Titelaufnahme

Titel
Identification and removal of signal components related to cardiac activity from high resolution resting-state fMRI data by means of blind source separation / durch Raphael A. Gunacker
Weitere Titel
Analyse des temporalen Informationsgehalts hochauflösender resting state-fMRI Daten mithilfe von Blind Source Separation-Algorithmen
VerfasserGunacker, Raphael A.
Begutachter / BegutachterinBadurek, Gerald
ErschienenWien 2016
Umfang69 Seiten : Illustrationen
HochschulschriftTechnische Universität Wien, Univ., Diplomarbeit, 2016
Anmerkung
Zusammenfassung in deutscher Sprache
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Ruhezustand / fMRT / Blinde Quellentrennung / Zeitreihenanalyse
Schlagwörter (EN)resting state / fMRI / blind source separation / time series analysis
URNurn:nbn:at:at-ubtuw:1-78 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Identification and removal of signal components related to cardiac activity from high resolution resting-state fMRI data by means of blind source separation [2.25 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die BOLD-fMRI-Datenanalyse ist eine herausfordernde Aufgabe - mitunter bedingt durch den starken Einfluss von Störgrößen. Diese Störgrößen sind teilweise physiologischen Ursprungs (darunter fallen beispielsweise der Herzrhythmus oder aber auch die Atmung). In der sogenannten "resting state" fMRI-Forschung wird farbiges Rauschen zu einem noch größerem Problem, da BOLD-Fluktuationen dort einen kleineren Signalanteil ausmachen, als die so genannte "BOLD response" in der "task-related" fMRI-Forschung. Das Ausmaß dieses Problems ist in der Forschung noch nicht lange bekannt. Physiologisch bedingtes Rauschen wird durch Aliasing-Effekte in das Signal zeitlich niedrig auflösender Scans gespiegelt (wenn das Nyquist-Shannon-Abtasttheorem ignoriert wird). Mit dem Aufkommen von schnellen Multiband-Sequenzen ist es jedoch möglich geworden, solche Aliasing-Effekte zu vermeiden, sofern die Abtastfrequenz hoch genug eingestellt wird. Und nachdem lange Zeit angenommen wurde, dass "resting state" Netzwerke eine Bandbreite im Bereich von 0.01-0.1 Hz haben, schien es, als könnten zeitlich hochauflösende Scans durch die Anwendung einfacher Zeitfilter von physiologischem Rauschen befreit werden. Aktuelle Studien haben jedoch gezeigt, dass "resting state" Netzwerke auch in Frequenzbereichen >0.1 Hz identifiziert werden können. Die Anwendung von Zeitfiltern erwies sich daher als nachteilig, da diese relevante Signalanteile ebenso eliminiert, wie Rauschen. Ein neuer (auf einer sogenannten "Blind Source Separation"-Methode basierender) Ansatz zur Rauschentfernung wird im Rahmen dieser Arbeit vorgestellt. Zeilich hochauflösende BOLD-fMRI-Daten werden in zeitlich unabhängige Komponenten zerlegt. Diese Zeitreihen werden im Frequenzbereich analysiert und Komponenten, die physiologischem Rauschen zugeordnet werden können, werden in die Datenrekonstruktion nicht miteinbezogen. Dieser neue Algorithmus wurde auf reale fMRI Daten angewandt (und parallel dazu wurden die selben Daten mit einem Bandpass-Filter gefiltert). Die bandgepassten Daten und die mittels dem neuen Algorithmus analysierten Daten wurden einer sogenannten "seed-based correlation"-Analyse unterzogen um festzustellen, ob bezüglich der funktionellen Konnektivität signifikante Unterschiede festgestellt werden können. Die Ergebnisse haben gezeigt, dass dies sehr wohl der Fall ist. Mit Ausnahme der funktionellen Konnektivität, die speziell im Bezug auf das auditive resting state Netzwerk bestimmt wurde, scheinen diese signifikanten Unterschiede jedoch nicht in spezifischen Mustern aufzutreten. Andere explorative Ansätze (z.B. eine Clusteranalyse) könnten Teil zukünftiger Analysen zur Validierung dieses neuen Ansatzes sein und zum Vergleich des Selbigen mit ähnlichen Ansätzen dienen.

Zusammenfassung (Englisch)

BOLD-fMRI data analysis is challenging - in part due to the strong influences by non-white noise, some of which has physiological origins (e.g. cardiac activity or respiration). Noise becomes even more of a problem in resting state fMRI research, since BOLD fluctuations account for a smaller portion of signal than the BOLD response in specific task-related fMRI signals does. Researchers have not always been aware of the great extent of this problem. Physiological noise is aliased into scans of a low temporal resolution (i.e. if the Nyquist criterion is not satisfied). But with the advent of multiband sequences, which facilitate higher sampling rates, it became possible to circumvent aliasing of high frequency noise into the signal of interest, if only the sampling frequency was set high enough. Since resting state networks have commonly been assumed to have abandwidth lying in the range of 0.01-0.1 Hz, it seemed, as if scans of high temporal resolution could be freed from physiological noise by temporal ltering. Recent studies have, however, revealed that resting state networks could also be identified in frequency ranges >0.1 Hz. Hence, the application of temporal lters turned out to be disadvantageous, since it eliminates useful information just as well as noise. A novel approach to noise removal (based on blind source separation) is presented in this thesis. BOLD-fMRI data of high temporal resolution is decomposed into temporally independent components (time courses) and corresponding weights.The time courses are analysed in the frequency domain and components deemed to be related to physiological noise were excluded from subsequent data reconstruction. fMRI data have been processed with this new algorithm and have (in another processing pipeline) been band passed (as a reference). The band passed data and the data processed by means of the proposed algorithm have both been subjected to seed-based correlation analysis in order to determine whether signi ficant differences in functional connectivity could be observed. Results indicate that the different approaches did in fact lead to such signi cant differences. With the exception of the functional connectivity assessed for the auditory resting state network, the differences did however not appear to occur in specific patterns. Other exploratory approaches (e.g. cluster analysis) could be used in future analyses in order to further validate this new noise removal approach and to compare results to those of similar approaches (e.g. CORSICA, PESTICA).