az fmri alapjai - nepsy.szote.u-szeged.hukincsesz/fmri/fmri_fmri1.pdf · a várt aktiváció...
Post on 12-Jul-2018
220 Views
Preview:
TRANSCRIPT
Az fMRI alapjaiStatisztikai analízis I.
Dr. Kincses TamásSzegedi Tudományegyetem
Neurológiai Klinika
Prestatisztika
• Agy extrakció (BET)
• Regisztráció (FLIRT, FNIRT)
• Mozgáskorrekció (MCFLIRT)
• Térbeli szűrés (FEAT)
• Időbeli szűrés (FEAT)
Haemodinamikus válasz
A feltételezett vascularis válasz a neuronális válasz “megkésett” és “elnyújtott verziója
BOLD válaszNyugalom Aktiváció
deoxy-haemoglobin ⇒ mágneses tér perturbációja ⇒ dephasing ⇒T2* jel csökken
A kérdés
Olyan voxeleket keresünk az agyban, melyek aktivitásának időbeli lefutása hasonlít a stimulus alapján kalulált elvárthoz.
GLM
Mért jel Regressor #1 Regressor #2 Regressor #3
A mért jelet a regressorok valmilyen paraméterek szerinti lineáris kombinációjaként kapjuk
General Linear Model
A GLM a pramétereket Least Square metódussal kalkulálja.A számított paraméterek (parameter estimates, PE) azt fejezik ki, hogy az adott
regresszor mennyit magyaráz meg a jelből.
Az átlag
Az átlag modellezhető, vagy eltávolíthatóFEAT-ben az első szinten az adat és az EV-k átlaga eltávolításra kerül
(csoportanalízisben nem)
Null hipotézis teszt
t =β∕std(β)Y=βX+ε
A null-hypothesis szerint β=0t normális eloszlást mutat
Kis p érték esetén a null-hipotézis nem valószínű, ha p<p-küszöb akkor a voxel aktívp-küszöb⇒False Positive Rate
FEAT-ben mindig t to z konverzió
P = p(t > t'|β = 0)
t-kontraszt
[1 0 0]: COPE = 1xβ1 + 0xβ2 + 0xβ3
[1 -1 0]: COPE = 1xβ1 -1xβ2 + 0xβ3
A számított paraméterek lineáris kombinációja: COPE (contrast of parameter estimates)null-hipotézis: COPE=0
t =COPE∕std(COPE)
t-kontraszt
•[1 0] ⇒ EV1 magában (stimulus vs. rest)
•[0 1] ⇒ EV2 magában
•[1-1] ⇒ EV1-EV2 (Jobb fit EV1-re mint EV2-re)
•[-11] ⇒ EV2-EV1
•[1 1] ⇒ EV1+ EV2 (átlag aktiváció)
f-kontraszt
Több kondíció közül bármelyik szignifikánsCOPE-ok egy halmaza alkot egy f-tesztet
Van-e adatban szignifikáns variancia, mely az f-kontrasztban lévő COPE-okkal magyarázható?F-eloszlást mutat
Aktivációs küszöbNull-hipotézis teszt egy választott fals pozitív aránnyal
de van 20000 független voxelFPR=0.05 és 20000 voxelnél ez 1000 fals pozitívat jelent
Az egész agyra akarunk egy FPR-t
Random mező teória
A voxelek nem függetlenek a térbeli smoothness miattA térbeli smoothing segít ebben
RESEL
FWHM
RESEL: RESolution ELementEgy csoportnyi voxel mely megfelel a FHWM-nak
Nem pontosan egyenlő a független megfigyelések számával
Elvárt Euler karakterisztika
Annak a valószínűsége, hogy egy vagy több pötty legyen a statisztikai imagen egy adott z küszöbbel
Cluster
A RFT-al meg lehet határozni annak a valószínűségét, hogy bizonyos térbeli kiterjedés és z érték mellett egy clustert találjak
top related