Laboratoire 1 18 février 2015

Étapes du prétraitement de données d’IRMf

Étape 0 : Regarder nos données

Premièrement, on ouvre toujours nos images fonctionnelles et structurelle à l’aide de la fonction « Display » ou « Check Reg » pour voir 2 images en même temps. À cette étape, on peut déjà se rendre compte que nos images présentent des problèmes au niveau de l’acquisition. Cliquer sur l’image pour vous déplacer dans le cerveau. Il peut aussi y avoir de la distorsion dans nos images si elles ne semblent pas uniformes. Souvent, on dirait qu’il manque une petite partie du cerveau en arrière des yeux au niveau du cortex orbitofrontal, c’est dû à la distorsion du champ magnétique causé par les sinus, ou par des broches par exemple. Si tout semble ok on passe à l’étape suivante : le prétraitement. Généralement, si vous assistez à l’acquisition de données IRM avec vos sujets, le technicien vous renseigne déjà sur l’état de vos acquisitions : par exemple, si le sujet a beaucoup bougé, s’il y a des distorsions du champ magnétique, etc. N’hésitez pas à demander au technicien de vous montrer le film de vos « time-series » : une bonne façon d’évaluer visuellement si le sujet a bougé.

1. Réalignement (correction du mouvement) Dans nos analyses, on veut comparer l’activité de régions du cerveau en fonction

du temps, mais si le participant bouge ça a un impact sur la localisation du voxel et donc sur son activité en fonction du temps.

Le mouvement réduit notre sensibilité de détection d’activité, car il augmente la variabilité du résidu (amène beaucoup de variabilité) dans notre futur modèle.

Donc, il est important de réduire les artéfacts du mouvement On va préférablement réaligner toutes les tâches fonctionnelles d’un même sujet

ensemble SPM nous offre 4 options :

o Realign (Estimate) : Estimer les 6 paramètres qui décrivent les transformations linéaires entre chaque image et l’image de référence. Ces estimations seront enregistrées dans le « header » de nos images fonctionnelles.

o Realign (Reslice) : Générer un nouveau set d’images selon des estimations/paramètres qui ont été calculées (r…. . nii).

o Realign (Estimate and Resclice) :Estimer les paramètres et appliquer ces paramètres de transformation à nos images, c’est-à-dire qu’on génère de nouvelles images (r….. .nii).

o Realign and Unwrap :

Estimer les 6 paramètres qui décrivent les transformations linéaires entre chaque image et l’image de référence. Estimer les variabilités du champ magnétique. Appliquer ces corrections à nos images, donc on génère ici aussi un nouveau set d’image.

Comment faire

- Dans la fenêtre en haut à gauche, cliquez sur « Realign » et choisir « Estimate & Reslice ». La correction du mouvement se fait selon les 3 axes de translations (x, y, z) et 3 axes de rotations (pitch, roll, yaw). Le « Estimate » va estimer les coordonnées de transformation et cette information va être sauvegardée dans le « header » du fichier. « Reslice » va générer un nouveau set d’images.

- Dans la nouvelle fenêtre qui est apparue, le « Batch Editor », cliquez sur « Data » et ensuite « New Session » en bas. Double cliquez sur la Session qui vient d’être créée pour aller chercher nos fichiers fonctionnels à réaligner.

- Dans « Estimation Options »,o Quality : .9 c’est ok. La meilleure qualité est 1, ça donne des résultats plus

précis, mais prend beaucoup plus de temps. Un bon ratio de qualité et rapidité est 0.9.

o Separation : 4; c’est ok. C’est la distance entre les points utilisés pour le réalignement en mm.

o Smoothing : 5; c’est ok. Le smoothing aide pour les images avec beaucoup de bruit.

o Num passes : choisir le volume qui sera utilisé comme référence. Généralement, on choisit le « mean volume », qui est l’image qui représente le plus notre série de données.

o Interpolation : default is 2nd Degree B-Spline. On recommande d’utiliser le 4 th ou 5 th Degree B-Spline , c’est plus long, mais un peu mieux. Moi j’utilise le 4th Degree B-Spline.

o Wrapping : No wrap. Ce n’est pas important.o Weighting : La possibilité d’accorder plus d’importance (de poids) à

certains voxels que d’autres dans le volume de référence lorsqu’on estime les paramètres de réalignement (p. ex. lorsqu’il y aurait bcp de mouvement dans une certaine zone du cerveau, mais pas dans les autres). Je l’ai toujours laissé à 0.

o- Dans « Reslice Options » :

o Reslice : Mean Image Only. Ici, on ne veut pas réaligner toutes nos images, on essaie de les transformer le moins possible afin de ne pas diminuer les contrastes de nos images. Donc, pour toutes les images, les estimations de réalignement seront enregistrées dans le header de nos fichiers. Cette information sera utilisée lors de la normalisation. Mais pour notre image mean, les estimations seront appliquées directement.

o Interpolation : 4 th Degree B-Spline .o Wraping : No wrap.

o Masking : No mask. En raison du mouvement lors de l’acquisition, il peut y avoir des données là où il n’était pas possible d’acquérir des données (à l’extérieur de notre FOV). On peut donc créer un masque qui va aller chercher tous les voxels à l’extérieur des images originales pour les « setter » à 0. Généralement, je n’utilise pas de masque.

o Filename prefix : ça nous dit que la nouvelle image mean qui a été créée par cette étape aura la lettre « r » en début de nom de fichier pour nous permettre de la retrouver facilement.

-Une fois que vous avez rempli tous les paramètres, faites « File » et « Save as » votre étape de réalignement. Comme ça, vous n’avez plus à rechanger les paramètres à chaque fois que vous allez faire du réalignement. Vous pourrez ouvrir ce fichier et l’utiliser pour un prochain sujet à analyser. De plus, en sauvegardant ce fichier, ça nous permet d’y revenir et de s’assurer qu’on n’avait pas fait d’erreur.

-Cliquer sur RUN, le bouton vert en triangle. Regarder vos fichiers de sortie « outputs » (Figure 1).

Contrôle qualité : Ce qu’il faut retenir c’est qu’un mouvement graduel n’est pas tellement problématique, mais un mouvement rapide et brusque (un pic très escarpé) est beaucoup plus dommageable pour nos données. Généralement, on dit qu’un mouvement entre 3mm et 3 degrés est acceptable. Si le mouvement est plus fort que ça, on peut considérer enlever les volumes « problématiques » de notre analyse, ou carrément ne pas utiliser ce sujet dans nos analyses et voir si nos résultats se portent mieux. Je vous conseille également de sauvegarder cette image du réalignement dans le dossier de votre sujet pour pouvoir y revenir plus tard si vous avez des doutes quant aux mouvements de votre participant.

Si vous regardez bien dans votre dossier où se trouvent toutes vos images fonctionnelles, vous allez trouver le fichier mean ainsi qu’un nouveau fichier texte (.txt). Ouvrez-le !

Que contient-il ?

Figure 1 : Output du réalignement

2. Normalisation2.1 Coregistration (aligner l’image anatomique sur nos images fonctionnelles)Cet alignement va nous aider dans la normalisation et dans la localisation d’activité lors des analyses de premier et second niveau, car on ajoute de la précision à nos images fonctionnelles. Ici, c’est l’image structurelle qui va subir quelques transformations pour bien se superposer à notre image moyenne fonctionnelle (mean). De cette façon, on réduit le nombre de changements que l’on fait aux images fonctionnelles (elles sont déjà réalignées et vont être normalisées).

SPM nous offre 3 options :o Coregister (Estimate) :

Estimer les paramètres de transformations pour aligner l’image structurelle à l’image moyenne fonctionnelle. Ces estimations seront enregistrées dans le « header » de notre image.

o Coregister (Reslice) : Générer une nouvelle image structurelle selon des estimations/paramètres qui ont été calculées (r…. . nii).

o Coregister (Estimate and Resclice) : Estimer les paramètres de transformations pour aligner l’image structurelle à l’image moyenne fonctionnelle. Ces transformations seront appliquées à une nouvelle image structurelle (r….. nii).

On va choisir Coregister (Estimate) pour, encore une fois, essayer de minimiser les transformations que l’on effectue à nos images. De cette manière toutes les transformations estimées seront enregistrées dans le « header » de l’image structurelle et cette information sera pris en compte lors de la prochaine étape de normalisation : la segmentation.

Comment faire

- Dans la fenêtre en haut à gauche, cliquer sur « Coregistration » et choisir « Estimate ».

- Reference image : Mean Image fonctionnelle. Cette image reste immobile, c’est notre référence.

- Source image : Image anatomique. Cette image va subir quelques transformations afin de mieux superposer l’image fonctionnelle

- Other images : Aucune.- Estimation options : Garder les options pas défaut

o Objective function : Normalised Mutual Information.o Separation : 4 2. La distance moyenne entre les points utilisés pour la

coregistration en mm.o Tolerances : Laisser les paramètres par défaut. La justesse de l’estimation

de chaque paramètre. Les itérations (calculs) arrêtent quand la différence

des estimations des paramètres est plus petite que notre valeur de tolérance.

o Histogram Smoothing : 7 7. pas important. Dans le « output », vous allez voir l’image de l’histogramme. Plus la forme est pointue, plus la superposition de l’anatomique sur le fonctionnel est précise.

Sauvegarder cette étape et cliquer sur RUN, le bouton vert en triangle. Regarder vos fichiers de sortie « outputs ».

Contrôle qualité : Je vous demande de vous assurer que les 2 images sont bien alignées l’une avec l’autre. Cliquer sur les images pour vous déplacer dans le cerveau. Pour mieux voir, vous pouvez cliquer sur « Check Reg » et aller chercher votre image structurelle (NV … nii) et votre image mean (m… nii).

2.2 Segmentation (classifier chacun de nos voxels selon une carte de probabilité):Une fois que l’image structurelle est superposée sur notre image fonctionnelle, nous allons (1) « segmenter » les différents tissus, c’est-à-dire qu’on va classifier la matière grise dans la catégorie matière grise, la matière blanche dans la catégorie matière blanche, et la même chose pour le liquide cérébro-spinal, les os, tissus mous et le reste selon des cartes de probabilité qui sont basées sur une moyenne de 350 cerveaux. Cette fonction va aussi (2) normaliser les données anatomiques, c’est-à-dire faire « fitter » les données anatomiques dans un espace standardisé selon les coordonnées MNI.

Comment faire   : - Dans le menu en haut à gauche, cliquer sur Segment.- Data :

o Channel : type d’acquisition. Normalement on n’a qu’un type d’acquisition anatomique (T1), alors on n’a pas besoin de répliquer l’item Channel une 2e fois. Si vous avez plusieurs acquisitions anatomiques différentes (e.g. T1 et T2), et vous voulez les analyser au même moment, utilisez un Channel pour le T1 et un autre Channel pour le T2.

o Volumes : Scans anatomiques de nos sujets (T1)o Bias regularisation : Laisser le paramètre par défaut. o Bias FWHM : 60mm cutoff. o Save Bias corrected : Save Bias Corrected . Pour sauvegarder une version

corrigée de l’intensité des différents tissus. Les images anatomiques sont souvent corrompues par de légers artefacts qui vont jouer sur l’intensité des tissus ce qui a pour conséquence d’empêcher une bonne catégorisation automatique des différents tissus.

- Tissues x 6 (donc matière grise, matière blanche, CSF, os, tissus mous, et l’arrière-plan)

o Tissue probability map (TPM) : Laisser le paramètre par défaut. Ici, SPM met les cartes de probabilité pour chacun des tissus.

o Num. Gaussians. Laisser les paramètres par défaut.

o Native tissue: Native space. Cette étape va générer les différentes images de matière grise, blanche, CSF et les autres tissus.

o Warped tissue: None. Pas nécessaire étant donné qu’on ne fait pas d’analyses structurelles avec notre image T1 (e.g. analyses VBM).

- Warping & MRF (déformations et extraction) :o MRF parameter: 1. o Clean Up: Light Clean. o Warping regularization: 1x5 double. Mesures de similitude et rugosité des

déformations.o Affine regularization. European brains. Optimisation fine de la

déformation en fonction de templates similaires aux cerveaux de nos sujets.

o Smoothness : 0. Pour tenir compte des corrélations entre voxels voisins : plus une image est lissé (smoothed), plus il y a des corrélations spatiales entre voxels. Or, en IRMf, on peut laisser ce paramètre à 0, car les images ne sont pas (encore) lissées.

o Sampling distance : 3. La distance entre les points lorsqu’on estime les paramètres du modèle (quand on fait fitter nos données selon nos cartes de probabilité). Plus la distance est petite, plus c’est précis, mais plus la procédure est longue. Donc, on laisse à 3.

o Deformation Fields : Forward. À cette étape, un nouveau fichier sera créé (y_s….. .nii). Ce fichier contient toutes les transformations linéaires et non-linéaires qu’on a fait subir à l’anatomique pour le faire « fitter » dans notre nouvel espace de coordonnées MNI. C’est ce fichier qui sera utilisé pour normaliser les images fonctionnelles étant donné qu’elles sont alignées avec l’image anatomique.

Sauvegarder cette étape et cliquer sur RUN, le bouton vert en triangle. Ici, les fichiers de sortie ne sont pas affichés, vous devez aller les chercher.

Contrôle qualité : Dans la fenêtre SPM en haut à gauche, cliquer sur « Check Reg », et aller chercher le fichier c1 ….. nii (pour la matière grise) ainsi que le fichier structurel (NV…nii). Assurez-vous que la forme de la matière grise semble similaire dans les 2 images. Cliquer sur les images pour vous déplacer dans le cerveau. Ensuite, cliquer sur « Check Reg » pour ouvrir le fichier structurel (NV…. nii) ainsi que le fichier structurel_bias corrected (m….. nii). On peut voir légèrement que les zones foncées dans le fichier structurel sont plus uniformes ou atténuées dans le fichier bias corrected.

Vous pouvez également utiliser le programme MRIcron pour superposer les images de la matière grise, blanche et le CSF, pour s’assurer que la segmentation a bien été effectuée et qu’il n’y a pas de voxels à l’extérieur du cerveau qui ont été catégorisé comme matière grise, blanche ou CSF (Figure 2).

Figure 2 : MRIcron : une représentation de la MG, MB et CSF

2.3 Normalisation des données fonctionnelles à partir des transformations de l’anatomiqueMaintenant qu’on a segmenté et « normalisé » notre image structurelle, on va appliquer les mêmes transformations qu’on a fait subir au structurel, aux images fonctionnelles, car on avait préalablement aligné ces 2 types d’images (coregistration). Ainsi, grâce à cette étape, les images fonctionnelles seront dorénavant dans un espace standardisé selon les coordonnées MNI.

Comment faire   : - Dans le menu en haut à gauche, choisissez «Normalise: Write»- Data : Cliquer sur Data, et ensuite « New : Subject ».

o Deformation Field : Cliquer sur « Specify » et aller chercher notre fichier (y_s……. .nii) que nous avons créé à l’étape de la segmentation. C’est notre fichier qui contient les informations de transformations.

o Images to Write : Cliquer sur « Specify » et aller chercher nos images fonctionnelles (f…… .nii).

- Writing options :o Bounding box : 2x3 double.o Voxel sizes : Ici, on va mettre la grosseur réelle de nos voxels selon nos

paramètres d’acquisition. o Interpolation : 4th Degree B-Spline. Une méthode par laquelle nos voxels

vont être rééchantillonnés lorsqu’ils seront placés dans le nouvel espace de coordonnées.

Encore une fois, vous sauvegardez cette étape ! Et vous allez voir dans votre dossier de données que de nouveaux fichiers fonctionnels ont été créés (les fichiers normalisés) qui commencent par « w……. .nii ».

Contrôle qualité : Pour voir les transformations faites à nos images fonctionnelles, on va cliquer sur « Check Reg » et aller ouvrir notre premier fichier fonctionnel (NV……nii) et notre premier fichier fonctionnel normalisé (w…..nii).

Qu’en pensez –vous ?

3. Lissage spatial (smoothing) :Cette étape va venir moyenner l’activité de voxels voisins, pour ainsi obtenir une image plus claire de nos activations. Plus la valeur FWHM est élevée, plus le pic d’activation sera étendu. Ce n’est pas nécessairement une bonne chose, car on perd beaucoup de détails sur la localisation précise des pics d’activité. On lisse en général entre 6 et 10 mm pour des voxels 3 x 3 x 3mm.

- Dans le menu en haut à gauche, choisissez « Smooth»- Images to smooth : choisir tous nos fichiers normalisés, donc les fichiers

« w….. .nii)- FWHM : 8 8 8. Habituellement, je fais mon lissage à 8mm, car dans la plupart de

mes études, je trouve que ce lissage est optimal. Je dirais que généralement tout le monde lisse entre 6 et 12mm. Il y a trois 8, car on lisse à 8mm dans chacune des directions x, y et z.

- Data type : SAME.- Implicit masking : No.- Filename prefix: s. Maintenant, dans notre dossier de données fonctionnelles, on

va trouver une série de fichier qui commencent par “s” pour “smoothed”.

Encore une fois, vous sauvegardez cette étape ! Et vous allez voir dans votre dossier de données que de nouveaux fichiers fonctionnels ont été créés (les fichiers lissés) qui commencent par « sw……. .nii ».

Contrôle qualité : Pour voir l’effet de l’étape de lissage spatial sur nos données, utiliser « Check Reg » et ouvrir notre premier fichier normalisé ainsi que notre premier fichier lissé (smoothed).

Qu’en pensez-vous ?

FIN pour aujourd’hui !