Díaz Celauro, Lucas (2023) Descripción probabilística de señales obtenidas en resonancias magnéticas funcionales / Probabilistic description of signals obtained in functional magnetic resonance. Maestría en Ciencias Físicas, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) - Versión publicada Español 3851Kb |
Resumen en español
La resonancia magnética funcional es una técnica para determinar qué áreas del cerebro están involucradas en tareas cognitivas especificas, midiendo el nivel de oxigenación de la sangre en el cerebro. La alta dimensionalidad del espacio de imágenes funcionales hace virtualmente imposible un muestreo exhaustivo que permita definir el carácter normal o anormal de los datos medidos, salvo anomalías manifiestas. Esta investigación aborda este problema para el caso particular de estimar correlaciones poblacionales y funcionales. En contraste con enfoques convencionales de reducción de dimensionalidad, se implementó un método innovador basado en la matriz de información de Fisher, preservando direcciones asociadas a autovalores grandes o pequeños. En el primer segmento, se abordaron datos neuroanatómicos, con el objetivo de determinar los parámetros relevantes para evaluar la normalidad de una muestra individual. El resultado reveló que el método propuesto justifica la construcción de un modelo reducido con un único parámetro por legión. En el segundo segmento se analizaron las imágenes funcionales. En primer lugar, se caracterizaron parámetros distintivos de las señales temporales, así como su reproducibilidad intra- e inter-sujeto. Varias regiones cerebelares, límbicas, y asociadas al lenguaje mostraron comportamientos interesantes. En segundo lugar, el análisis de la conectividad funcional utilizando la matriz de información de Fisher evidenció una marcada correlación inversa entre el logaritmo de la variabilidad poblacional en la dirección de cada autovector y el logaritmo del autovalor correspondiente. El autovector correspondiente al máximo autovalor modula las conexiones ipsilaterales entre regiones frontales y temporales, sugiriendo que variaciones en esta dirección pueden estar asociadas a patologías, como ocurre en epilepsias frontales y temporales. El autovector de mínimo autovalor resulta complementario al de máximo autovalor, complementariedad que se observa también entre otros autovectores asociados a autovalores grandes y pequeños. El análisis aquí realizado muestra una conclusión novedosa respecto a análisis anteriores. Cuando la matriz de convarianza de un sujeto específico difiere de la del promedio poblacional, puede hacerlo en una dirección alineada con autovectores de la matriz de Fisher con autovalores grandes o pequeños. El primer caso se asocia con una anomalía poco frecuente en la población sana, lo cual puede servir de advertencia, mientras el segundo caso debe interpretarse como normal, dando una caracterización de la individualidad en fluctuaciones de la población sana.
Resumen en inglés
Functional Magnetic Resonance Imaging (fMRI) is a technique used to determine which areas of the brain are involved in specific cognitive tasks by measuring the blood oxygenation level in the brain. The high dimensionality of the fMRI image space makes an exhaustive sampling of the space virtually impossible, making it difficult to determine the normal or abnormal nature of the measured data, except for manifest anomalies. This research addresses this issue for the particular case of estimating population and functional correlations. In contrast to conventional dimensionality reduction approaches, an innovative method based on the Fisher information matrix was implemented, preserving directions associated with large or small eigenvalues. In the first segment, neuroanatomical data were addressed with the aim of determining relevant parameters to assess the normality of an individual sample. The result revealed that the proposed method justifies constructing a reduced model with a single parameter per region. In the second segment, the functional images were analysed. First, certain distinctive parameters of the temporal signals were characterised, as well as their intraand inter-subject reproducibility. Several cerebellar, limbic and language-related areas revealed interesting behaviours. Secondly, in the analysis of functional connectivity using the Fisher information matrix, a clear inverse correlation was observed between the logarithm of the population variability in the direction of each eigenvector and the logarithm of the corresponding eigenvalue. The eigenvector corresponding to the maximal eigenvalue modulates the connectivity between ipsilateral frontal and temporal regions, suggesting that variations along this direction could indicate pathologies, as observed in frontal and temporal epilepsies. The eigenvector corresponding to the minimum eigenvalue was found to be complementary to the one corresponding to the maximum eigenvalue, a complementarity observed among other eigenvectors of maximum and minimum eigenvalues. The analysis conducted here provides a novel conclusion compared to previous analyses. When the covariance matrix of a specific subject differs from the population average, it can do so in a direction aligned with eigenvectors of the Fisher matrix with large or small eigenvalues. The former case would indicate a rare anomaly in the healthy population, which should act as a warning, while the latter case should be interpreted as normal, providing a characterization of individuality in fluctuations within the healthy population.
| Tipo de objeto: | Tesis (Maestría en Ciencias Físicas) |
|---|---|
| Palabras Clave: | Nuclear magnetic resonance; Resonancia magnética nuclear; Images; Imágenes; [Fisher information; Información de Fisher; Parameter space; Espacio de parámetros] |
| Referencias: | [1] Ogawa, S., Lee, T. M., Kay, A. R., Tank, D. W. Brain magnetic resonance imaging with contrast dependent on blood oxygenation. Proceedings of the National Academy of Sciences, 87 (24), 9868–9872, 1990. URL https://www.pnas.org/ doi/abs/10.1073/pnas.87.24.9868. 1 [2] Machta, B. B., Chachra, R., Transtrum, M. K., Sethna, J. P. Parameter space compression underlies emergent theories and predictive models. Science, 342 (6158), 604–607, 2013. URL https://www.science.org/doi/abs/10.1126/science.1238723. 2, 5, 6, 51 [3] Smith, N. B., Webb, A. Introduction to medical imaging : physics, engineering and clinical applications. Cambridge texts in biomedical engineering. Cambridge: Cambridge University Press, 2011. 4 [4] Faro, S. H., Mohamed, F. B. (eds.) BOLD fMRI: A Guide to Functional Imaging for Neuroscientists. Springer New York, 2010. 4 [5] Arenaza Manzo, J. B. Análisis estadístico de la variación poblacional de las características estructurales del encéfalo humano. Tesis de maestr´ıa, Instituto Balseiro, 2021. 4, 7, 51 [6] Vallejo-Azar, M., Arenaza, B., Elizalde Acevedo, B., Alba-Ferrara, L., Samengo, I., Bendersky, M., et al. Hemispheric asymmetries in cortical grey matter of gyri and sulci in modern human populations from south america. Journal of Anatomy, 2023. 4, 41, 51, 52 [7] Kardar, M. Statistical Physics of Particles. Cambridge University Press, 2007. 5 [8] Pathria, R., Beale, P. D. Statistical Mechanics. Elsevier Academic Press, 2011. 5 [9] Reuter, M., Rosas, H. D., Fischl, B. Highly accurate inverse consistent registration: A robust approach. NeuroImage, 53 (4), 1181–1196, 2010. URL https://www.sciencedirect.com/science/article/pii/S1053811910009717. 7 [10] Ségonne, F., Dale, A., Busa, E., Glessner, M., Salat, D., Hahn, H., et al. A hybrid approach to the skull stripping problem in mri. NeuroImage, 22 (3), 1060–1075, 2004. URL https://www.sciencedirect.com/science/article/pii/S1053811904001880. 7 [11] Sled, J., Zijdenbos, A., Evans, A. A nonparametric method for automatic correction of intensity nonuniformity in mri data. IEEE Transactions on Medical Imaging, 17 (1), 87–97, 1998. 7 [12] Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis: Ii: Inflation, flattening, and a surface-based coordinate system. NeuroImage, 9 (2), 195–207, 1999. URL https://www.sciencedirect.com/science/article/pii/ S1053811998903962. 7 [13] Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. segmentation and surface reconstruction. NeuroImage, 9 (2), 179–194, 1999. URL https://www.sciencedirect.com/science/article/pii/S1053811998903950. [14] Fischl, B., Sereno, M. I., Tootell, R. B., Dale, A. M. High-resolution intersubject averaging and a coordinate system for the cortical surface. Human Brain Mapping, 8 (4), 272–284, 1999. URL https://onlinelibrary.wiley.com/doi/10.1002/(SICI)1097-0193(1999)8:4<272::AID-HBM10>3.0.CO;2-4. 7 [15] Desikan, R. S., S´egonne, F., Fischl, B., Quinn, B. T., Dickerson, B. C., Blacker, D., et al. An automated labeling system for subdividing the human cerebral cortex on mri scans into gyral based regions of interest. NeuroImage, 31 (3), 968–980, 2006. URL https://www.sciencedirect.com/science/article/pii/S1053811906000437. 6, 7 [16] Jao, C.-W., Lau, C.-i., Lien, L.-M., Tsai, Y. F., Chu, K.-E., Hsiao, C.-Y., et al. Using fractal dimension analysis with the desikan–killiany atlas to assess the effects of normal aging on subregional cortex alterations in adulthood. Brain Sciences, 11, 107, 01 2021. 6 [17] Tzourio-Mazoyer, N., Landeau, B., Papathanassiou, D., Crivello, F., Etard, O., Delcroix, N., et al. Automated anatomical labeling of activations in spm using a macroscopic anatomical parcellation of the mni mri single-subject brain. Neuro-Image, 15 (1), 273–289, 2002. URL https://www.sciencedirect.com/science/article/pii/S1053811901909784. 7 [18] Yan, C.-G., Wang, X.-D., Zuo, X.-N., Zang, Y.-F. Dpabi: Data processing & analysis for (resting-state) brain imaging. Neuroinformatics, 14 (3), 339–351, July 2016. URL https://doi.org/10.1007/s12021-016-9299-4. 7, 25 [19] Collins, D., Zijdenbos, A., Kollokian, V., Sled, J., Kabani, N., Holmes, C., et al. Design and construction of a realistic digital brain phantom. IEEE Transactions on Medical Imaging, 17 (3), 463–468, 1998. 7 [20] Fisher, R. A. On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 222, 309–368, 1922. 9 [21] Rao, C. R. Information and accuracy attainable in the estimation of statistical parameters. Bulletin of the Calcutta Mathematical Society, 37 (3), 81–91, 1945. URL http://bulletin.calmathsoc.org/article.php?ID=B.1945.37.14. 10 [22] Cramér, H. Mathematical Methods of Statistics. Princeton Landmarks in Mathematics. Princeton University Press, 1999. 10 [23] Díaz Celauro, L., Arenaza, B., Vallejo-Azar, M., Elizalde Acevedo, B., Alba- Ferrara, L., Bendersky, M., et al. A formal framework to construct simplified models of probabilistic descriptions or neuroanatomical data. Matemática Aplicada, Computacional e Industrial (MACI), 9, 541, 2023. URL https://asamaci.org.ar/revista-maci/. 11 [24] Toga, A. W., Thompson, P. M. Mapping brain asymmetry. Nature Reviews Neuroscience, 4 (1), 37–48, 2003. URL https://doi.org/10.1038/nrn1009. 41, 52 [25] Lin, H., Leng, X., Qin, C., Wang, W., Zhang, C., Qiu, S. Altered white matter structural network in frontal and temporal lobe epilepsy: A graph-theoretical study. Frontiers in Neurology, 11, 561, 2020. URL https://doi.org/10.3389/fneur.2020.00561. 52 [26] Petersen, K. B., Pedersen, M. S. The Matrix Cookbook. 2012. 55, 56 |
| Materias: | Física > Física médica |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Física médica |
| Código ID: | 1242 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 12 Sep 2024 15:12 |
| Última Modificación: | 12 Sep 2024 15:12 |
Personal del repositorio solamente: página de control del documento
