labo1 jb

Post on 10-Aug-2015

91 Views

Category:

Documents

0 Downloads

Preview:

Click to see full reader

TRANSCRIPT

Labo 1

RAD-6005 INTRODUCTION À L’IRMF

Josiane Bourque, Candidate au PhDCentre de recherche du CHU Sainte-JustineUniversité de Montréal

Courriel : josiane.bourque@umontreal.caTéléphone: 514-345-4931 poste 4050

***Code du local # 135

MES COORDONNÉES

Laboratoire 1: 18 février 2015

Laboratoire 2: 25 février 2015

Laboratoire 3: 11 mars 2015

Laboratoire 4: 18 mars 2015

Laboratoire 5: 25 mars 2015

Examen: 8 avril 2015

HORAIRE DES COURS

5 laboratoires Laboratoire 1 – Introduction & prétraitements de données

Laboratoire 2 – Prétraitements + Le modèle linéaire général (GLM)

Laboratoire 3 – Analyse intra- et inter-sujets

Laboratoire 4 – Visualisation des données et identification des régions

Laboratoire 5 – Analyses exploratoires vs régions d’intérêt

Examen 25%

PLAN DES COURS PRATIQUES

Votre directeur de rechercheOù vous scannezUn résumé de votre projet d’IRMf

Type de design Tâche Question de recherche Logiciel d’analyses que vous pensez utiliser

Avez-vous déjà commencé à analyser des données d’IRMf?

PETIT SONDAGE

Il y en a plusieurs:SPM, Brain Voyager (coûteux), FSL, AFNI (langage Matlab et autres), fmristat

Ici, on va utiliser SPM version 12

SPM, AFNI et FSL lisent les fichiers en format nifti

LES LOGICIELS D’ANALYSE

+ --Le logiciel le plus utilisé-Gratuit si vous avez Matlab-Permet de faire des batchs pour accélérer les analyses- «user friendly»

-Ne permet pas une bonne visualisation de chacune des étapes du traitement de données-Un peu trop automatique qu’on ne se rend pas compte de l’effet sur nos données

C’est de passer de ça à ÇA

BUT DU COURS

ÉTAPES DES ANALYSES (STANDARD)

Étapes principalesPrétraitement

Correction du mouvement Normalisation (coregistration, segmentation,

normalisation) Lissage spatial

Le modèle linéaire général (GLM) Analyse intra-sujet

Extraire l’activité reliée à chacune des conditions de la tâche

Analyse inter-sujet Stats de groupe sur l’activité reliée à la condition

1. Éliminer toute variabilité non intéressante associée à nos données → augmenter notre susceptibilité de détecter des eff ets d’intérêt

2. Préparer les données pour les analyses entre sujets

PRÉTRAITEMENT

Huettel, Song, McCarthy, Functional Magnetic Resonance Imaging, 2nd edition. 2008

temps

Time-series

But de cette étape: Réaligner tous les volumes (ou “time-series”) d’un même

sujet en fonction d’un volume de référence pour que le cerveau soit toujours dans la même position

Diminuer les artefacts dûs aux mouvements de la tête (avaler, toux, bouger les pieds, les mains, etc)

1. RÉALIGNEMENT : CORRECTION DU MOUVEMENT

Le réalignement se fait selon 6 paramètres de transformation spatiale: 3 paramètres de translation (x, y, z) et 3 paramètres de rotation (autour des axes x, y, z).

On doit choisir un volume de référence pour réaligner tous les autres à cette référence. Le volume de référence est souvent le volume le plus représentatif de la « time-series », donc une moyenne des volumes.

1. RÉALIGNEMENT : CORRECTION DU MOUVEMENT

x

zy

pitch

yawroll

Translations Rotations

Pk ? Pour répondre à la condition que chaque voxel représente une localisation unique et non-changeante dans le temps.

Mouvement → diff érentes localisations de voxels des images de la “time-series”.

En fMRI, tout ce qu’on fait c’est dans le but ↑ SNR. Cette mauvaise localisation de voxels augmente le bruit (erreur, variance non expliquée par notre modèle), donc ↓ notre SNR, notre capacité à détecter une activité significative

1. RÉALIGNEMENT: CORRECTION DU MOUVEMENT

Un mouvement acceptable peut aller jusqu’à 3mm ou 3°

Cette procédure ne va pas enlever les volumes où il y a bcp de mouvements, elle va réaligner nos volumes et identifi er approximativement où sont les grands mouvements

1. RÉALIGNEMENT: CORRECTION DU MOUVEMENT

2. NORMALISATION

http://www.pet.ubc.ca/sites/default/files/01_Spatial_Preprocessing.pdf

Coregistration: Superposer l’image anatomique sur nos images

fonctionnelles. Avec les informations de l’image anatomique haute

résolution, il sera plus facile d’identifier les différentes régions d’activité dans nos analyses

Rendre la normalisation plus précise

Image de référence: le volume moyen fonctionnel Image source: image anatomique

2A. NORMALISATION - COREGISTRATION

But de cette sous-étape: Mettre l’image structurelle

dans un espace de coordonnées (le même que le template)

Orienter les différents tissus, les amplifier ou les diminuer et les transformer pour que les gyrus et sulcus « matchent » nos cartes de probabilités

Classifier l’image structurelle en matière grise, blanche, CSF, os, tissus mous, et le reste à l’aide de carte de probabilités

Enregistrer ces transformations pour pouvoir les appliquer aux données fonctionnelles

2B. NORMALISATION - SEGMENTATION

http://www.pet.ubc.ca/sites/default/files/01_Spatial_Preprocessing.pdf

Normalisation de l’anatomique !

Cartes de probabilités des tissus sont déformées pour « fi tter » avec le sujet

2B. NORMALISATION - SEGMENTATION

Pk ? Nous permettre de comparer les cerveaux entre eux, et les

régions entre différentes études (si on utilise le même espace de coordonnées)

Rapporter nos résultats dans un espace standard Extrapoler nos résultats à la population générale

Pour ce faire, Placer le cerveau dans un espace avec des coordonnées pour ensuite déformer nos images fonctionnelles à partir des mêmes transformations du structurel

2C. NORMALISATION FONCTIONNELLE

Tous les cerveaux ne sont pas rendus identiques !

NORMALISATION

Matthew Brett

Moyenner l’activité de voxels voisins pour ↓ le bruit. On peut se permette de faire ça, car l’activité entre voxels voisins est très fortement corrélée

Généralement de 2 à 3 fois la taille des voxels Voxels 3mm = smoothing de 6 à 10mm

3. LISSAGE SPATIAL

Avantages:- ↑ du ratio signal/bruit (SNR)- ↓ nbre de comparaisons

multiples- Réduction de la variance des

données fonctionnelles entre sujets pour ↑ comparabilité

Désavantages:- ↓ Résolution spatiale (on perd

du détail)- Apparition d’une couronne

d’artefacts autour du cerveau

Pour lisser nos données, on utilise un fi ltre Gaussien qui a pour but d’embrouiller nos données et réduire le détail et le bruit

Le degré de lissage dépend de la largeur de la cloche à mi-hauteur

FWHM: full-width-half-maximum

3. LISSAGE SPATIAL

FWHM

Ce que ça donne sur nos images…

3. LISSAGE SPATIAL

Lisez le commentaire au bas de la fenêtre qui explique le paramètre

Allez fouiller dans le manuel SPM

Gardez les paramètres par défaut que présente SPM

EN CAS DE DOUTE !

Vous pouvez sauvegarder vos fichiers dans votre « Home » et vous y aurez accès à nouveau la prochaine fois que vous vous connecterez.

Sauvegardez chacune de vos étapes! Pour une revérification de ce que vous avez fait ou pour venir changer des paramètres et relancer l’étape

IMPORTANT !

top related