Auswertung funktioneller MRT

Transcrição

Einführung in die Auswertung funktioneller MRT-Daten
Auswertung
funktioneller MRTDaten mit SPM
Seite 1/49
©jb, Vers01, Stand 20.12.06
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
--> 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
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
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
--> 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
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
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
-->
& 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
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
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
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
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
--> 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
–
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
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
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
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
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
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
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
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
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

Auswertung funktioneller MRT

Transcrição

Documentos relacionados

PROPS für Projektleiter • 3 Tage

Technische Daten Kaminofen Austroflamm Flok 2.0

Isabels Beauty Club

Werkstatt WI 2002

Bespielen von Datenträgern für MP3

NX_PR_St_ Herblain

Verzeichnis Leistungen anderer Unternehmer

Sitzendorfer Porzellan nun aus Volkstedt

1.000 erprobte Geschäftsideen und Know-how für Franchise

Bioinformatik II: Phylogenetik

braut force tool download