Vérifications des données, artefacts et prétraitements

Jean-Sébastien Provost, 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

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))

Modèle d’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

Signal enregistré

!  Le signal correspond aux changements quantitatifs se traduisant par un changement d’intensité du signal BOLD

!  Le bruit correspond à tout phénomène non-pertinent quantifiable entrelacé dans le signal BOLD

!  Ratio signal/bruit (signal to noise ration) correspond à la force relative de notre signal d’intérêt par rapport aux autres sources de variabilités dans les données.

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).

Pourquoi le rapport signal/bruit est important ?

!  Nous pouvons voir l’effet du SNR sur les données

!  Expérience en blocs avec quatre SNRs différents

!  Avec un SNR haut, les transitions entre blocs sont bien définis. Mais lorsque le SNR diminue, les blocs deviennent plus difficiles à distinguer

Bruit

!  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

Sources de Bruit

!  Bruit thermique

!  Bruit du système

!  Bruit relié au mouvement (physiologique)

!  Bruit neuronal associé aux processus non-reliés à la tâche

!  Bruit comportemental

!  Bruit lié aux acquisitions EPI

Bruit du thermique

!  Bruit associé aux fluctuations du signal dans l’espace et dans le temps en raison du mouvement thermique des électrons à l’intérieur du scanner

Bruit du système

!  Changement du signal IRM à basse fréquence du scanneur

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

Bruit relié au mouvement (physiologique)

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

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

Bruit relié au mouvement (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

Bruit neuronal associé aux processus non-reliés à la tâche

!  Lors d’une acquisition, un participant peut effectuer la tâche avec brio. Par contre, malgré sa performance, d’autres processus cognitifs peuvent avoir lieu, et le signal de ces processus est tout de même intégré à l’acquisition en cours

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 lié aux acquisitions EPI

Correction de distorsion (Field Map)

Force du champ magnétique

!  Alors que le rapport signal/bruit (SNR) augmente avec la force du champ, le bruit physiologique et thermique augmente aussi

Force du champ magnétique

!  Nous pouvons aussi observer des différences en signal IRM lorsque la force du champ du scanneur est différente

!  En bleu nous avons la tâche (en bloc) 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 champ magnétique

!  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)

Autres sources pouvant affecter le signal…

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’un 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

Importance d’un grand N: Significativité 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

Significativité 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.)

Signal/bruit: Effet des 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 des bobines de surface avec une couverture complète de la tête

!  Scanners modernes viennent avec une bobine standand de 8 ou 12 canaux avec capacité à 32 canaux

Photo Source: Technology Review

90-channel prototype Mass. General Hospital

Wiggins & Wald

12-channel coil 32-channel coil

32-channel head coil Siemens

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 canaux de vision(32-channel)

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

Source: Doug Noll’s online tutorial

FACTEURS SNR SOLUTION & COMPROMIS Mouvements 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: bien regarder les données !

!  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

Source d’artéfact: 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

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

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

x translation

z tra

nsla

tion

y tra

nsla

tion

pitch roll yaw

Algorithmes de correction du mouvement

!  Beaucoup d’algorithmes font l’hypothèse d’un corps rigide (i.e. le 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

1

2 3

4

N-1 N-2

N-3 .

N

Série 1

Réaligner au 2ème volume de chaque série séparément (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 acquisition Au fur et à mesures qu’elles s’éloignent de l’acquisition du milieu. Ou - La moyenne des images est calculée et est 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 corriger le mouvement entre les séries.

Implémenté dans FSL et NIAK

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)

Pourquoi les Algorithmes de Correction du Mouvement Peuvent Échouer

!  L’activation peut-être mal interpretée comme étant un mouvement

!  Les distortions du champ associées avec le mouvement de la masse (incluant la masse de la tête) peuvent être mal interpretées 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 champ magnétique, incluant la tête, est un problème

head coil

arm brace

gaze grasparatus

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, ok problème mineur problème énorme peuvent réduire les problèmes

Résidus augmentés ok, 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 volunteer performs nodding head motions of 1.5 degrees in correlation with a stimulus. Data were acquired without motion correction at all (a), with retrospective motion correction only (b), and with 3DPACE (c). The virtual elimination of pixels falsely showing activation is clearly seen in the 3D-PACE image. Only the real differences between regional activations are shown in (c).

Lissage Spatial

Before convolution

Convolved with a

Gaussian

!  Application d’un filtre Gaussien

!  Généralement exprimé en #mm FWHM

!  “Full Width – Half Maximum”

!  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

!  Construisez vos expériences pour minimiser le bruit physiologique

!  Le mouvement est le pire problème : quand il y a des doutes, jetez les données

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

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.

Source des diapos

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