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

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

Analyses IRMf Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal.

Présentations similaires


Présentation au sujet: "Analyses IRMf Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal."— Transcription de la présentation:

1 Analyses IRMf Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal

2 But de ce cours Donner une introduction à lanalyse IRMf la plus classique, cest à dire celle qui utilise le modèle général linéaire Cette introduction devrait être indépendante du software (à peu de choses prêt!) utilisé pour lanalyse, mais les exemples viendront des minc tools/fmristat (aussi implémenté dans Neurolens) et de SPM

3 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

4 Types de dessins expérimentaux Dessin en block Dessin évènementiel espacé Dessin évènementiel mixte

5 Dessins expérimentaux Block design (dessin en blocks) Comparaison de longues périodes (ex 16s) dune condition avec une longue période dune autre condition Approche traditionnelle Le plus puissant en termes statistiques Dépend moins du modèle hémodynamique créé Event-related design (dessin évènementiel): Comparaison de conditions à périodes courtes (ex 1s) Assez nouveau (date dà peu près 1997) Moins puissant statistiquement, mais a beaucoup davantages

6 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

7 Prétraitement – analyses SPM

8 N-1 N-2 N-3. N Série 1 Réaligner au 2ème volume de la même série pour toutes les séries p.ex Prétraitement – Correction du Mouvement

9 Lissage Spatial Avant la convolution Convolué avec le fintre Gaussien Application dun filtre Gaussien Généralement exprimé en #mm FWHM Full Width – Half Maximum Typiquement ~2 fois la taille dun voxel

10 Prétraitement du MNI Fmr_preprocess fait à la fois la correction du mouvement: spécifier lacquisition cible (-target #) et le lissage, spécifier la taille (-fwhm #en mm) En général choisir la taille du lissage (fwhm), 2 fois plus grand que la taille du voxel acquis

11 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

12 Une Expérience simple Intact Objects Scrambled Objects Blank Screen TEMPS Un volume (12 tranches) chaque 2 secondes pour 272 secondes (4 minutes, 32 secondes) Conditions changent chaque 16 secondes (8 volumes) Lateral Occipital Complex: responds when subject views objects

13 Quelles sont les données avec lesquels nous devons travailler? Expérience typique: 64 voxels x 64 voxels x 12 slices x 136 points temporels Cela fait 136 volumes Ou vu autrement 64x64x12 = 49,152 voxels, chacun avec son décours temporel!!

14 Pourquoi a-t-on besoin de statistique? On pourrait en principe analyser les données en naviguant à travers les voxels: déplacer le curseur sur différentes régions et regarder si on trouve temporelle qui nous intéresse Tranche 9, Voxel 1, 0Tranche 9, Voxel 0, 0 Même là où il ny a pas de cerveau, il y a du bruit Tranche 9, Voxel 9, 27 Ici un voxel qui réponb bien lorsquil y a un stimulus visuel Tranche 9, Voxel 13, 41 Ici un qui répond bien lorsquil y a des objets intacts Tranche 9, Voxel 14, 42 Ici quelques uns qui montrent à peu près le bon patron... mais est-ce réel? Tranche 9, Voxel 18, 36 Tranche 9, Voxel 22, 7 Signal beaucoup plus grand où le cerveau est, mais il y a encore du bruit

15 Pourquoi a-t-on besoin de statistique? Il est clair que naviguer à travers les voxels nest pas plausible. Il nous faudrait le faire 49,152 fois cela demanderait beaucoup de décisions subjectives pour savoir si une activation est réelle. Cest pour cela quon a besoin de statistiques Statistiques: Nous indiques ou regarder pour les activations qui SONT reliés à notre paradigme Nous aide à décider à quel point les activations sont réelles The lies and damned lies come in when you write the manuscript

16 Statistiques: le test t Le test t sert à comparer la grosseur des effets (i.e. la différence entre blocks) à la variance des données (i.e. déviation standard). En (A), leffet est de 2 unités, variance est haute, donc t = 2,3. En (B), leffet est de seulement 1 unité, mais la variance est beaucoup plus petite, donc t = 6,7, une valeur beaucoup plus grande

17 1: exclure les premières images 2: drift (dérive) 3: long-range correlation or anatomical effect: remove by converting to % of brain 4: signal? PCA_IMAGE: PCA du temps x espace PCA = Principal Component Analysis

18 Le Modèle Linéaire Général (GLM) Le test t, corrélations et analyse Fourier fonctionnent pour des dessins simples, et étaient très communs au début dimagerie Le modèle linéaire général (GLM) est maintenant disponible dans beaucoup de paquets software, et a tendance à être lanalyse préférée Pourquoi le GLM est si populaire? Le GLM est un outil qui peut faire tout ce que les tests plus simples peuvent faire Vous pouvez imaginer nimporte quelle combinaison de contrastes (e.g. intact – scrambled, scrambled – repos) avec un GLM, plutôt que des corrélations multiples Le GLM nous donne une plus grande flexibilité pour combiner les données intra- et inter-sujet Il est aussi plus facile de contrebalancer les ordres et jeter les mauvaises sections des données Le GLM nous permet de modéliser des choses qui pourraient faire partie de la variance des données, même si elles ne sont pas intéressantes par soi-même (e.g. mouvements de la tête On verra plus tard dans le cours, le GLM permet aussi dutiliser des dessins plus complexes (e.g. dessins factoriels)

19 Modéliser la réponse attendue (assomptions) La réponse est presque entièrement déterminée par le dessin expérimental La réponse BOLD a la même forme et le même délai à travers toutes les régions du cerveau The signal BOLD est décomposable de manière linéaire à travers les événements La réponse devrait être la même pour tous les essais dune même condition

20 Modéliser la réponse attendue (fmridesign) Convoluer avec un modèle hrf

21 Modéliser les données (GLM) yxε β=+

22 y i = x i β + ε i données modèle paramètre erreur PENDANT AVANT APRÈS JAMAIS

23 En recherche dun critère Σ(y i – X i β) 2 données modèle paramètre On essaie de minimiser:

24 Estimation des Moindres Carrés Nous devons faire ceci pour chaque voxel séparément (i.e. on a le même nombre de β que de voxels Référence : J. Armony

25 Déduction statistique Où, dans le cerveau, avons nous un paramètre expérimental (β) significativement plus grand que zéro?

26 Référence : J. Armony Déduction statistique Hypothèse: Contraste: combinaison linéaire de paramètres c = [1 -1]

27 Paramètres inconnus Référence : Dr. K. Worsley FMRILM Ajuste un modèle linéaire pour une série de temps IRMf avec AR(p) erreurs Modèle linéaire: Y t = (stimulus t * HRF) b + drift t c + erreur t AR(p) erreurs: erreur t = a 1 error t-1 + … + a p erreur t-p + s WN t

28 Implémentation FMRISTAT Pour 120 scans, séparés par 3 secondes, et 13 tranches entrelacées chaque 0.12 secondes, utilisez: frametimes=(0:119)*3; slicetimes=[ ];

29 events=[ ]; Implémentation FMRISTAT Un dessin en block de « 3 scans de repos; 3 scans de stimulus chaud; 3 scans de repos; 3 scans de stimulus tiède », répété 10 fois (120 scans au total) Contraste: contrast = [1 0; 0 1; 1 -1];

30 FMRISTAT, étude paramétrique Chaud = 49 o C, Tiède = 35 o C Disons que la température du stimulus changeait dune façon aléatoire sur 20 blocks, prenant 5 valeurs réparties également entre 35 et 49: temperature=[ ]'; events=[zeros(20,1)+1 eventimes duration ones(20,1); zeros(20,1)+2 eventimes duration temperature] contrast=[0 1];

31 FMRISTAT, étude paramétrique

32 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

33 Types derreurs statistique Hypothèse Vraie? H 1 (active) H 0 (inactive) Réponse du test statistique Accepter H 0 Rejeter H 0 (inactive) (active)

34 Significcativité et comparisons multiples Comparaisons multiples à travers le cerveau: il y a ~200,000 voxels dans le cerveau!! Options: Pas de correction (p < 0.05 non corrigé) Avantage: facile, minimise les erreurs de type II Désavantage: Beaucoup trop de faux positifs (Erreurs de Type I), 5% 200,000 = 10,000 voxels! Correction de Bonferroni (p < 0.05/200,000 = ) Avantage: Facile, minimise les erreurs de type I Désavantage: Trop strict. Trop derreurs de Type II

35 Correction de Bonferroni Données pour un seul sujet à trois niveaux de signifiance Probabilité ajustée à 0.05 Probabilité ajustée à Correction de Bonferroni, ajustée à une valeur P de 0.05

36 Significativité et comparaisons multiples Les champs gaussiens aléatoires (sorte de lissage spatial) Avantage: Marche bien pour les données spatialement corrélés. Résultats raisonnable. Désavantage: Encore assez strict. Enlève un peu de spécificité spatiale (à cause du lissage) Pseudo-Bonferroni correction (p < 0.001), il faut savoir le motiver Analyses par régions dintérêts

37 Voxels significatives space u Voxels non- significatives Déductions au niveau du voxel Retenir les voxels au-dessus du seuil du niveau de, u Meilleure spécificité spatiale Lhypothèse nulle à un seul voxel peut être rejetée

38 Cluster non- significatif u clus space Cluster significatif k k Déductions au niveau du cluster Procédé à deux étapes Définir les clusters par seuil arbitraire u clus Retenir les clusters plus grands que le seuil du niveau de, k

39 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

40 Analyses de Groupe I.Motivation & Définitions: Le problème dinférence de groupe II.Analyse à effets mixtes (FFX) 1.implémentation SPM 2.FMRISTAT (possible, mais pas recommandé!) III.Analyse à effets aléatoire (RFX) 1.implémentation SPM du RFX classique 2.FMRISTAT solution alternative: analyse à effets mélangés: Lissage du rapport des variances

41 Quelle est la question qui nous intéresse ! Motivation effets fixes vs. aléatoires Quest-ce que nous voulons inférer: 1.Une conclusion sur léchantillon ou groupe spécifique que nous avons examiné 2.Une conclusion sur toute la population dou provient cet échantillon Pour le 1er problème, une analyse à effet fixe est suffisante Conclusion: Ce groupe spécifique de patients de type A révèle ce patron dactivation Pour le 2nd problème une analyse à effet aléatoire est nécessaire Conclusion: Ce patron dactivation devrait être observé chez tous les patients de Type A

42

43 Effets Fixes Avantages: Beaucoup de degrés de liberté ( ~1000) Prend en compte la concordance global du modèle Faux négatifs peu probable Désavantages: La variance entre les sujets et les séries nest pas prise en compte Les résultats peuvent provenir majoritairement dun ou de quelques sujets Erreurs de Type I, cest à dire des faux positifs

44 Effets Aléatoires Avantages: Prend en compte la variabilité inter séries et inter sujets Moins sensible à certains paramètres spécifique du modèle Désavantages: Très peu de degrés de liberté erreur de type II, faux négatifs Très sensible à la variation fonctionnelle et anatomique inter-sujets

45 Effets fixes: implémentation SPM Autre terme: analyse de premier niveau Identique à lanalyse 1run/sujet, sauf que le nombre de scans doit être spécifié pour chaque run ou sujet Par exemple: « (100, 100, 100, 100, 100) » pour 100 acquisitions, 5 runs ou sujets

46 X = [1 1 1] input_files_effect = [run1_cont1_mag_ef_tal.mnc'; run2_cont1_mag_ef_tal.mnc'; run3_cont1_mag_ef_tal.mnc'; run4_cont1_mag_ef_tal.mnc'; run5_cont1_mag_ef_tal.mnc]; input_files_sdeffect = [run1_cont1_mag_sd_tal.mnc'; run2_cont1_mag_sd_tal.mnc'; run3_cont1_mag_sd_tal.mnc'; run4_cont1_mag_sd_tal.mnc'; run5_cont1_mag_sd_tal.mnc]; fwhm_varatio Effets fixes: implémentation fmristat 1 Sujet, 1 contraste, 5 runs df = multistat (input_files_effect, input_files_sdeffect, input_files_df, input_files_fwhm, X, contrast, output_file_base, which_stats, Inf)

47 Effets fixes: implémentation fmristat Par contre, les analyses à effets fixes ne sont pas recommandées, parce quelles ne tiennent pas en compte la variance inter-run et inter-sujet Solution fmristat: Variance ratio smoothing (voir ci-bas)

48 Effets aléatoires: implémentation SPM Importez les fichiers.con de lanalyse à 1 er niveau (un seul contraste de différents sujets) dans une analyse a 2 ème niveau Degrés de liberté (DF) très bas, donné par le "nombre de sujets" - "rank of 2 nd level design matrix" Donc si nous avons 12 sujets dans un groupe, DF = 11 Ce type danalyse peut être trop conservateur, et requiert beaucoup de sujets, et beaucoup de données pour atteindre signifiance

49 Effets aléatoires: implémentation fmristat Il est possible de faire le même type danalyse à effets aléatoires dans fmristat en ajustant le paramètre fwhm_variatio à 0. df = multistat (input_files_effect, input_files_sdeffect, input_files_df, input_files_fwhm, X, contrast, output_file_base, which_stats, 0 ) Par contre, fmristat nous permet dimplémenter une analyse à effets aléatoires avec un nombre de degrés de liberté plus haut, et devient donc moins conservateur

50 MULTISTAT: modèle linéaire à effets mixtes E i = effect for run/session/subject i S i = standard error of effect Modèle à effets mixtes: E i = covariates i c + S i WN i F + WN i R Effet aléatoire, dû à la variabilité de run en run Erreur des Effets fixes, dû à la variabilité au sein du même run Dhabitude 1, mais pourrait ajouter groupe, traitement, âge, sexe,... } de FMRILM ?? Sert à combiner les effets de différentes runs/sessions/sujets

51 Alternative fmristat: Variance Ratio Smoothing La variance à effets aléatoires est très variable, à cause des degrés de liberté (dfs) très bas. Lidée de Variance Ratio Smoothing est dutiliser la variance à effets fixes comme template pour estimer la variance à effets aléatoires Ceci est fait par régularisant le rapport de variance à effets aléatoires (estimée) divisée par la variance à effets fixes (obtenus de lanalyse précédente) Fwhm_varatio est un filtre qui permet de régulariser ce rapport Comment choisit-on Fwhm_variatio? Sa valeur est motivée par les dfs conséquents. Une bonne valeur à viser est 100df. Les nouvelles versions dfmristat vous permettent dentrer le nombre de dfs désiré en insérant une valeur négative au paramètre fwhm_varatio: df = multistat (input_files_effect, input_files_sdeffect, input_files_df, input_files_fwhm, X, contrast, output_file_base, which_stats, -100 )

52 X = [1 0 sujet 1 groupe patient 1 0 sujet 2 groupe patient 1 0 sujet n groupe patient 0 1 sujet 1 groupe contrôle 0 1 sujet 2 groupe contrôle 0 1] sujet n groupe contrôle input_files_effect = [subj1_patient_mag_ef_tal.mnc; subj2_patient_mag_ef_tal.mnc; subjn_patient_mag_ef_tal.mnc; subj1_control_mag_ef_tal.mnc'; subj2_control_mag_ef_tal.mnc; sunjn_control_mag_ef_tal.mnc]; input_files_sdeffect =[subj1_patient_mag_sd_tal.mnc'; subj2_patient_mag_sd_tal.mnc'; subjn_patient_mag_sd_tal.mnc'; subj1_control_mag_sd_tal.mnc'; subj2_control_mag_sd_tal.mnc; sunjn_control_mag_sd_tal.mnc]; n sujets, groupes patients vs contrôles Contraste = [1 -1 Patient > contrôles -1 1] Contrôles > patients Exemple: contraste entre populations

53 ++ Combien de sujets? La plus grande portion de variance vient de la dernière étape, i.e. la combinaison des sujets: sd run 2 sd sess 2 sd suj 2 n run n sess n suj n sess n suj n suj Si vous voulez optimiser le temps dutilisation du scanneur, prenez plus de sujets Ce que vous faites aux premiers stades importe peu!

54 ComparaisonSPM99fmristat Différents temps dacquisition des tranches Ajoute une dérive temporale Décale le modèle Enlèvement du drift Low-frequency cosines (flat at the ends) Splines (free at the ends) Corrélation temporale AR(1), paramètre global, biais réduction pas nécessaire AR(p), paramètres voxel, biais réduction Estimation des effets Band pass filter, ensuite moindres carrés, ensuite correction pour corrélation temporale Pre-whiten, ensuite moindres carrés (pas dautres corrections nécessaires) Rationale Plus robuste, mais degrés de liberté plus bas Plus précis, degrés de liberté plus haut Effets aléatoires Pas de régularisation, degrés de liberté bas, bas de conjuncs Régularisation, degrés de liberté hauts, conjuncs Carte du délaiNonOui

55 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes Visualisation A quelle étape devrait-on normaliser les données?

56 Visualisations 2D et 3D

57 Vues « glass-brain »

58 Vue aplatie du cerveau

59 Plan pour une éxpérience IRMf et son analyse Dessin Expérimental Prétraitement Modèle statistique Significativité et comparaison multiple Moyennage des séries, des sujets, comparaison de groupes. Visualisation A quelle étape devrait-on normaliser les données?

60 À quelle étape devrait-on normaliser les données?

61 Dans SPM, en défaut, la normalisation se fait du tout début, avant de moyenner les runs. Ceci est un choix sûr, puisque tous les fichiers seront normalisés dans le même espace En fmristat, le choix est à vous! Mais la normalisation déforme les données, et certaines informations sont perdues. Théoriquement, il est meilleur de normaliser vos données à la plus grande étape, i.e. au niveau inter-sujet Par contre, ceci dépend du software de correction de mouvement que vous utilisez. Est-ce que la correction du mouvement est faite intra ou inter-runs?

62 Resample to Talairach space after linear or non-linear transformations À quelle étape devrait-on normaliser les données? Référence : Worsley et al., 2002

63 Resample to Talairach space after linear or non-linear transformations Référence : Worsley et al., 2002 À quelle étape devrait-on normaliser les données?

64 Software et diapos Jorge Armony BIG seminars: Keith Worsley fmristat: SPM courses: Jody Culham fMRI for dummies es.htm es.htm Neurolens: FSL: FIN Prochain cours: normalisation Remerciements: Cécile Madjar, Kristina Martinu


Télécharger ppt "Analyses IRMf Oury Monchi, Ph.D. Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal."

Présentations similaires


Annonces Google