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)

A modellStimulus

A várt aktiváció válasz esetén A várt aktiváció ha nincs válasz

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

hrf függvény

Az elvárt választ a stimulus-görbe és a hrf függvény convolvációjából kapjuk

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

GLM

A mért jelet a regressorok valmilyen paraméterek szerinti lineáris kombinációjaként kapjuk

GLM

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

FEAT

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

Bonferoni korrekció

p<0.05/20000 = 0.0000025

Túl konzervatív

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

That’s all folks!