Beyin Haritalama Görüntülerden Ağlara Doç. Dr. Burak Acar Boğaziçi Üniversitesi, Elektrik-Elektronik Müh. Bölümü, VAVlab, Bebek, İstanbul acarbu@boun.edu.tr
Sunum Planı# Ağ yapıları Bir Ağ Olarak Beyin Yapısal Beyin Ağları - snet Difüzyon MRI İşleme snet Düğümleri snet Bağları İşlevsel Beyin Ağları fnet Fonksiyonel MRI İşleme fnet Düğümleri fnet Bağları B-AĞ (BRAINet) Projesi Sonuç
Ağ Yapıları# Ağ bir düğümler kümesi ({D n }) ve düğüm çiftleri arasında tanımlı bağlar kümesinden ({L mn }) oluşan matematiksel bir yapıdır. Düğümler soyut durumları (ör. bir tümör tanımında kötü huylu olmak ) veya fiziksel yapıları (ör. posterior cingulate) ifade edebilirler. Bağlar düğümler arası nedensellik ilişkilerini (yönlü bağlar) veya ilintililiği/ korelasyonu (yönsüz bağlar) ifade eder. Bağlara sözkonusu ilişkiye atfedilen değerler (ağırlıklar) atanabilir veya 0/1 boolean değerler verilebilir. Ağ topolojisini verili düğüm kümesi ve ağırlıkları sıfırdan farklı bağlar kümesi belirler.
Bir Ağ Olarak Beyin# Ağ düğümleri: Modal / İşlevsel Anatomik / Yapısal Bağ değerleri: İşlevsel fnet Yapısal snet Bağ matrisi: Ağ karakterizasonu: Küçük Dünya Özelliği: Yüksek kümelenme + Kısa bağlantılar Complex brain networks: graph theoretical analysis of structural and functional systems Ed Bullmore & Olaf Sporns. Nature Reviews Neuroscience 10, 186-198 (March 2009) Blink
snet YAPISAL AĞLAR#
Yapısal Beyin Ağları snet Difüzyon MRI İşleme# Difüzyon Tensörü (DTI) : Q-Ball Görüntüleme (QBI): DTI ikinci derece bir yakınsama olup, yerel yapının basitliği/varlığı (FA) ile basit tek fiber yönlü yapılarda fiber yönünü (e 1 ) ifade edebilir. QBI daha yüksek dereceli bir model olup, kesişen/öpüşen fiberler hakkında da bilgi verir. Tuch, Magnetic Resonance in Medicine. Volume 52, Issue 6, pages 1358 1372, December 2004 P. Mukherjee et al. AJNR April 2008 29: 632-641 Tristán-Vega A., et al. Neuroimage. 2009 Aug 15;47(2):638-50.
Yapısal Beyin Ağları snet snet Düğümleri# Atlas Çakıştırma Traktografi Standart Anatomik Model: MNI152 ( Montreal Neurological Institute ) Hagmann, P., et al. PLoS Biol. 6, e159, 2008 https://braintalks.wordpress.com/2011/12/04/10-maps-of-the-mind/ Youtube
Yapısal Beyin Ağları snet snet Bağları# snet bağları iki düğüm arası fiber yoğunluğu/sayısı ile belirlenir. Görüntülenen fiberler değil fiber demetleri olduğundan, fiber sayısının fiziksel karşılığı bulunmamaktadır. Bütün yöntemler FA, açı, seeding gibi parametre seçimlerine duyarlıdır Yerel# Global# Düşük SNR duyarlılığı Uzun fiberlerde artış Yüksek yoğunluk ve efficiency Zayıf küçük dünya özelliği Yüksek işlem yükü Tek Yönlü Model (ör. DTI)# Çok Yönlü Model (ör. QBI)# Deterministik# Olasılıksal# Deterministik# Olasılıksal# Streamline, TEND Graph Traktog., ConTrack PiCO, PROBTRACK Eşik belirlemedeki belirsizlikler Düşen olasılık eşiği ile Uzun fiber sayısında artış Yüksek yoğunluk ve efficiency Zayıf küçük dünya özelliği ODF / CSD streamline CSD multi-graph ifod, PROBTRACKX Artan SNR duyarlılığı Kesişen/Öpüşen fiberlerin ayrılabilmesi Uzun fiber sayısında artış, ör. inter-hemisphere bağ artışı Yüksek yoğunluk & efficiency Zayıf küçük-dünya özelliği Bastiani M, et al. Neuroimage (2012 Jun 12) 62: 1732-1749 Yoldemir B., et al. IEEE TMI, October 2012, Vol. 31-10, pp. 1929-1940
Yapısal Beyin Ağları snet snet Bağları Deterministik Yöntemler# Streamline Traktografi r(s + ds) = r(s) + h.f(r,dmri) f(s) f(s) f(s) DTI r(s): Fiber ODF/MAP-MRI
fnet İŞLEVSEL AĞLAR#
İşlevsel Beyin Ağları fnet Fonksiyonel MRI İşleme - I# Realignment Slice Timing Realignment : fmri-fmri Çakıştırma Transformasyon: 3-6DoF Rigid - Intra-subj., 9-12DoF Affine - Eddy-Cur. Cor., 10 6 DoF - Inter-subj. Kriter: LS & NC Intra-modal, CR & MI & NMI & BBR Inter-modal İnterpolasyon: Nearest Neighbour, Trilinear, Spline, Sinc, k-space Slice Timing : Kesit Zamanlama Sinc interpolasyonu Tek bir fmri hacminde axial kesitler arası zaman farkı bulunur. Kesit Zaman Her bir fmri hacmi içindeki bütün kesitleri eşzamanlı kılmak üzere yapılan interpolasyondur. Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41 ; http://www.brainvoyager.com ; FSL Lecture Slides
İşlevsel Beyin Ağları fnet Fonksiyonel MRI İşleme - II# Censoring Co-registration Censoring : fmri sansürleme Spatial Smoothing (LPF) Düşük kaliteli (ör. yüksek DVARS, FD) fmri çekimlerinin sansürlenmesi ve yerlerinin zaman ekseninde interpolasyonu (doldurulması) Co-Registration : fmri -T1(+ Parselasyon) Çakıştırma 6 DoF transformasyon + MI/NMI kriter + Trilinear interpolasyon + Field-map unwarp Filtering: Uzam LPF Uzam LPF (Alçak Geçiren Filtre): Gauss (1-2 voksel FWHM), Wavelet filtreleme, Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41
İşlevsel Beyin Ağları fnet fnet Bağları & Düğümleri (Rest fmri)# RegressionBPF Factorization: ICA Correlation Parcellation RegressionBPF Correlation Regression + BPF: İstenmeyen sinyallerin (nuisance) giderilmesi Hareket (Realignment) modellerine dayalı regresyon beklenen sonucu vermemektedir. fmri sinyallerine dayalı regresyon: ANATICOR: Gri madde voksellerinin komşuluğundaki beyaz maddeden yerel nuisance sinyalleri modellenip çıkarılmaktadır. CompCor: Beyaz madde, CSF gibi gri madde dışı bölgelerin global PCA modeli kullanılarak global nuisance sinyalleri modellenip çıkarılmaktadır. ICA: Tüm beyinden toplanan sinyallerinin bir arada işlenmesi ile uzamsal olarak bağımsız sinyal bileşenlerini bulmaya yönelik bir yaklaşımdır. Bu bileşenlerin nöral ve nuisance sinyallerini ayırması beklenir. ICA nın global nuisance sinyallerini belirlemesi zordur. Wavelet: Dalgacık dönüşümüyle yüksek genlikli bileşenleri ayırmayı hedefleyen oldukça yeni ve spekülatif bir yaklaşımdır. Global Regresyon: Deneysel olarak başarılı sonuçlar raporlanmış olmakla birlikte simulasyonlara dayalı tartışmalar da devam etmektedir. Zaman HPF/BPF (Yüksek/Aralık Geçiren Filtre): 0.01 Hz 0.1 Hz, Konsensus yok ancak filtreler regresyon modelleri ile uyumlu olmalı. Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41
İşlevsel Beyin Ağları fnet fnet Bağları & Düğümleri (Rest fmri)# RegressionBPF Parcellation Factorization: ICA RegressionBPF Correlation Correlation Factorization : ICA bileşenlerinin uzamsal dağılımı #" 11 " & % 1N ( [ ] pxn = A pxq % " # " ( $ %" q1 " qn ' ( BOLD Sinyalleri ICA Bileşenleri Z-stat üzerinden aktivasyon haritaları Correlation: Zamansal korelasyon / eşgüdüm Tam Korelasyon: 2 BOLD sinyali doğrudan kullanılır. Kısmi Korelasyon: 2 BOLD sinyalinin, diğer tüm sinyallere dik uzaydaki bileşenleri kullanıllır. ICOV: X DxT = { x t "# D };$ = Cov( x t );A = $ %1 ;ICOV (i, j) = %A ij A ii A jj Smith et al., Neuroimage (2011 Jan 15) 54: 875-91 Power JD, et al. Neuroimage (2015 Jan 15) 105: 536-51 ; Strother S.C.IEEE EMB Magazine (2006 Jan 1) 25: 27-41 Beckmann CF, Philos Trans R Soc Lond B Biol Sci 360: 1001-13; Marrelec et al., Neuroimage (2006 Aug 1) 32: 228-37
İşlevsel Beyin Ağları fnet fnet Bağları & Düğümleri (Rest fmri)# Regression BPF Parcellation Factorization: ICA Regression BPF Correlation Correlation Alternatif bir yöntem fnetdüğümlerinin snet ler gibi anatomik parselasyon bilgisinden belirlenmesidir. snet-fnet ilişkilerinin modellenmesinde ortak düğüm kullanmak için yararlanılabilir. Yapısal (Parselasyon) olarak tanımlanmış düğüm yerleri/sınırları işlevsel olarabirlikte çalışan bölgelere karşılık gelmeyebileceği için parsellere dayalı düğüm sınırlarının fmri tabanlı yerel korelasyon ile düzeltilmesi gerekir.
B-AĞ (BRAINet) Projesi TÜBİTAK 1003 Programı, Proje # 114E053 - Kasım 2014 Kasım 2016# Amaç: Bütünleşik snet-fnet (cnet) modelleme ile Alzheimer (vd. Nöropsikolojik hastalıklarda) tanı, sınıflama ve öngörü yöntemleri geliştirilmesi Yöntemler: 1. Çok yönlü yeni dmri görüntüleme (ODF, MAP-MRI) uygulamaları, 2. Deterministik-Olasılıksal hibrid traktografi (SMT) uygulamaları, 3. fmri optimal veri işleme protokolü tanımlanması 4. cnetmodelleme 5. Konvansiyonel ve ağırlıklandırılmış ağlara dayalı yeni snet, fnet, cnet karakterizasyon parametreleri 6. Yeni ağ parametreleri ile tanı, sınıflama, öngörü algoritmaları Ekip:
B-AĞ (BRAINet) Projesi BRAINet Sistem Şeması # dmri Traktografi (SMT) DTI, ODF, MAP-MRI fmri snet Modelleme Parselasyon & Inter-modal Çakıştırma cnet Modelleme fmri Önişleme fnet Modelleme Karakterizasyon
B-AĞ (BRAINet) Projesi Mean Apparent Propagator MRI # Crossing between the inferior-located external medullary lamina and the superiorly-located internal capsule within the thalamic reticular nucleus Özarslan et al., NeuroImage, 78:16-32, 2013 Significant anisotropy is detected in a caudatolenticular gray matter bridge traversing the oblique caudocranial orientation of the internal capsule.
B-AĞ (BRAINet) Projesi snet Bağları# SMT: Split & Merge Tractography S7 J 67 J 34 S6 J 25 S5 S3 Bridge J 23 "Broken Bridge "New J 26 S4 S2 S1 "Seed Tract J12 SMT deterministik ve olasılıksal traktografiyi tek/çok yönlü difüzyon modelleri kullanarak birleştirmektedir. Yoldemir B., et al. IEEE TMI, October 2012, Vol. 31-10, pp. 1929-1940
Sonuç# Beyin ilişki ve işbirliği içinde çalışan farklı birimlerden oluşan bir ağ olarak modellenebilir. İşlevsel ağlar farklı bölgelerin ilişkisini tanımlarken, yapısal ağlar fiziksel nöron bağlantılarını makro boyutta modeller. İşlevsel bağlantılar da yapısal bağlantılar da MRI teknikleri ile endirekt yolla in-vivo görüntülenebilir. Beynin ağ modelleri ortak bazı özellikler gösterse de, her ağ, seçilen MRI tekniği ve modeli, Sinyal işleme sürecine dahil edilen aşamalar, Her sinyal işleme aşamasında seçilen parametrelerle değişiklik gösterir. Beyin ağ modellemesi için Doğru bir yöntem bulunmamaktadır ama yapılan seçimlerin bilinçli yapılması, gerekçelendirilmesi ve raporlanması şarttır. B-AĞ projesi TÜBİTAK 1003 Prog.(114E053) tarafından desteklenmektedir