Vérifications des données, artefacts, prétraitements et corrections du mouvement

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

La boîte noire

Le danger du traitement automatique des données et des images fantaisistes est qu’on peut obtenir des ‘activations’ sans vraiment regarder les données réelles

Plus on fait d’étapes d’un coup, plus il y a de chances d’avoir des problèmes

Données brutes

Grande Boîte Noire du logiciel

informatique Jolies Images

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 d’artefacts liés au scanner (e.g., spikes) ?

Regardez le décours temporel

Y a-t-il quelque chose d’inattendu (e.g., changements soudains dans le signal au début de la série) ?

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 s’alignent bien avec les images anatomiques suivant les transformations.

Réfléchissez au fur et à mesure. Recherchez les patrons suspects.

Artefacts de l’échantillonnage

Fantômes

Pics

Objets métalliques (e.g., élastiques pour les cheveux)

Mauvais fonctionnement du matériel

Signal enregistré

(A) est l’image acquise pendant que le sujet se reposait

(B) est l’image au même endroit lorsque le sujet pressent des deux mains

La différence entre ces deux cas est extrêmement petite comparé à l’activité globale, même aux « extrêmes » d’activité (flèches dans (E))

Signal enregistré

Trois voxels (A): un qui n’est 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).

Modèle n’une réponse hémodynamique

L’activité visualisée en IRMf n’est jamais du style « tout ou rien », mais est plutôt en forme de degré d’activité

Ici on voit deux réponses d’une seule région sensible aux visages et aux objets

La réponse à chaque stimulus est grande comparé à la différence entre les deux

Pourquoi le rapport signal/bruit est important ?

Nous pouvons voir l’effet 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

Sources de Bruit

Bruit physique: “Blâmez l’aimant, le physicien, ou les lois de la physique” Bruit thermique: Fluctuations dans l’intensité du signal RM dû au

mouvement thermique des électrons dans l’espace

Bruit du système: Flucutations causées par les imperfections de l’équipement

Bruit physiologique: “Blâmez the sujêt” Bruit causé par le mouvement de la tête, le coeur et la respiration

Bruit de l’activité neuronale non-reliée à la tâche

Bruit cognitif et comportemental: fluctuations dans les réponses et l’attention du sujet à travers l’heure de scan

Bruit du système

Changement du signal IRM à basse fréquence du scanneur

Ce phénomène s’appelle la dérive ou « drift » du scanneur

Bruit physiologique

Le spectrum de puissance d’un seule voxel à travers un run IRMf

On peut bien voir différents peaks causés par la respiration et le battement du coeur

Bruit du mouvement

Une carte de bruit à travers le cerveau

Nous voyons la déviation standard d’une seule run IRMf pendant une tâche visuelle et motrice

Les voxels avec une grande déviation standard sont en blanc

La déviation standard n’est pas uniforme à travers le cerveau

Les régions avec le plus de bruit (grande déviation standard) sont aux bords de la tête

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)

L’expérience 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)

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

Bruit lié aux acquisitions EPI

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

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

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 d’air, tel que les sinus

Nous voyons ici trois sujets scannés à 1.5T (A) et à 4.0T (B)

Variations entre sujets

Jusqu’à maintenant nous avons regardé les différences en activité dans les données d’un seul sujet – mais il est important d’évaluer 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 l’on compare les sessions d’un même sujet (C et D)

Cette différence est encore plus petite lorsque l’on compare la réponse hémodynamique d’une seule session (E et F)

Importance d’un grand N

Pour démontrer l’importance d’u grand nombre de données, nous avons des données de N essais à 16N essais

L’estimation de la vraie moyenne est de plus en plus précise avec un N qui augmente

Signifiance statistique

Nous avons une carte statistique du cerveau en (A)

Les voxels coloriées sont celles qui ont une valeur statistique plus haute qu’un seuil spécifié

La région agrandie montre que les voxels coloriées sont entourés par d’autres qui ont des valeurs statistiques légèrement plus basses

Signifiance statistique L’étendue d’activation dépend beaucoup du

moyennage

Il ne semble y avoir aucune activation avec 4 essais, mais lorsque l’on moyenne 144 essais, une activation est bien visible

L’intensité 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.)

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

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 prototypeMass. General Hospital

Wiggins & Wald

12-channel coil 32-channel coil

32-channel head coilSiemens

Phased Array Coils C’est une nouveauté

maintenant d’utiliser des bobines à “phased array”

Équivalent d’utiliser plusieurs champs de vision afin d’augmenter le rapport signal/bruit et accélérer l’acquisition

Les nouveaux scanneurs sont équipés avec des bobines à 32 champs de vision(32-channel)

Qu’est-ce qui affecte le rapport signal/bruit ?

Source: Doug Noll’s online tutorial

FACTEURS PHYSIOLOGIQUES SOLUTION & COMPROMISMouvements 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 2nd ordre– peut introduire d’autres artefacts

Essais uniques pour éviter les mouvements du corps

Bruit lié à la respiration et au rythme cardiaque Contrôler et compenser– pas évident!

Bruit de basse fréquence Utilisation de bons desseins

Utilisation de filtres post-processing

Bruit BOLD (fluctuations neurales and vasculaires) Utilisation de beaucoup d’essais pour moyenner la variabilité

Variations liées au comportement Utilisation de paradigmes bien contrôlés

Utilisation de beaucoup d’essais pour moyenner la variabilité

Artéfacts de l’échantillonnage

Fantômes

Pics

Objets métalliques (e.g., élastiques pour les cheveux)

Mauvais fonctionnement du matériel

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 d’une mauvaise connexion

En (B) on voit des fluctuations dans le champs magnétique qui cause des changements d’intensité à travers l’image

Effet d’acquisition en tranches

Nous avons une région activée uniformément. Cette région s’étend sur trois tranches d’une 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

L’activité hémodynamique semble être plus tôt pour la tranche 16, même si l’activité sous-jacente est identique

Correction de distorsion (Field Map)

Pourquoi les mouvements de la tête sont ennuyants

…et ce que vous pouvez en faire

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. L’intensité 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 d’une région d’intérêt : La région d’intérêt bouge Analyses à l’échelle 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 l’excitation et la lecture

Mouvements de la tête

Il y a des grandes transitions d’intensité sur les extrémités du cerveau

Si on compare la position du cerveau avant (B) et après (C) le mouvement, les valeurs d’intensité changent beaucoup

Mouvements de la tête

Parce que l’intensité change beaucoup aux extrémités, ceci cause des couronnes d’activité 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

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

Signal fMRI

× 1

× 2

=

ResidualsMatrice du dessein

++

“ce qu’on PEUT

expliquer”

“ce qu’on 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

Mouvement des régions au cours du temps

Un décours temporel à partir d’une région précise échantillonnera une partie différente du cerveau au cours du temps si la tête bouge

Par exemple, si on définit une région d’intérêt dans la série 1 mais que la tête bouge entre les séries 1 et 2, notre région d’intérêt définie est maintenant en train d’échantillonner moins de l’aire que nous voulions et plus de l’espace adjacent

C’est un problème dans le cas de mouvements entre les séries mais aussi à l’intérieur d’une série

Temps 1 Temps 2

Correction du Mouvement

La correction du mouvement devrait être faite avant tout autre prétraitement

Ceci veut dire qu’il faut aligner chaque volume au volume le plus proche du volume anatomique

1

2

3

4

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

1

2

3

4

N-1

N-2

N-3.

N

Série 1

1

2

3

4

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

1

2

3

4

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 acquisitionAu fur et à mesures qu’elles

s’éloignent de l’acquisition 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 corrigéle mouvement entre les séries.

Implémenté dans FSL et NIAK

x translation

z tr

ansl

atio

n

y tr

ansl

atio

n

pitch roll yaw

Algorithmes de correction du mouvement

Beaucoup d’algorithmes font l’hypothèse d’un corps rigide (i.e. ce cerveau n’est 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 l’image anatomique

Types de mouvement

Types de mouvement

we’re missing data here

we have extra data here

Temps 1 Temps 2

Perte d’information en haut et en bas de l’image

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

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

Pourquoi les Algorithmes de Correction du Mouvement Peuvent Échouer

L’activation 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

Artefacts liés au Mouvement de la Masse

Les mouvements de toute masse dans le champs magnétique, incluant la tête, est un problème

headcoil

arm brace

gazegrasparatus

brace

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 activations ok, corrigées par LTR

ok problème mineur problème énorme peuvent réduire les problèmes

Résidus augmentés ok, corrigés par LTR

ok problème problème peuvent réduire les problèmes ; peuvent être améliorés en incluant des paramètres de mouvement comme prédicteurs d’un non-intérêt

Mouvements des régions problème problème mineur-majeur dépendant de la taille du mouvement

problème problème peuvent réduire les problèmes ; si l’algorithme est berné par des artefacts physiques, le problème peut être empiré par la correction du mouvement

Artefacts physiques Pas vraiment un problème car les effets sont graduels

ok problème problème énorme Peut pas résoudre le problème ; peut être induit en erreur par les artefacts

Differents mouvements; differents effets

La règle du frigo

Quand c’est douteux, on jette !

Aider à atténuer l’effet du mouvement pendant l’acquisition 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 volunteerperforms nodding head motionsof 1.5 degrees in correlation witha stimulus. Data were acquiredwithout motion correction at all(a), with retrospective motioncorrection only (b), and with 3DPACE(c). The virtual eliminationof pixels falsely showing activationis clearly seen in the 3D-PACEimage. Only the real differencesbetween regional activations areshown in (c).

Lissage Spatial

Before convolution

Convolved with a

Gaussian

Application d’un filtre Gaussien Généralement exprimé en

#mm FWHM “Full Width – Half Maximu

m” Typiquement ~2 fois la

taille d’un voxel

Données non lissées

Données lissées (largeur du filtre 5 voxels)

Effets du Lissage Spatial sur l’activité

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 l’application 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 n’est pas

connu

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 n’est pas toujours un exercice “one size fits all”

Source des diapos

Remerciements: Cécile Madjar Kristina Martinu

Huettel, Song & McCarthy, 2004, Functional Magnetic Resonance Imaging

Dr. Jody Culham’s tutorials: http://psychology.uwo.ca/fMRI4Newbies/Tutorials.html

Prochain cours:-Continuation du prétraitement et modèles linéaires