zwei Zeitpunkten: Eine Akquisition ohne neuronalen Reiz und eine Akquisition mit neuronalem Reiz. So kann der Wert eines jeden Volumenpunktes (Voxel) zwischen beiden Zeitpunkten verglichen werden und ein Unterschied wird als BOLD-Signal und damit als Aktivierung interpretiert. In der Praxis hängt das Messdesign sehr stark vom Reizinput (Paradigma) ab. Es wird versucht, möglichst viele Akquisitionen pro Zeit zu erreichen, um die zeitliche Auslösung zu optimieren. Da jedoch die hämodynamische Antwortfunktion ein Delay von ca. 2s erreicht, sind der zeitlichen Auflösung Grenzen gesetzt. Übliche Akquisitionszeit liegen im Bereich 2s-4s (abhängig von Feldstärke, Schichtanzahl, Auflösung). Sinnvoll jedoch ist innerhalb eine Reizblockes möglichst viele Aufnahmen zu erhalten. Somit wird das Signalzu Rauschverhältnis (SNR) verbessert und die statistische Signifikanz eines Vergleiches zweier Bedingungen steigt. Die Länge der Akquisition wir durch die Länge des Paradigmas bestimmt plus sog. Dummyscans. Dummyscans werden vor der eigentlichen Messung verwendet um die Quermagnetisierung aufzubauen (T1-Effekt). Üblicherweise erfolgt die Volumenakquisition in einem zeitlichen Abstand, der durch die TR bestimmt wird (s.o.) d.h. z.B. alle 3s ein Scan. Unter bestimmten Umständen kann aber auch die Datenaufnahme vom Paradigma getriggert werden. Hierbei ist jedoch der T1 Effekt zu beachten. Die ersten Bilder nach eine Pause haben ein anderes Kontrastverhältnis und sind hinsichtlich der Auswertung gesondert zu behandeln. Seite 11/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig10: Beispiel für einen Signal-Zeitverlauf in einem Voxel 2. Rechnerinfrastruktur, Netzwerk, Datenversand , -speicherung und -konvertierung 2.1 Standard´s an der Akquisitionsmodalität Die Datenakquisition, -bereithaltung und -versandt am Gerät Philips Gyroscan Intera 3T unterliegt bestimmten Standard´s, um eine Datenkompatibilität als auch einen definierten Transfer zu gewährleisten. Grundlage hierfür ist der DICOM-Standard. DICOM (Digital Communication in Medicine) definiert die Datenstruktur (wie ist ein Bild aufgebaut) als auch die Anwendung von Transferprotokollen. Datenmaterial, welches am Gerät akquiriert wurde, liegt im DICOM-Format vor, und kann so, bei einem vorhanden Netzwerk auf einen anderen Rechner übertragen werden. 2.2 Arbeitsrechner/SPM-Server Alle Arbeiten an den Experimentdaten sollen an einem dafür eingerichteten Arbeitsrechner (spmknp.uni-muenster.de) durchgeführt werden. Hierfür ist es notwendig, sich an diesem Server einzuloggen. Dies kann in der Regel von jedem Arbeitsplatzrechner (Windows), welcher dafür eingerichtet ist, über ein entsprechendes Startscript (und Cygwin) per XDMCP-Protokoll erfolgen. Seite 12/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig11: Einloggfenster auf dem Arbeitsrechner Benutzername und Passwort sind zu erfragen. Aus verschiedenen Gründen wurde als Betriebssystem Linux (Fedora Core) gewählt. Da die grafische Oberfläche sehr der Oberfläche von Windows ähnelt, ist das Arbeiten sehr intuitiv. Trotzdem soll kurz auf einige wichtige Anwendungen, vor allem der Umgang per Befehlszeile, eingegangen werden. 2.2.1 Öffnen des Terminals Das Terminal (die Konsole) ist das wichtigste Werkzeug unter Linux. Das Öffnen/Starten kann über zwei Wege erfolgen: Seite 13/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig12: Offen eines Terminals Entweder über den Button „Terminal“ auf der Oberfläche des Desktops oder über die rechte Maustaste --> Konsole 2.2.2 Das Terminal Das Terminal entspricht etwa dem, was die Kommandozeile in Windows ist. Fig13: Terminal [jbauer@spmknp ...] bedeutet, das der Benutzer jbauer auf dem Rechner spmknp.unimuenster eingeloggt ist und alle Aktionen mit den Benutzerrechten von jbauer durchgeführt werden. Seite 14/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Einige wichtige Befehle: su Switch User, ohne weitere Argumente erfolgt ein Userwechsel zu root su -matlab Switch User nach matlab. Der matlab-User hat kein Passwort ls Zeigt den Inhalt des Verzeichnisses cd .. wechselt ein Verzeichnis höher cd /xyz/abc wechselt in das Verzeichnis xyz/abc/ mc startet den MidnightCommander Fig14: MidnightCommander Der MidnightCommander ist ein komfortabler Dateimanager für Linux, ähnlich wie NortonCommander oder WindowsCommander für Windows. 2.2.3 Verzeichnisstruktur Jeder registriert User hat ein Homeverzeichnis, zu finden unter /home/[username], in dem er alle Schreib- und Leserechte hat. In diesem Verzeichnis können eigenen Daten etc. abgelegt und verwaltet werden. Kein anderer User (außer root) hat hier Schreib- bzw. Leserechte. Seite 15/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig15:Homeverzeichnis Das Datenverzeichnis, in dem alle Datenanalysen durchgeführt werden, befindet sich direkt unter /data. Hierfür sollte für jede Studie ein eigenes Verzeichnis angelegt werden wie z.B. /data/Trauer oder /data/WCST. Die kann mit dem MidnightCommander mit der Funktionstaste „F7“ im Verzeichnis /data erfolgen. Fig16: Datenverzeichnis 2.2.4 Datenverzeichnis als Netzlaufwerk einbinden Idealerweise sollten sich alles Daten, die mit dem SPM-Server bearbeitet und erstellt wurden im Verzeichnis /data befinden. Um wichtige Ergebnisse oder Dateien auf die eigene Festplatte kopieren zu können (Sicherung der eigenen Ergebnisse, weiter Verarbeitungsschritte, etc) ist dieses Verzeichnis über SAMBA freigegeben und kann über das Netzwerk erreicht werden. Hierzu mit der rechten Maustaste auf die Netzwerkumgebung klicken --> Netzlaufwerk verbinden... -->Laufwerksbuchstabe wählen --> Ordner: \\spmknp.uni-muenster.de\Daten Benutzername entspricht der Kennung auf dem Server, Passwort, wenn nicht geändert, kann erfragt werden. Nun erscheint das Verzeichnis /data auf dem Arbeitsplatzrechner als Laufwerk. Seite 16/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 2.3 Image-Server Um eine dauerhafte Zwischenspeicherung bei vollem Zugriff zu gewährleisten, werden sie Bilddaten auf einem Image-Server gelagert. Dieser Rechner, welcher von der IZKFForschungsgruppe und der Forschungsgruppe Kognitive Neuropsychiatrie (KNP) gemeinsam betrieben, verwaltet und gewartet wird, hat ausschließlich die Aufgabe, Bilddaten zu empfangen, zu speichern und bei Bedarf zu verschicken. Um eine intuitive Bedienung zu gewährleisten, kann der Zugriff über ein webinterface erfolgen. Hierzu kann ein herkömmlicher Browser verwendet werden. Adresse: Spm.uni-muenster.de Benutzername und Passwort sind zu erfragen. Fig17: Image-Server, webinterface Durch klicken auf die PatientID kann der Proband geöffnet werden und die einzelnen Serien werde sichtbar. Fig18: ImageServer, Serienansicht Mit der Kenntnis der Sequenzen und der Anzahl der akquirierten Bilder, welche Seite 17/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten gemessen wurden, können die Serien interpretiert werden: Series Number 101: Survey/MST Series Number 201: 3DT1, hochauflösende anatomische Sequenz Series Number 301: T1Wref, kontrastreiche IR Sequenz Series Number 401: Ganzkopf-EPI-Sequenz mit 43 Schichten Series Number 501: funktionelle EPI-Sequenz Über den Button „send“ können die Bilder versendet werden (s.u.) 2.4 Versenden der Bilddaten Wie oben erwähnt, können die Bilddaten vom Image-Server in der Serienansicht versendet werden. Hierzu den Button „send“ klicken und den entsprechenden DICOMKnoten auswählen. Im Falle des Arbeitsrechners „SPMKNP“ auswählen. Fig19: Daten versenden Dass der Arbeitsrechner die Daten empfangen kann und in das richtige Verzeichnis schreibt, muss zuvor eine Verzeichnis erstellt worden sein und der Befehl „rcv“ in diesem Verzeichnis ausgeführt werden. Hierzu die Konsole/Terminal öffen (s.o.) --> Midnight Commander öffnen „mc“ --> in das Studienverzeichnis wechseln (z.B. Trauer)--> ein Verzeichnis für die Art der Daten eingeben „F7“ (DICOM) --> hier ein Patientenverzeichnis erstellen „F7“ (z.B. trau20) --> in diesem Verzeichnis ein Unterverzeichis für die Serie erstellen (z.B. epi) --> in dieses Verzeichnis wechseln (hier /data/Trauer/trau20/epi) --> MidnightCommander beenden „F10“ --> rcv eingeben. Seite 18/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Jetzt kann der Versendeprozess auf dem Imageserver gestartet werden. In der Konsole/Terminal sieht man den Transfer. Fig20: Versenden / Empfangen Der Empfangsprozess (rcv) muss nach vollständigem Empfang mit „STRG+C“ beendet werden. Auf diese Weise können nun für jeden Probanden die entsprechenden Serien gespeichert werden. 2.5 Datenkonvertierung Wie bereits erwähnt, liegen die Bilddaten im DICOM-Format vor. Für die Datenanalyse wird jedoch das Bildformat ANALYZE verwendet. Konvertierungsmöglichkeiten bietet das Programm MRIcro als auch eine Toolbox in SPM. Die bevorzugt Methode ist ist die Konvertierung mit SPM. Im den folgenden Abschnitten wird näher darauf eingegangen. Zu beachten ist, dass bei der Konvertierung alle Informationen, die im DICOM-Header enthalten sind, verloren gehen (Pat.Name, Serie, TR, Schichtanzahl etc.). D.h. Zuordnung der Daten zu einem Patienten oder einer Serie sind nun ausschließlich über die eingerichtete Verzeichnisstruktur (s.o.) möglich. Siehe 3.4 Seite 19/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3. SPM 3.1 Grundlegendes Statitical Parametric Mapping (SPM) ist eine frei verfügbare, kostenfrei Software, um funktionelle Datensätze statistisch zu analysieren. Sie wird bereitgestellt und entwickelt vom Wellcome Department of Imaging Neuroscience in London. Viele Informationen, Verweise, Zusätze und die Software selbst können über deren Homepage (http://www.fil.ion.ucl.ac.uk/spm/) bezogen werden. Das Programm benötigt MATLAB und wird üblicherweise per Befehlszeile gestartet. Auf dem Arbeitsrechner ist jedoch bereits ein Startscript implementiert und SPM kann über eine Desktop-Icon gestartet werden. Vorhandene Versionen sind SPM95, SPM99, SPM2 und SPM5, wobei auf dem Arbeitsrechner SPM2 und SPM5 installiert sind. Fig21: SPM-Versionen Da der Arbeitsrechner eine 64bit-Architektur aufweist, ist es aus Kompatibilitätsgründen trotzdem sinnvoll, eine 32bit-Version bereit zu halten. Dies stellt der Button „SPM2 Matlab 6.5“ dar. Alle nachfolgenden Erläuterungen beziehen sich auf SPM2, Matlab 7. Dies ist die zur Zeit (2006) gängige SPM-Version. 3.2 Aufbau der Software Die Software gliedert sich hinsichtlich ihrem graphischen Aufbau in vier grundlegende Teile: dem preprocessing Fig22: Vorverarbeitung-Tools in SPM Seite 20/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten dem Statistik-Tool Fig23: Statistik-Tool in SPM dem Ergebnisteil Fig24: Ergebnisteil in SPM und einem Teil, in dem man viele nützliche Werkzeuge zur Datenkontrolle, -verarbeitung und Visualisierung findet. Fig25: Erweiterung-Tool in SPM Im Folgenden soll auf die Funktionen der einzelnen Teile grundlegend eingegangen werden. Jede Funktion im Detail zu erläutern, würde den Rahmen dieser „Einführung“ sprengen. Ist die Konvertierung bereits erfolgt, ist es sinnvoll, die Daten in dieser vorgegebenen Reihenfolge zu bearbeiten. 3.3 Bevor man loslegt SPM speichert alle Verarbeitungsschritte, außer einigen Ausnahmen im sog. WorkingDirectory ab. Standardmäßig ist dieses Verzeichnis als /data definiert. Für jede Studie bzw. jeden Probanden sollen aber die Daten in das dafür vorgesehenen Verzeichnis geschrieben werden. Deshalb ist es wichtig, bevor man beginnt, das Arbeitsverzeichnis zu ändern. Seite 21/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Dies kann mit der Funktion „CD“ unter „Utils“ erfolgen: Fig26: Arbeitsverzeichnis wechseln Man kann nun in das entsprechende Verzeichnis navigieren und dieses als „working directory“ markieren. Fig27: Arbeitsverzeichnis definieren Eine Kontrolle, ob das Arbeitsverzeichnis korrekt ist, kann mit der Funktion „PWD“ (present working directory) erfolgen. Seite 22/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3.4 Datenkonvertierung mit SPM Zuerst muss eine Verzeichnisstruktur der Studien/Patienten/Daten erstellt werden. Hierzu im Studienverzeichnis eine Verzeichnis für die Art der Daten anlegen (z.B. ANALYZE) mit mc --> in diesem Verzeichnis ein Patienten/Probandenverzeichnis anlegen --> hier Verzeichnisse für die Serien anlegen. Fig28: Verzeichnisstruktur der Patienten/Probandendaten Nun in SPM in das Verzeichnis wechseln, in welches geschrieben werden soll („CD“). Über „Toolboxes“ --> „DICOM“ die DICOM-Daten auswählen und „DONE“ klicken. Im Fenster darunter erscheint eine Balken, wie weit der Prozess ist. Die Dauer, welche für einen Konvertierungsschritt benötigt wird, richtet sich nach dem Datenvolumen (Anzahl der Bilder, Größe/Matrix der Bilder). SPM erkannt anhand der Informationen im DICOM-Header eine Ordnung der axialen Schichtbilder nach der Hierarchie Volumen --> Zeitpunkt selbstständig. z.B. Trauerstudie: 120 Akquisitionen á 25 Schichten, TR=3s 3000 axiale Schichtbilder nach der Konvertierung sollten 120 Volumendatensätze mit jeweils einer Header-Datei (*.hdr) und einer Image-Datei (*.img) vorliegen. SPM konvertiert jeden Datensatz anhand dieser Informationen. Auch andere Schichtorientierungen (sagital, coronar) werden zu Volumendatensätzen konvertiert. So müssen die Datensätze der hochauflösenden anatomischen Sequenz 3DT1TFEhr_md nachträglich in axiale Schnitte rekonstruiert werden. Die konvertierten Bilddateien *.hdr und *.img werden in das Arbeitsverzeichnis (pwd) geschrieben und mit dem Index s versehen s*.img Seite 23/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten s*.hdr 3.5 SPM Vorverarbeitung Die Vorverarbeitung der funktionellen Datensätze dient im wesentlichen dazu, die Daten auf die statistische Analyse vorzubereiten. 3.5.1 Bewegungskorrektur Bewegung des Patienten/Probanden während der Untersuchung führen zu Bewegungsartefakten und können Aktivierung vortäuschen. Aus diesem Grund ist es unerlässlich, die Kopfbewegungen aus der Zeitserie zu entfernen. Üblicherweise wird eine wird das Gehirn an der AC-PC-Ebene ausgerichtet, eine Referenzlage definiert und alle weiteren Aufnahmen auf diese Lage projiziert. Dies geschieht durch die Beschreibung der Translations- und Rotationsparameter, um welche die Aufnahme verschoben bzw. gedreht ist (Rigid body transformation) . Fig29: Bewegungskorrektur, Translation und Rotation Zusätzlich zur Grafik gibt SPM die Bewegungsparameter in einer Textdatei aus, welche sich im Verzeichnis der bewegungskorrigierten Daten befindet. Zeigt sich eine starke Bewegung in den Daten, muss dieser Datensatz mit Vorsicht bis hin zum Ausschluss aus Seite 24/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten der Studie behandelt werden. Gleiches gilt, wenn die Bewegung stark mit dem Paradigma korreliert. Als Test können die Bewegungsdaten als zusätzlicher Regressor in die statistische Analyse einfließen. Eindrucksvoll zeigt ein Poster auf dem HBM2004 vorgetäuschte Amygdalaaktivierung durch paradigmakorrelierte Bewegung des Probanden („Emotion or head motion“). Wie bereits erwähnt, ändert sich durch Bewegung die Verteilung der magn. Flussdichte im Gehirn, welches das suzeptibilitätsinduzierte Signalverhalten beeinflusst. Seit der Version SPM2 wird durch die Funktion „Unwarp“ versucht, die Feldverteilung über die Zeitreihe zu homogenisieren. Dies geschieht über die Erstellung sog. FieldMaps, da die erforderlichen Phasenkarten nicht zur Verfügung stehen. (http://www.fil.ion.ucl.ac.uk/spm/toolbox/unwarp/) --> Realign & Unwarp --> Num subjects: Anzahl der Probanden/Patienten angeben, die bewegungskorrigiert werden sollen --> Num sessions, subj1: wie viele funktionelle Serien sind für subj1 vorhanden? z.B. Studie WCST 2 (ABCD und WCST) --> Images, subj1, sess1: im richtigen Verzeichnis die Bilddaten auswählen, die bearbeitet werden sollen, „DONE“ klicken --> ... je nach weiter verfahren Anzahl angegebener subj und sessions Balken erscheint --> Warten Bewegungskorrigierte Daten werden neu ins gleiche Verzeichnis geschrieben und mit dem Index r für Realign bzw Index u für Realign&Unwarp versehen us*.hdr us*.img inkl. Eines Mean-Bildes mean*.img, mean*.hdr Zudem wird noch eine rp*.txt erstellt, in der sich die Bewegungsparameter (x, y, z, pitch, roll, yaw) als Zahlenwerte befinden. 3.5.2 Coregistrierung Die Coregistrierung dient dazu, verschiedene Serien von einem Kopf aufeinander abzubilden. Dies ist z.B. nützlich um die Ergebnisse der statistischen Analyse eines Probanden auf seinem anatomischen Datensatz abzubilden. Hierzu müssen beide Serien coregistriert werden. Diese Funktion beschreibt die Translation und Rotation zweier Seite 25/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Datensätze gegeneinander. 3.5.3 Slice timing Die Funktion Slice Timing Correction dient dazu, Unterschiede in den Aquisitionszeiten zu korrigieren. Dies ist sinnvoll, bei einer sog. „interleaved“ scan order. 3.5.4 Normalize Für Gruppenstudien ist es unerlässlich, ein einheitliches Koordinatensystem zu verwenden. Um gleichartige Aktivierungen über eine Population zu mitteln, muss die individuelle Gehirnanatomie in einen standardisierten Raum transformiert werden. Hier würde sich ein bereits etablierter anatomischer Raum wie das TalairachKoordinatensystem anbieten. Dies beruht jedoch auf nur einem individuellem Gehirn (m, 60J). Besser ist die Transformation in den sog. MNI-Space (Montreal Neurological Institute), basierend auf einer Mittlung mehrerer Probanden. Dieser Weg ist in SPM standardisiert. In Einzelfällen kann es sinnvoll sein, sich einen eigenen anatomischen Raum (z.B. aus der Mittlung der eigenen Probandenpopulation) zu definieren. Hierbei ist jedoch darauf zu achten, dass Koordinatenangaben für anatomische Regionen nicht mehr gültig sind. Die Normalisierungsprozedur besteht aus einem linearen (globale Anpassung der Position und Größe) und einem nichtlineare Teil (lokale Anpassung, Deformierung einzelner Strukturen, Scherung, Skalierung). Für Studien, deren funktionelle Serien nicht das gesamte Gehirn abdecken, ist die Normalisierung genauer, die linearen und nichtlinearen Parameter aus einem gesonderten Datensatz, welcher das komplette Gehirn umfasst, berechnen zu lassen. Hierzu wurde eine einzelner Datensatz akquiriert (epi43). Sollte dies nicht der Fall sein, kann auch das mean-Image (aus der Realign-Prozedur) verwendet werden. (http://www.fil.ion.ucl.ac.uk/spm/doc/biblio/Keyword/NORMALISATIO N.html) --> Normalize --> Which normalised option? --> Determine Parameters & Write --> Template Image EPI auswählen (zu finden /spm/spm2/templates) dies ist das MNI-template unter --> Source image, subj 1 ins Verzeichnis gehen, in dem sich das GanzkopfEPI / meanEPI befindet und auswählen --> Images to write, subj 1 Funktionelle Serie auswählen --> Source image, subj 2 wenn eine zweite funktionelle Serie normalisiert werden soll, wie oben weitemachen, ansonsten „DONE“ klicken Seite 26/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Normalisierte Daten erhalten den Index w wus*.img wus*.hrd . 3.5.5 Smooth Glätten der Datensätze bewirkt eine Verbesserung des SNR und unterdückt Pixelfehler, die eine Aktivierung vortäuschen können. Zudem ist das Glätten der Daten Voraussetzung für die „Random Field Theory“ (s.u.) Geglättet wird mit einem Gaußfilter mit einer üblichen Halbwertsbreite, die der 2-3fachen Voxelgröße entspricht. Üblicherweise entspricht die Voxelgröße nach dem Normalisieren 2mm isotrop, d.h. ein normalisierter Datensatz sollte mit etwa 6mm FWHM (x, y, z) geglättet werden. Im Falle eines nicht normalisierten Datensatzes muss entsprechend die Voxelgröße bekannt sein. Zu beachten ist, dass die Glättung Toppeaks unterdrückt, aber auch das BOLD-Signal in die Breite zieht. Der Wahl der Halbwertsbreite kommt also besondere Bedeutung zu. www.fil.ion.ucl.ac.uk/spm/doc/books/hbf2/pdfs/Ch14.pdf http://www.mrc-cbu.cam.ac.uk/Imaging/Common/randomfields.shtml Worsley KJ, Marret S, Neelin P, Evans AC (1996) Searching scale space for activation in PET images. Human Brain Mapping 4:74-90 --> smooth --> smoothing {FWHM in mm} wenn isotrop, reicht eine Zahl, andernfalls x, y und z angeben --> select scans Daten auswählen --> „DONE“ Geglättet Daten werden mit dem Index s versehen swus*.img swus*.hdr Im Datenverzeichnis befinden sich nun also Dateien für jeden Vorverarbeitungsschritt. Nach dem Realign&Unwarp, Normalize, Smooth hat sich das Datenvolumen vervierfacht. Seite 27/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3.6 SPM Statistik, Fixed Effekt, First Level Die SPM Statistik ist eine sehr umfangreiche Sammlung von Modellen für die Untersuchung funktioneller Datensätze (fMRI, PET). Alle Möglichkeiten im Detail zu erläutern, würde den Rahmen dieser Anleitung sprengen. Es soll aber auf einige wichtige Punkte eingegangen werden, um eine „First Level“-Analyse durchführen zu können. Grundsätzlich unterscheidet man bei der Untersuchung der Daten einer Gruppe zwei Analysen: Die First-Level-Analyse oder Fixed Effect Analyse Hierbei wird der differenzielle Haupteffekt eines Probanden bestimmt, z.B. Bedingung A gegen Bedingung B Die Second-Level-Analyse oder Random Effect Analyse Hier sind Gruppenunterschiede möglich als auch Korrelationsanlysen, Regressionsanalysen, ANOVA, etc. Auch die Berechnung mit externen Variablen ist möglich. Benötigt werden hierfür aber die Berechnungen aus der First-Level-Analyse. Grundsätzlich wird erst ein Design für die Untersuchung erstellt. Hier wird der zeitliche Ablauf der Messung sowie das Untersuchungsparadigma definiert (TR, wie viele Bedingungen, Onsets der Bedingungen, Filter, etc.). Hiernach werden dem Design die entsprechenden Daten zugeordnet --> FMRI --> specify design or data --> Design Jetzt wird eine Datei im present working directory (pwd) erstellt (SPM.mat). Hierein werden alle Informationen geschrieben. spm_fMRI_design: Basic parameters... --> Interscan interval {secs} --> TR=? Meist 3 Sekunden --> scans per session e.g. Volumen pro Session 64 64 64 --> Anzahl der Wie viele Volumen wurden pro Session akquiriert? z.B. Trauer 120, GesichterStudie 160, Eichstudie 240, WCST ist individuell (je nach Tempo des Probanden) Wenn mehrere scans pro Sitzung akquiriert wurden (GesichterStudie) ist einzugeben: 160 160 Seite 28/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten --> specify design in scans oder sec Relevant, ob die Onsets als Zeitangabe (sec) oder als scans angegeben werden sollen. Fig28: Basisfunktionen in SPM Hier werden Basisfunktionen vorgeschlagen, mit der die BOLD-Antwort gemodelt werden soll. Eine geeignet Funktion ist die einfache hrf. model interactions (Volterra) --> no Relevant, wenn Interaktionen zwischen mehreren Session zu erwarten sind. K.J. Friston. Volterra kernels and connectivity. In R.S.J. Frackowiak, K.J. Friston, C. Frith, R. Dolan, K.J. Friston, C.J. Price, S. Zeki, J. Ashburner, and W.D. Penny, editors, Human Brain Function. Academic Press, 2nd edition, 2003 A. Mechelli, C.J. Price, and K.J. Friston. Non Linear Coupling Between Evoked rCBF and BOLD Signals: A Simulation Study of Hemodynamic Responses. NeuroImage, 14(4):862-872, 2001 K.J. Friston, A. Mechelli, R. Turner, and C.J. Price. Nonlinear responses in fMRI: The Balloon model, Volterra kernels and other hemodynamics. NeuroImage, 12:466-477, 2000 number of conditions/trials --> Wie viele Bedingungen sollen untersucht werden bzw. in wie viele unterschiedliche Seite 29/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Bedingungen soll die Zeitreihe aufgeteilt werden? Z.B. bei der Gesichterstudie sind es 5 Bedingungen (noface, angry, happy, neutral, fearful). name for condition/trial 1 ? --> noface Wie soll die erste Bedingung heißen? Freie Auswahl ... vector of onsets – noface: Wie viele scans waren vom Anfang bis zum ersten scan dieser Bedingung? Wenn diese Bedingung wiederholt wurde oder mehrfach auftritt: Wie viele scans waren vom Anfang bis zum Anfang der Wiederholung dieser Bedingung? Usw. Für die Studien WCST, eichstudie gibt hier die Logdatei Aufschluss. Wenn zuvor gewählt wurde „specify design in sec“ alles in Sekunden angeben. duration[s] (events = 0) --> Wie lange dauert die Bedingung (in scans oder sec)? Für event-related fMRI (WCST, eichstudie) 0 eingeben. parametric modulation --> none Hier können die verschiedenen events gewichtet werden, z.B. eine Präsentation mit unterschiedlichen Intensitäten. Im Regelfall --> none Nun werden die Eingaben für jede Bedingung wiederholt. Nach der Definition aller Bedingungen: User specified [regressors] Hier kann ein weiterer Regressor (z.B. die Bewegungsdaten, s.o.) eingegeben werden. Über „Explore fMRi design“ können die einzelnen Bedingung noch einmal überprüft werden. Im pwd befindet sich nun eine Datei namens SPM.mat. In dieser Datei ist das Design gespeichert. Wenn viele Probanden mit dem identischen Design bearbeitet werden sollen, kann jetzt diese einmal erstellte SPM.mat in die weiteren pwd´s der entsprechenden Probanden kopiert werden. Somit muss Seite 30/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten das Design nicht mehrfach erstellt werden. Dies ist natürlich bei event-related Design´s WCST etc. nur bedingt möglich. wie Ist das Design in Ordnung, können nun im zweiten Schritt die Daten zugeordnet werden. --> FMRI --> specify design or data --> data --> Select auswählen SPM.mat --> die --> select scans for session Verzeichnis die scans auswählen zuvor erstellte 1 im --> SPM.mat entsprechenden --> remove Global effects --> none --> spm_fmri_spm_ui: Temporal autocorrelation options --> High-pass filter? --> Der Hochpassfilter bewirkt eine Unterdrückung von langsamen Effekten, wie z.B. einem Scannerdrift, oder langsamen bewegungsinduzierten Signaländerungen cutoff period (secs) --> 2,5* max SOA, bei 160 scan z.B. 128 --> Correct for serial correlations? AR(1) versucht die Autokorrelation („Whitening“ of the time course) in den Daten zu schätzen und diese zu beheben. Diese Funktion stellt einen Ersatz für den Tiefpassfilter da. Diese Funktion muss nur angewendet werden, wenn die Daten aus der First-LevelAnalyse direkt interpretiert werden sollen. Folgt nach der First-Level-Analyse die SecondLevel-Analyse, kann dieser Schritt übersprungen werden. Über die Funktion --> Review Design kann das nun definierte Modell überprüft und eingesehen werden. Im pwd Dieser worden. weitere befindet sich immer noch die Datei SPM.mat. sind aber nun explizit Daten zugeordnet Sie kann also in dieser Form nicht mehr für Probanden (s.o.) verwendet werden. Nun ist das Design spezifiziert und die Daten können über Seite 31/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten --> ESTIMATE berechnet werden. Nachdem der Schritt ESTIMATE beendet ist, befinden sich weiter Dateien im pwd: RPV.img; RPV.hdr:image of estimated resels per voxel ResMS.img; ResMS.hdr:image of estimated residual variance beta:xxxx.img /.hdr: images containing parameter estimates for each column in the design matrix 3.7 SPM Kontraste eingeben und Ergebnisse ansehen Wenn das Modell geschätzt und berechnet wurde, können Kontraste gesetzt werden, d.h. verschiedene Bedingungen miteinander verglichen werden. --> Results Achtung: pwd muss wieder das Verzeichnis mit den entsprechenden Probandendaten sein. Also dort, wo sich die SPM.mat befindet. --> Select SPM.mat Ein neues Fenster erscheint mit dem Kontrastmanager: Seite 32/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig30: SPM Kontrast Manager Hier sind schon einige F-Kontraste vordefiniert. Auf der rechten Seite sieht man das Design als zeitliche Abfolge. In diesem Beispiel entsprechen die Balken von links nach rechts: noface, Baby, Neutral, Happy. Also ein Blockdesign mit 4 Bedingungen. Die Grauwertschwankungen entsprechen der hrf als definierte Basisfunktion (s.o.). Nun können F-Kontraste für ungerichtete Hypothesen verwendet werden, besser ist aber die Definition von t-Kontrasten. --> Define new contrast... Es soll als Beispiel die Bedingung Baby gegen noface (Baby vs. noface oder Baby>noface) verglichen werden. Also Bedingung 2 gegen Bedingungen 1. Hier ist zu beachten, dass es sich um einen einseitigen t-Test handelt. Es wird also nur eine Seite der Verteilung angezeigt. Um negative t-Werte zu erhalten, muss man einen neuen Kontrast definieren: noface vs. Baby oder noface>Baby bzw. Baby<noface --> define contrast... --> name freie Textwahl, sollte aber eindeutig sein --> type --> t-contrast --> contrast weight vector --> -1 für noface, 1 für Baby, 0 für Neutral, 0 für Happy also -1 1 0 0 noface vs. Baby wäre 1 -1 0 0 wenn nach der letzten Wichtung (1 oder -1) ausschließlich 0 folgt, können diese auch weg Seite 33/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten gelassen werden. Über --> submit kann der Kontrast überprüft und gegebenenfalls neu eingegeben werden. Sobald jedoch mit OK bestätigt wurde ist dieser Kontrast geschrieben und nicht mehr manipulierbar. Jeder Kontrast nummeriert. Anhand dieser Nummer erkannt man die entsprechenden TKarten und sonstige Dateien im pwd. Um den Kontrast zu berechnen: --> DONE --> mask with other contrast(s) --> no Hier kann die Berechnung durch eine Maskierung erfolgen, also nur das berechnet werden, was im anderen Kontrast signifikat ist. --> title for comparison --> freie Textwahl --> p value adjustment to control Falsch-Positiv-Korrektur FWE: random field theory, weniger konservativ als Bonferoni T.E. Nichols and S. Hayasaka. Controlling the Familywise Error Rate in Functional Neuroimaging: A Comparative Review. Statistical Methods in Medical Research, 12:419-446, 2003 M. Brett, W.D. Penny, and S.J. Kiebel. Introduction to Random field theory. In R.S.J. Frackowiak, K.J. Friston, C. Frith, R. Dolan, K.J. Friston, C.J. Price, S. Zeki, J. Ashburner, and W.D. Penny, editors, Human Brain Function. Academic Press, 2nd edition, 2003 FDR: C.R. Genovese, N. Lazar, and T.E. Nichols. Thresholding of Statistical Maps in Functional Neuroimaging Using the False Discovery Rate. NeuroImage, pp 870-878, 2002. Es empfiehlt sich, zuerst eine sehr liberale Korrektur oder gar kein zu wählen und die Ergebnisse erst zu begutachten. Diese Wahl beeinflusst die T-Karte und weitere Ergebnissdateien nicht. In einem zweiten Schritt kann dann die Prozedur mit optimierter Korrektur wiederholt werden. --> p value (family-wise error) --> 0,05 Vorgeschlagenen Wert annehmen, (keine Korrektur 0,001). Es können auch T-Werte bzw. Z-Werte eingegeben werden. Seite 34/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten --> & extent threshold {voxels} Wie viele zusammenhängende Voxel müssen (nach zuvor definiertem Schwellwert und Korrektur) signifikant sein, um dargestellt zu werden? Dies hängt von der erwarteten Aktivierung und der Ortsauflösung des Gehirnvolumen (Standard 2x2x2mm) ab: z.B. Amygdala wenige Voxel, frontale Areale größer Nun erscheint das Glassbrain. Fig31: Glassbrain Ist mindestend ein Kontrast eingegeben und berechnet worden, sind weitere Dateien im pwd zu finden: spmT_xxxx.img /.hdr: T-Karte des Kontrastes xxxx (Numerierung wie im Kontrastmanager), d.h. räumliche Verteilung der Signifikanzen ohne Schwelle. con_xxxx.img /.hdr: Räumliche Verteilung der Kontrastwerte zum entsprechenden Kontrast. Wichtig für die SecondLevel-Analyse. 3.8 SPM Ergebnisse bearbeiten Nachdem ein Kontrast berechnet und die Signifikanzschwellen definiert wurden, erscheint neben dem Glassbrain ein Bearbeitungsfenster. Einige wichtige Funktionen sollen erläutert werden. Seite 35/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig32: Ergebnisbearbeitung Hier können die Ergebnisse dargestellt und weiterverarbeitet werden. --> P-values --> volume Gibt eine Tabelle mit Koordinaten der statistisch signifikanten Voxel (korrigiert und unkorrigiert, p und t) aus. --> P-values --> cluster Gibt die obige Tabelle mit dem Cluster aus, auf dem der Curser steht (Falsch-PositivKorrektur wird an die Anzahl der Vergleich angepasst) --> P-values --> S.V.C. Small Volume Correction. Hiermit lässt sich eine search region (box, sphere, oder über ein Image) definieren und die signifikanten Voxel ausgeben (Falsch-Positiv-Korrektur wird an die Anzahl der Vergleich angepasst). Über --> co-ordinates x= ..., y= ..., z= ... kann die Lage des Cursers verändert werden. Befindet sich dort ein signifikantes Voxel, wird unter --> statistic value der t-Wert angezeigt. Koordinatenangaben sind im MNI-Raum zu interpretieren, d.h. es gelten nicht die Koordinaten der Talairach-Kartographie. Sollen also Aktivierungen einer Hirnregion zugeordnet werden, muss das entsprechende Koordinatensystem angewendet werden (z.B. Talairach Daemon: http://ric.uthscsa.edu/projects/talairachdaemon.html). Es besteht jedoch ein Zusammenhang zwischen beiden Systemen, wenn auch nichtlinearer Natur. Verschiedene MatlabScripte ermöglichen eine Konvertierung der Daten (MSU - MNI Space Utility, mnt2tal). Seite 36/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Zur Visualisierung der „Bunten Bilder“ eignet sich die Funktion --> overlays... Hier kann die Aktivierungskarte auf eine anatomisches oder ein gute EPI-Bild überlagert werden. --> slices überlagert die Aktivierungskarte auf transversale Schichten. Diese müssen sich jedoch im gleiche Raum befinden (coregister bzw. normalize) --> sections ermöglicht eine Darstellung in drei Schichtorientierungen --> render ermöglicht eine Darstellung auf einem 3D-Rendering-Brain. Geeignet für großflächige Aktivierungen auf dem Kortex. Achtung!! Zwischen den Darstellungsmöglichkeiten „Slices“ und „Sections“ sind die Seiten RechtsLinks vertauscht. 3.9 SPM Statistik, Random Effekt, Second Level -W.D. Penny, A.P. Holmes, and K.J. Friston. Hierarchical Models. In R.S.J. Frackowiak, K.J. Friston, C. Frith, R. Dolan, K.J. Friston, C.J. Price, S. Zeki, J. Ashburner, and W.D. Penny, editors, Human Brain Function. Academic Press, 2nd edition, 2003 W.D. Penny, A.P. Holmes, and K.J. Friston. Random effects analysis. In R.S.J. Frackowiak, K.J. Friston, C. Frith, R. Dolan, K.J. Friston, C.J. Price, S. Zeki, J. Ashburner, and W.D. Penny, editors, Human Brain Function. Academic Press, 2nd edition, 2003 McGonigle, A. Howseman, B.S. Athwal andK.J. Friston, R.S.J. Frackowiak, and A.P. Holmes. Variability in fMRI: an examination of intersession differences. NeuroImage, 11(6):708-734, 2000 B. A. Strange, C.M. Portas, R. Dolan, A.P. Holmes, and K.J. Friston. Random effects analyses for event-related fMRI. NeuroImage, 9:36, 1999 Seite 37/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Meist sind fMRI-Studien so geplant, Unterschiede in der Hirnaktivierung verschiedener Probandengruppen auf zu zeigen (z.B. Gesunde vs. Patienten). Mit der First-LevelAnalyse (Fixed-Effect) wurden bisher nur der Aktivierungszustand bei verschiedenen Bedingungen (Aufgabe, visueller/auditorischer Stimulus etc.) untersucht. Um den sog. „between-group-effect“ darzustellen, wird die Second-Level-Analyse (Random-Effekt) verwendet. Bevor mit der Analyse begonnen wird, ist es sinnvoll, sich ein wohl überlegtes Dateisystem anzulegen. Will man Gruppenunterschiede untersuchen, vergleicht man Ergebnisse eines Kontrastes der First-Level-Analyse für die die verschiedenen Gruppen. Z.B. will man vergleichen, worin sich Gruppe A von Gruppe B hinsichtlich des Kontrastes x vs.y unterschiedet (z.B. Gesunde vs. Patienten für des Sehen von emotionalen Gesichtern gegen nicht-emotionale Gesichter). Wie bereits beschrieben, werden für jeden berechneten Kontrast eines jeden Probanden zwei Datensätze erzeugt (spmT_xxxx und con_xxxx). Die Nummerierung (xxxx) steht dabei für den im Kontrastmanager definierten Kontrast. Für die Second-Level-Analyse werden die con_xxxx Datensätze weiter verrechnet. Um einen besseren Überblick zu behalten, bietet es sich an, gleiche Kontraste der Probanden in ein Verzeichnis zu kopieren bzw. die Kontraste mit den Probandenkürzel zu versehen und in ein gesondertes Verzeichnis zu kopieren. Hier muss darauf geachtet werden, dass die Kontraste (sofern sie konstant für jeden Probanden in der gleichen Reihenfolge eingegeben wurden) identische Namen besitzen. Deshalb die con-files mit dem entsprechenden Probandenkürzel im Dateinamen versehen (Achtung: ein con-Datensatz besteht aus einer Header-Datei *.hdr und eine Bilddatei *.img, es müssen beide kopiert werden). Da jetzt eine neue Analyse beginnt und neue Berechnungen anstehen, sollte ein neues Verzeichnis erstellt werden (z.B. 2ndLevel), welches als neues pwd („present working directory“) dient und in welches alle Analysedaten geschrieben werden. Ist diese Vorbereitung erfolgt, kann der eigentliche Test über --> Basic Models ausgewählt werden. Hier stehen mehrere statistische Testverfahren zur Auswahl: Seite 38/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig031: Testverfahren für die SecondLevel-Analyse 3.9.1 One sample t-test Als erstes Beispiel soll ein „One sample t-test“ durchgeführt werden. Hierbei handelt es sich um einen t-Test gegen null. Dieses Verfahren eignet sich, um beispielsweise den Haupteffekt für einen Kontrast einer Probandenpopulation darzustellen. --> One sample t-test --> select images Hier müssen nun die Kontrastdateien, welche in der First-Level-Analyse erstellt wurden, ausgewählt werden. So werden alle con-Images eines Kontrastes der entsprechenden Probandengruppe markiert. Gmsca: grand mean scaling ... --> <no gran mean scaling> GMS (grand mean scaling) wird sinnvollerweise bei PET-Untersuchungen verwendet. Hier ist eine große Streubreite der Signale bedingt durch die Natur der radioaktiven Signale, Stoffwechselprozesse etc. vorhanden. Um die Analyse durch diese Signalschwankungen nicht zu beeinflussen, können die Datensätze mit dem Mittelwert aller Datensätze skaliert werden. explicitly mask images? Seite 39/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten --> no Global calculation --> omit Jetzt ist bereits das Model erstellt und kann über Estimate geschätzt werden. Wenn der „estimation“-Prozess erfolgt ist, kann über Results ein Kontrast eingegeben werden. Üblicherweise besteht dieser aus einer 1. Die Daten können über die übliche Weise betrachtet werden. 3.9.2 Two sample t-test Folgend soll als 2. Beispiel exemplarisch ein T-Test durch geführt werden. --> Two sample t-test --> select images Hier müssen alle Kontrastdateien, für die ein Gruppenunterschied untersucht werden soll, ausgewählt werden. Z.B. sollt für den Kontrast x vs. Y untersucht werden, ob es Unterschiede für die Gruppen A vs B gibt. D.h. als „images“ werden die con-Dateien, welche dem Kontrast x vs. Y entsprechend für die Probanden in der Reihenfolge I. der fortlaufenden Studienkürzel oder II. der Gruppeneinteilung ausgewählt. Zur einfacheren Identifikation der Dateien, kann der „Filter“ entsprechend genutzt werden. [n] group? (2) Hier muss die Gruppeneinteilung erfolgen. Wenn die con-Dateien nach der Sortiermethode I eingegeben wurden, muss die jetzt die Gruppenzugehörigkeit der eingegebenen con-Dateien über die Reihenfolge der Gruppenkürzel erfolgen. Z.B. Gruppe A und B: --> ABAABABBABBAA..... – erstes eingegebene con-Datei gehört zu Gruppe A – zweite eingegebene con-Datei gehört zu Gruppe B – dritte eingegebene con-Datei gehört zu Gruppe A Seite 40/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten – vierte eingegebene con-Datei gehört zu Gruppe A – usw. Wenn die con-Dateien bereits durch die Eingaben zu den Gruppen zu sortiert wurden (II), kann die Eingabe --> AAAAAAAAAAAABBBBBBBBB...... erfolgen. Gmsca: grand mean scaling ... --> <no gran mean scaling> Threshold masking? --> explicitly mask images? --> no Global calculation --> omit non-sphericity correction? --> 3.9.3 ANOVA R.N.A. Henson and W.D. Penny. ANOVAs and SPM. Technical report, Wellcome Department of Imaging Neuroscience, 2003 (http://www.fil.ion.ucl.ac.uk/~wpenny/publications/rik_anova.pdf) 3.10 SPM Statistik, ROI-Analyse Mit den bisher beschriebenen Analyseverfahren werden Signalunterschiede für jedes einzelne Voxel untersucht. Das Ergebnis liefert eine räumliche Verteilung von farblich codierten Signifikanzen pro Voxel. In einigen Fällen ist es sinnvoll, eine Aussage über die Aktivierung verschiedener Reize in einer Hirnregion machen zu können, bzw. Aktivierungen verschiedener Probanden/Patienten in einer Hirnregion. Hierzu eignet sich die ROI-Analyse. Drei Ansatzpunkte, welche eine mehr oder minder Modifizierung den schon bekannten Analyse erfordern, sollen hier vorgestellt werden. Seite 41/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3.10.1 Small Volume Correction, SVC Die Small Volume Correction in SPM beruht, wie die bisher dargestellten Analyseverfahren, auf einer whole-head-Analyse. D.h. alle Einzelvoxel werden einem statistischen Vergleich unterzogen und als t-Karte einem anatomischen Gehirn überlagert. Die Funktion SVC definiert eine interessierende Region (ROI) als geometrische Struktur (Würfel, Kugel) oder eine selbst erstellte ROI und korrigiert die Einzelwerte dieser ROI. Jedes signifikante Voxel wird als t-Wert und den entsprechenden Koordinaten geschrieben. Voraussetzung ist also ein fertig definiertes und berechnetes Design eines einzelne Probanden bzw. einer Probandengruppe. Nachdem der Kontrast berechnet wurde, threshold etc. definiert wurde und die Daten dargestellt sind, kann mit der SVC begonnen werden. Der Cursor sollte an die entsprechende Stelle bewegt werden. S.V.C. Search Volume... Hier wird entschieden, ob die ROI einem Würfel mit definierten Kantenlängen, einer Kugel mit bestimmtem Durchmesser, oder einer selbst definierten ROI (z.B. in Mricro) entsprechen soll. Entsprechende Wahl treffen und Radius/Kantenlänge wählen. Die Ergebnisse werden im Grafikfenster angezeigt. 3.10.2 MarsBaR Ein völlig anderes ROI-basiertes Analyseverfahren wird durch die SPM-toolbox MarsBaR realisiert. Im Gegensatz zur SVC werden hier Voxelwerte der Bilddatensätze (also rein physikalisch/physiologisch bedingte Signalwerte) einer ROI mathematisch zusammengefasst und über die Zeit statistisch miteinander verglichen. Eine Anleitung kann hier heruntergeladen werden: http://marsbar.sourceforge.net/marsbar_tutorial.pdf MarsBaR lässt sich über die Kommandozeile, welche mit SPM gestartet wird, öffnen Seite 42/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig33: MarsBaR ROI toolbox Die Aufteilung der MarBaR-toolbox Vorgehensweise der ROI-Analyse. orientiert sich im Wesentlichen nach der I. Definition einer ROI Unter --> ROI definition kann die ROI definiert werden. Hierbei sind verschiedene Möglichkeiten vorhanden. --> Get SPM cluster(s)... Die ROI kann über ein Cluster von signifikanten Voxeln einer Analyse definiert werden. Hierzu wird man aufgefordert, die entsprechende SPM.mat der Analyse aufzurufen um dann auf diesem Wege eine Region zu definieren. --> Build... Hier kann eine ROI selbst erstellt werden. Z.B. kann eine in Mricro „gemalte“ ROI importiert werden. Ebenso ist die Definition einer geometrischen Figur (sphere, box) möglich. --> Transform... erlaubt es, ROI´s zu einer ROI zu kombinieren und zu flippen Seite 43/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten II. Erstellen eines Designs --> Design... Hier kann eine neues Design wie in SPM erstellt und bearbeitet werden (siehe Punkt 3.6). Es kann aber auch mit --> Set design from file eine schon erstelltes Design (z.B. aus der SPM-Analyse) importiert werden. III. Daten zuordnen/bearbeiten Über die Auswahl --> Data können die Daten jetzt vorbereitet werden. Wichtigster Punkt ist hier --> Extract ROI data Im Unterschied zur zuvor beschriebenen SVC-Methode wird bei der Analyse mit MarsBaR ein Voxelwert aus allen sich in der ROI befindlichen Voxelwerte berechnet. Zudem werden alle Voxelwerte eines im Design definierten Trials zusammengefasst. Die Art, wie diese Werte zusammengefasst werden, kann über --> Options --> Edit Option --> Defaults area ... --> Statistics --> Data summary function... bestimmt werden. IV. Daten berechnen und Ergebnisse Wie in SPM müssen die Ergebnisse geschätzt werden. Dies geschieht über die Funktion --> Estimate Results Wenn bereits eine Analyse in SPM erfolgt ist, könne die dort definierten Kontrast in das Marsbar-Design importiert werden --> Import Kontrasts Seite 44/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Dann die entsprechende SPM.mat wählen und die Kontraste (mehrere mit STRG+Mouse) wählen und importieren. Eine Möglichkeit, Ergebnisse zu betrachten ist die Funktion -->statistic Table Hier werden die numerischen Daten der gewählten ROI´s und der gewählten Kontraste in Form einer Tabelle im Befehlsfenster dargestellt. 3.10.3 WFU Pickatlas Ein als toolbox in SPM implementierte, voxelbasierte ROI-Analyse bietet sich mit dem WFU Pickatlas. Diese Methode nutzt die schon erstellten Designs der Ganzkopfanalyse und kann ohne weitere Vorbereitungen angewendet werden. Prinzipiell funktioniert diese Analyse in der Weise, dass über die bekannte SPM-Analyse eine Maske mit „Aussparungen“ der ROI über die Analyse gelegt wird, die Falsch-Positiv-Korrektur angepasst wird und somit nur die Voxel innerhalb der ROI untersucht und dargestellt werden. Wie erwähnt ist der Pickatlas in SPM implementiert und lässt sich durch die Wahl ROIAnalyse aufrufen Fig.34: ROI-Analyse mit WFU Pickatlas --> Pickatlas GUI Hier bietet sich dem Nutzer eine Vielzahl von Möglichkeiten ROI´s zu definieren und zu bearbeiten Seite 45/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Fig035: WFU Pickatlas Auf der linken Seite unter „Human Atlas“ finden sich ROI-Atlanten (bei Verwendung solcher ROI´s immer die entsprechende Publikation nennen). Wenn die entsprechenden ROI´s gewählt wurden, kommt man über --> DONE in die gewohnte SPM-Umgebung zurück. Der WFU Pickatlas verleitet sehr leicht dazu, eine Maske der für das Paradigma entsprechenden Regionen zu definieren und abzubilden. Die hierbei entstehenden Grafiken passen 100%ig zur Theorie, da sich ausschließlich in diesen Regionen eine Aktivierung zeigt. Seite 46/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten In dieser Ansicht wird jedoch KEINE Aussage vermittelt (außer, wie gut die ROI passt oder nicht passt). 3.11 Weitere Visualisierungsmöglichkeiten 3.11.1. Display Über den Button Display können eine oder mehrere SPM-Karten einem anatomischen Template zur Visualisierung überlagert werden. Fig36: Display Nun wird zuerst nach einem anatomischen Bild gefragt. Diese hierzu auswählen. Das Bild wir interaktiv dargestellt. Über --> ADD BLOBS Fig37: Add blobs können bis zu 6 SPM-Karten überlagert werden. Die Menuführung erfolgt in bekannter „SPM-weise“ über den Kontrastmanager zur Auswahl der Kontraste. Jedem Kontrast kann in einer separaten Farbe dargestellt werden. Seite 47/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten Die Darstellung erfolgt in drei Schichtführungen (ax, sag, cor) innerhalb derer mit der Maus navigiert werden kann. Das für einen Ausdruck störende Fadenkreuz kann über --> Hide Crosshairs unsichtbar gemacht werden. 3.11.2 display_slices 3.11.3 Darstellung mit Mricro MRIcro eignet sich gut um eine oder mehrere statische Karten einem anatomischen Datensatz zu überlagern. Hierzu erst den anatomischen Datensatz mit File --> Open Analyze Format hdr+img öffnen (anatomischens Einzelbild im identischen Raum bzw. eigenes Template einer Gruppe). Dieser Datensatz kann entweder als Schichtbild einer Schnittorientierung (ax, sag, cor) oder als Projektion (drei Schichtorientierungen) dargestellt werden. Mit Overlay --> load functional overlay kann nun eine T-Karte ausgewählt werden. Diese befindet sich im Probandenverzeichnis und ist mit einer Nummer versehen, welchen den im Kontrastmanager definierten Kontrast entspricht. Z.B. entspricht die Datei spmT_0007.hdr der T-Karte des 7. Kontrastes (inkl. F-Kontraste). Nun öffnetz sich das Fenster „Overlaysettings“, in dem der Treshhold und die Clustergröße definiert werden können. Zudem kann hier (im Gegensatz zu SPM) die errechnete T-Karte beidseitig dargestellt werden. Die Darstellung ist interaktiv, d.h. mit Mausklicks kann im Raum navigiert werden. Achtung: Evtl. ist die Darstellung seitenverkehrt, also radiologisch. Dies hängt von Default-Einstellungen in SPM bei der Normalisierung und der Bearbeitung der anatomischen Bilder ab. Unbedingt überprüfen. Seite 48/49 ©jb, Vers01, Stand 20.12.06 Einführung in die Auswertung funktioneller MRT-Daten 3.12 Tipps und Tricks in SPM 3.12.1 Fadenkreuz ausschalten In gewissen Fällen stört das blaue Fadenkreuz bei der Darstellung der Aktivierungskarte auf ein anatomisches Bild (mit SPM). Mit dem Befehl spm_orthviews xhairs off kann das Fadenkreuz ausgeblendet werden 3.12.1. MNI-Koordinaten in Talairach-Koordinaten umrechnen und umgekehrt Um Koordinaten aus dem MNI-Raum im Talairach-Raum verwenden zu können, müssen diese umgerechnet werden. Dies kann mit dem Skript mni2tal.m erfolgen. Eingabe im MATLAB-Befehlsfenster (z.B. für die Koordinaten x=22, y=-8, z=-18) „mni2tal( [22 -8 -18] )“. Umgekehrt können mit dem Skript tal2mni.m Talairach-Koordinaten in MNI-Koordinaten umgerechnet werden. 3.12.2 Eigenes Template der Probanden erstellen 4. Ergebnisdarstellung 4.1 Bilder 4.2 Werte Seite 49/49 ©jb, Vers01, Stand 20.12.06