Vérifications des données, artefacts, prétraitements et corrections du mouvement Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie.

Présentation au sujet: "Vérifications des données, artefacts, prétraitements et corrections du mouvement Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie."— Transcription de la présentation:

1 Vérifications des données, artefacts, prétraitements et corrections du mouvement
Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal

2 Grande Boîte Noire du logiciel informatique
La boîte noire Le danger du traitement automatique des données et des images fantaisistes est qu’on peut avoir des tâches sans vraiment regarder les données réelles Plus on fait d’étapes d’un coup, plus il y a de chances d’avoir des problèmes Jolies Images Données brutes Grande Boîte Noire du logiciel informatique

3 Connaître vos données Regardez les Images fonctionnelles brutes
Où sont les artefacts et les distorsions ? Les images fonctionnelles et anatomiques correspondent-elles bien ? Regardez les films Y a-t-il des signes de mouvements de la tête ? Y a-t-il des signes d’artefacts liés au scanner (e.g., spikes) ? Regardez le décours temporel Y a-t-il quelque chose d’inattendu (e.g., changements soudains dans le signal au début de la série) ?

4 Connaître vos données A quoi ressemblerait le décours temporel dans le aires inactives (ventricules, matière blanche, en dehors de la tête) ? Regardez les sujets individuellement Vérifier plusieurs fois les effets des différentes transformations Vérifiez que gauche et droite ne sont pas inversés Vérifiez que les images fonctionnelles s’alignent bien avec les images anatomiques suivant les transformations. Réfléchissez au fur et à mesure. Recherchez les patrons suspects.

5 Artefacts de l’échantillonnage
Mauvais fonctionnement du matériel Objets métalliques (e.g., élastiques pour les cheveux) Fantômes Pics

6 Signal enregistré (A) est l’image acquise pendant que le sujet se reposait (B) est l’image au même endroit lorsque le sujet pressent des deux mains La différence entre ces deux cas est extrêmement petite comparé à l’activité globale, même aux « extrêmes » d’activité (flèches dans (E))

7 Signal enregistré Trois voxels (A):
un qui n’est pas très relié à la tâche (SNR bas: B,C), overlap entre rouge (tâche et bleu non tâche) un moyen (SNR moyen: D,E) et un qui est bien relié à la tâche (SNR haut: F,G).

8 Modèle n’une réponse hémodynamique
L’activité visualisée en IRMf n’est jamais du style « tout ou rien », mais est plutôt en forme de degré d’activité Ici on voit deux réponses d’une seule région sensible aux visages et aux objets La réponse à chaque stimulus est grande comparé à la différence entre les deux

9 Pourquoi le rapport signal/bruit est important ?
Nous pouvons voir l’effet du SNR sur les données Expérience en block avec quatre SNR différents Avec un SNR haut, les transitions entre blocks sont bien définis. Mais lorsque le SNR diminue, les blocks deviennent plus difficiles à distinguer

10 Sources de Bruit Bruit physique: “Blâmez l’aimant, le physicien, ou les lois de la physique” Bruit thermique: Fluctuations dans l’intensité du signal RM dû au mouvement thermique des électrons dans l’espace Bruit du système: Flucutations causées par les imperfections de l’équipement Bruit physiologique: “Blâmez the sujêt” Bruit causé par le mouvement de la tête, le coeur et la respiration Bruit de l’activité neuronale non-reliée à la tâche Bruit cognitif et comportemental: fluctuations dans les réponses et l’attention du sujet à travers l’heure de scan

11 Force du champs Alors que le rapport signal/bruit (SNR) augmente avec la force du champs, le bruit physiologique et thermique augmente aussi Ainsi il y a une diminution des retours pour une augmentation de la force du champs

12 Bruit du système Changement du signal IRM à basse fréquence du scanneur Ce phénomène s’appelle la dérive ou « drift » du scanneur

13 Bruit physiologique Le spectrum de puissance d’un seule voxel à travers un run IRMf On peut bien voir différents peaks causés par la respiration et le battement du coeur

14 Bruit du mouvement Une carte de bruit à travers le cerveau
Nous voyons la déviation standard d’une seule run IRMf pendant une tâche visuelle et motrice Les voxels avec une grande déviation standard sont en blanc La déviation standard n’est pas uniforme à travers le cerveau Les régions avec le plus de bruit (grande déviation standard) sont aux bords de la tête

15 Bruit comportemental Reproduction des résultats à travers les sessions: Un seul sujet a fait la même expérience 99 fois: une étude motrice (A), et une cognitive (B) L’expérience a été faite exactement de la même façon chaque fois Pourtant il y a des grandes différences en activation à travers les sessions (McGonigle et al., 2000)

16 Bruit combiné Distribution du bruit physiologique: Anatomie en (A)
Bruit de toutes les sources (B) Variations en flux sanguin et métabolisme (C) Bruit causé par les mouvements de la tête, le cœur et la respiration (D) Un scan phantôme compare le bruit de toutes les sources (E) avec le bruit physiologique (F), ce dernier biensûr négligible

17 Force du champs Nous pouvons aussi observer des différences en signal IRM lorsque la force du champs du scanneur est différente En bleu nous avons la tâche (en block) dans un scanneur à 4 Tesla La même tâche dans un scanneur à 1.5 Tesla (en rouge) nous donne un signal beaucoup moins intense

18 Force du champs Avec ces même deux scanneurs, par contre, la susceptibilité aux artéfacts augmente Ceci est surtout important dans les régions où il y a des poches d’air, tel que les sinus Nous voyons ici trois sujets scannés à 1.5T (A) et à 4.0T (B)

19 Variations entre sujets
Jusqu’à maintenant nous avons regardé les différences en activité dans les données d’un seul sujet – mais il est important d’évaluer la variation entre sujets La variation de la réponse hémodynamique entre sujets est très grande (A et B) Cette différence est beaucoup plus petite lorsque l’on compare les sessions d’un même sujet (C et D) Cette différence est encore plus petite lorsque l’on compare la réponse hémodynamique d’une seule session (E et F)

20 Importance d’un grand N
Pour démontrer l’importance d’u grand nombre de données, nous avons des données de N essais à 16N essais L’estimation de la vraie moyenne est de plus en plus précise avec un N qui augmente

21 Signifiance statistique
Nous avons une carte statistique du cerveau en (A) Les voxels coloriées sont celles qui ont une valeur statistique plus haute qu’un seuil spécifié La région agrandie montre que les voxels coloriées sont entourés par d’autres qui ont des valeurs statistiques légèrement plus basses

22 Signifiance statistique
L’étendue d’activation dépend beaucoup du moyennage Il ne semble y avoir aucune activation avec 4 essais, mais lorsque l’on moyenne 144 essais, une activation est bien visible L’intensité des activations dépend beaucoup du rapport signal/bruit. Par exemple, une étude peut montrer deux fois plus de voxels activés de manière significative chez des jeunes comparé aux âgés. Mais en calculant le SNR dans les deux, il se trouve que les jeunes avait un SNR 50% plus haut. Une conclusion que les jeunes utilisent des régions plus est donc très dangereuse (Huettel et al.)

23 Bobines Bobine de tête Bobine de surface Signal homogène
Rapport signal/bruit moderé Bobine de surface Signal plus fort aux “points chauds” Rapport signal/bruit élevé aux “points chauds” Source: Joe Gati

24 Phased Array Coils SNR of surface coils with the coverage of head coils OR… faster parallel imaging modern scanners come standard with 8- or 12-channel head coils and capability for up to 32 channels 90-channel prototype Mass. General Hospital Wiggins & Wald 12-channel coil 32-channel coil 32-channel head coil Siemens Photo Source: Technology Review

25 Phased Array Coils C’est une nouveauté maintenant d’utiliser des bobines à “phased array” Équivalent d’utiliser plusieurs champs de vision afin d’augmenter le rapport signal/bruit et accélérer l’acquisition Les nouveaux scanneurs sont équipés avec des bobines à 32 champs de vision(32-channel)

26 Qu’est-ce qui affecte le rapport signal/bruit ?
FACTEURS PHYSIOLOGIQUES SOLUTION & COMPROMIS Mouvements de la tête (et du corps) Utilisation de sujets entraînés ou “bien avertis” limite le nombre de sujets utilisable Utilisation de systèmes immobilisant la tête possible inconfort pour le sujet Correction post-processing souvent effective de manière incomplète effets de 2nd ordre peut introduire d’autres artefacts Essais uniques pour éviter les mouvements du corps Bruit lié à la respiration et au rythme cardiaque Contrôler et compenser pas évident! Bruit de basse fréquence Utilisation de bons desseins Utilisation de filtres post-processing Bruit BOLD (fluctuations neurales and vasculaires) Utilisation de beaucoup d’essais pour moyenner la variabilité Variations liées au comportement Utilisation de paradigmes bien contrôlés Source: Doug Noll’s online tutorial

27 Artéfacts de l’échantillonnage
Mauvais fonctionnement du matériel Objets métalliques (e.g., élastiques pour les cheveux) Fantômes Pics

28 Artéfacts Artéfacts communs dans des images IRM. Il est très important de vérifier et identifier les artéfacts qui peuvent corrompre les données IRM En (A) nous avons une fuite de radiofréquence à cause d’une mauvaise connexion En (B) on voit des fluctuations dans le champs magnétique qui cause des changements d’intensité à travers l’image

29 Effet d’acquisition en tranches
Nous avons une région activée uniformément. Cette région s’étend sur trois tranches d’une séquence entrelacée Puisque ces trois tranches sont acquises à des temps différents dans le TR de 3 secondes, la réponse hémodynamique de chaque tranche sera différente L’activité hémodynamique semble être plus tôt pour la tranche 16, même si l’activité sous-jacente est identique

30 Correction de distorsion (Field Map)

31 Pourquoi les mouvements de la tête sont ennuyants
…et ce que vous pouvez en faire

32 Mouvements de la tête : Principaux Artéfacts
Les mouvements de la tête peuvent conduire à de fausses activations ou peuvent gêner la découverte de vraies activations. L’intensité du problème dépend de la corrélation entre le mouvement et le paradigme Les mouvements de la tête augmentent les résidus, rendant les effets statistiques plus faibles. Les régions bougent au cours du temps Analyse d’une région d’intérêt : La région d’intérêt bouge Analyses à l’échelle du voxel : Moyennes des voxels activés et non activés Mouvements de la tête (ou autre large masse étudiée) conduit à des changements de la carte des champs Effets historiques des spins Le voxel peut bouger entre l’excitation et la lecture

33 Mouvements de la tête Il y a des grandes transitions d’intensité sur les extrémités du cerveau Si on compare la position du cerveau avant (B) et après (C) le mouvement, les valeurs d’intensité changent beaucoup

34 Mouvements de la tête Parce que l’intensité change beaucoup aux extrémités, ceci cause des couronnes d’activité fausse autour du cerveau Nous voyons un mouvement translationel, où la partie posterieure du cerveau semble avoir une activité réduite, causée exclusivement par le mouvement

35 Fausse Activation aux Frontières
Les fausses activations sont un problème pour les mouvements de la tête pendant une série, mais pas pour des mouvements entre séries Ces-derniers peuvent être alignées après

36 Mouvements  Augmentation des Résidus
× 1 = + + × 2 = Signal fMRI Matrice du dessein x Betas + Residuals “ce qu’on PEUT expliquer” “combien on PEUT expliquer” “ce qu’on ne PEUT PAS expliauer” = “nos données” x + Significativité statistique est un ratio entre variance expliquée et variance inexpliquée

37 Mouvement des régions au cours du temps
Un décours temporel à partir d’une région précise échantillonnera une partie différente du cerveau au cours du temps si la tête bouge Par exemple, si on définit une région d’intérêt dans la série 1 mais que la tête bouge entre les séries 1 et 2, notre région d’intérêt définie est maintenant en train d’échantillonner moins de l’aire que nous voulions et plus de l’espace adjacent C’est un problème dans le cas de mouvements entre les séries mais aussi à l’intérieur d’une série Temps 1  Temps 2

38 Correction du Mouvement
La correction du mouvement devrait être faite avant tout autre prétraitement Ceci veut dire qu’il faut aligner chaque volume au volume le plus proche du volume anatomique

39 Prétraitement – Correction du Mouvement
1 2 3 4 N-1 N-2 N-3 . N Série 1 Réaligner au 2ème volume de chaque série séperemment (pas optimal pour le moyennage des séries)

40 volumes de chaque série
Prétraitement – Correction du Mouvement 1 2 3 4 N-1 N-2 N-3 . N Série N Réaligner tous les volumes de chaque série au volume 2 de la série 1 1 2 3 4 N-1 N-2 N-3 . N Série 1

41 Prétraitement – Correction du Mouvement
N/2 comme référence, puis processus itératif pour estimer le mouvement de chaque acquisition Au fur et à mesures qu’elles s’éloignent de l’acquisition du milieu. Ou alors la moyenne des images est calculée et St utilisé comme référence. Les paramètres résultants sont utilisés pour corriger pour le mouvement intra-série. Cela est fait pour chaque série Un processus similaire est utilisé pour corrigé le mouvement entre les séries. Implémenté dans FSL et NIAK N N-1 N-2 . N-3 4 3 2 1 Série 1

42 Algorithmes de correction du mouvement
x translation z translation y translation pitch roll yaw Beaucoup d’algorithmes font l’hypothèse d’un corps rigide (i.e. ce cerveau n’est pas déformé par le mouvement) Aligner chaque volume du cerveau à un volume cible en utilisant 6 paramètres: 3 translations and 3 rotations Volume cible : le volume fonctionnel qui est le plus proche en temps de l’image anatomique

43 Types de mouvement

44 Types de mouvement

45 Problèmes avec la Correction du Mouvement
Perte d’information en haut et en bas de l’image solution possible : correction du mouvement prospective calculer le mouvement avant de collecter le volume et changer le plan des tranches en fonction we’re missing data here we have extra data here Temps 1 Temps 2

46 Pourquoi la Correction du mouvement peut-être sous-optimale
Les parties du cerveau (premières ou dernières tranches) peuvent sortir du volume scanné (avec des mouvements dans la direction-z ou des rotations) La correction du mouvement nécessite une interpolation spatiale, conduit à troubler les données algorithmes rapides (interpolation trilineaires) ne sont pas aussi bon que les lents (sinc interpolation) Correction du Mouvement

47 Pourquoi les Algorithmes de Correction du Mouvement Peuvent Échouer
Spurious activation created by motion correction in SPM (least squares) L’activation peut-être malinterpretée comme étant un mouvement Les distortions du champs associé avec le mouvement de la masse (incluant la masse de la tête) peuvent-être malinterpretées comme étant un mouvement Mutual information algorithm in SPM has fewer problems Simulated activation Friere & Mangin, 2001

48 Artefacts liés au Mouvement de la Masse
head coil arm brace gaze grasparatus brace Les mouvements de toute masse dans le champs magnétique, incluant la tête, est un problème

49 Differents mouvements; differents effets
Décalage dans la série Mouvement entre les séries Mouvement brusque non corrélé avec une série Mouvement brusque corrélé avec une série Correction du mouvement Fausses activations ok, corrigées par LTR ok problème mineur problème énorme peuvent réduire les problèmes Résidus augmentés ok, corrigés par LTR problème peuvent réduire les problèmes ; peuvent être améliorés en incluant des paramètres de mouvement comme prédicteurs d’un non-intérêt Mouvements des régions problème mineur-majeur dépendant de la taille du mouvement peuvent réduire les problèmes ; si l’algorithme est berné par des artefacts physiques, le problème peut être empiré par la correction du mouvement Artefacts physiques Pas vraiment un problème car les effets sont graduels Peut pas résoudre le problème ; peut être induit en erreur par les artefacts

50 Quand c’est douteux, on jette !
La règle du frigo Quand c’est douteux, on jette !

51 Aider à atténuer l’effet du mouvement pendant l’acquisition Prospective Acquisition Correction (PACE, Siemens) Activation maps of an fMRI study, during which the volunteer performs nodding head motions of 1.5 degrees in correlation with a stimulus. Data were acquired without motion correction at all (a), with retrospective motion correction only (b), and with 3DPACE (c). The virtual elimination of pixels falsely showing activation is clearly seen in the 3D-PACE image. Only the real differences between regional activations are shown in (c). on-line motion corrected (i.e. the acquisition of the current volume [n] has been adjusted to > the motion estimated from second but last [n- 2] to the previous > [n- 1] volume)

52 Convolved with a Gaussian
Lissage Spatial Application d’un filtre Gaussien Généralement exprimé en #mm FWHM “Full Width – Half Maximum” Typiquement ~2 fois la taille d’un voxel Convolved with a Gaussian Before convolution

53 Effets du Lissage Spatial sur l’activité
Données non lissées Données lissées (largeur du filtre 5 voxels)

54 Devez-vous utiliser le lissage spatial?
Avantages Augmente le rapport signal/bruit (SNR) Matched Filter Theoreme: Augmentation maximale du SNR en filtrant avec la même forme/taille du signal Réduit le nombre de comparaisons Permet l’application de Gaussian Field Theory Peut améliorer les comparaisons entre les sujets Signal peut être étalé largement à travers le cortex, à cause de la variabilité intersujet Inconvénients Réduit la résolution spatiale Défi de lisser avec précision si la taille/forme du signal n’est pas connu

55 Rappelez-vous de... Regarder vos données
Travailler avec un physicien pour minimiser le bruit physique Dessiner vos expériences pour minimiser le bruit physiologique Le mouvement est le pire problème : quand il y a des doutes, jeter les données Prétraitement n’est pas toujours un exercice “one size fits all”

56 Source des diapos Prochain cours:
Huettel, Song & McCarthy, 2004, Functional Magnetic Resonance Imaging Dr. Jody Culham’s tutorials: I4Newbies/Tutorials.html Remerciements: Cécile Madjar Kristina Martinu Prochain cours: Continuation du prétraitement et modèles linéaires