La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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

Présentations similaires


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

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 dartefacts liés au scanner (e.g., spikes) ? Regardez le décours temporel Y a-t-il quelque chose dinattendu (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 salignent bien avec les images anatomiques suivant les transformations. Réfléchissez au fur et à mesure. Recherchez les patrons suspects.

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

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

7 Signal enregistré Trois voxels (A): un qui nest 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 nune réponse hémodynamique Lactivité visualisée en IRMf nest jamais du style « tout ou rien », mais est plutôt en forme de degré dactivité Ici on voit deux réponses dune 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 leffet 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 laimant, le physicien, ou les lois de la physique Bruit thermique: Fluctuations dans lintensité du signal RM dû au mouvement thermique des électrons dans lespace Bruit du système: Flucutations causées par les imperfections de léquipement Bruit physiologique: Blâmez the sujêt Bruit causé par le mouvement de la tête, le coeur et la respiration Bruit de lactivité neuronale non-reliée à la tâche Bruit cognitif et comportemental: fluctuations dans les réponses et lattention du sujet à travers lheure 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 sappelle la dérive ou « drift » du scanneur

13 Bruit physiologique Le spectrum de puissance dun 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 dune seule run IRMf pendant une tâche visuelle et motrice Les voxels avec une grande déviation standard sont en blanc La déviation standard nest 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) Lexpérience 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 dair, tel que les sinus Nous voyons ici trois sujets scannés à 1.5T (A) et à 4.0T (B)

19 Variations entre sujets Jusquà maintenant nous avons regardé les différences en activité dans les données dun seul sujet – mais il est important dévaluer 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 lon compare les sessions dun même sujet (C et D) Cette différence est encore plus petite lorsque lon compare la réponse hémodynamique dune seule session (E et F)

20 Importance dun grand N Pour démontrer limportance du grand nombre de données, nous avons des données de N essais à 16N essais Lestimation 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 quun seuil spécifié La région agrandie montre que les voxels coloriées sont entourés par dautres qui ont des valeurs statistiques légèrement plus basses

22 Signifiance statistique Létendue dactivation dépend beaucoup du moyennage Il ne semble y avoir aucune activation avec 4 essais, mais lorsque lon moyenne 144 essais, une activation est bien visible Lintensité 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 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 Photo Source: Technology Review 90-channel prototype Mass. General Hospital Wiggins & Wald 12-channel coil32-channel coil 32-channel head coil Siemens

25 Phased Array Coils Cest une nouveauté maintenant dutiliser des bobines à phased array Équivalent dutiliser plusieurs champs de vision afin daugmenter le rapport signal/bruit et accélérer lacquisition Les nouveaux scanneurs sont équipés avec des bobines à 32 champs de vision(32-channel)

26 Quest-ce qui affecte le rapport signal/bruit ? Source: Doug Nolls online tutorialDoug Nolls online tutorial FACTEURS PHYSIOLOGIQUESSOLUTION & 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 2 nd ordre – peut introduire dautres artefacts Essais uniques pour éviter les mouvements du corps Bruit lié à la respiration et au rythme cardiaqueContrôler et compenser – pas évident! Bruit de basse fréquenceUtilisation de bons desseins Utilisation de filtres post-processing Bruit BOLD (fluctuations neurales and vasculaires)Utilisation de beaucoup dessais pour moyenner la variabilité Variations liées au comportementUtilisation de paradigmes bien contrôlés Utilisation de beaucoup dessais pour moyenner la variabilité

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

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 dune mauvaise connexion En (B) on voit des fluctuations dans le champs magnétique qui cause des changements dintensité à travers limage

29 Effet dacquisition en tranches Nous avons une région activée uniformément. Cette région sétend sur trois tranches dune 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 Lactivité hémodynamique semble être plus tôt pour la tranche 16, même si lactivité 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. Lintensité 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 dune région dintérêt : La région dintérêt bouge Analyses à léchelle 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 lexcitation et la lecture

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

34 Mouvements de la tête Parce que lintensité change beaucoup aux extrémités, ceci cause des couronnes dactivité 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 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 Fausse Activation aux Frontières

36 Signal fMRI × 1 × 2 = ResidualsMatrice du dessein ++ ce quon PEUT expliquer ce quon ne PEUT PAS expliauer = + Betasx combien on PEUT expliquer nos données = +x Significativité statistique est un ratio entre variance expliquée et variance inexpliquée Mouvements Augmentation des Résidus

37 Mouvement des régions au cours du temps Un décours temporel à partir dune région précise échantillonnera une partie différente du cerveau au cours du temps si la tête bouge Par exemple, si on définit une région dintérêt dans la série 1 mais que la tête bouge entre les séries 1 et 2, notre région dintérêt définie est maintenant en train déchantillonner moins de laire que nous voulions et plus de lespace adjacent Cest un problème dans le cas de mouvements entre les séries mais aussi à lintérieur dune série Temps 1Temps 2

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

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

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

41 N-1 N-2 N-3. N Série 1 Prétraitement – Correction du Mouvement N/2 comme référence, puis processus itératif pour estimer le mouvement de chaque acquisition Au fur et à mesures quelles séloignent de lacquisition 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

42 x translation z translation y translation pitchroll yaw Algorithmes de correction du mouvement Beaucoup dalgorithmes font lhypothèse dun corps rigide (i.e. ce cerveau nest 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 limage anatomique

43 Types de mouvement

44

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

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 Lactivation 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 Simulated activation Spurious activation created by motion correction in SPM (least squares) Mutual information algorithm in SPM has fewer problems Friere & Mangin, 2001

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

49 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 activationsok, corrigées par LTR okproblème mineurproblème énormepeuvent réduire les problèmes Résidus augmentésok, corrigés par LTR okproblème peuvent réduire les problèmes ; peuvent être améliorés en incluant des paramètres de mouvement comme prédicteurs dun non- intérêt Mouvements des régionsproblèmeproblème mineur- majeur dépendant de la taille du mouvement problème peuvent réduire les problèmes ; si lalgorithme est berné par des artefacts physiques, le problème peut être empiré par la correction du mouvement Artefacts physiquesPas vraiment un problème car les effets sont graduels okproblèmeproblème énormePeut pas résoudre le problème ; peut être induit en erreur par les artefacts Differents mouvements; differents effets

50 La règle du frigo Quand cest douteux, on jette !

51 Aider à atténuer leffet du mouvement pendant lacquisition Prospective Acquisition Correction (PACE, Siemens) 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) 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).

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

53 Données non lissées Données lissées (largeur du filtre 5 voxels) Effets du Lissage Spatial sur lactivité

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 lapplication 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 nest 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 nest pas toujours un exercice one size fits all

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


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

Présentations similaires


Annonces Google