Analyses IRMf

1
Analyses IRMf

• Oury Monchi, Ph.D.
• Unité de Neuroimagerie Fonctionnelle, Centre de
  Recherche, Institut Universitaire de Gériatrie de
  Montréal
• Université de Montréal

2
But

• Donner une introduction à lanalyse IRMf la plus
  classique c.a.d celle qui utilise le modèle
  général linéaire

• Cette introduction devrait être indépendant du
  software (à peu de choses prêts!) utilisé pour
  lanalyse mais les exemples viendront des minc
  tools/fmristat (aussi implémenté dans Neurolens)
  et de SPM

3
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Pré-traitement
• Modèle statistique
• Significativité et comparison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

4
Experimental Design Blocked vs. event-related
Source Buckner 1998
5
Experimental design

• Block design
• compare long periods (e.g., 16 sec) of one
  condition with long periods of another
• traditional approach
• most statistically powerful approach
• less dependent on how well you model the
  hemodynamic response

• Event-related design
• compare brief trials (e.g., 1 sec) of one
  condition with brief of another
• very new (since 1997) approach
• less statistically powerful but has many
  advantages
• trials can either be well-spaced to allow the MR
  signal to return to baseline between trials
  (e.g., 12 seconds between trials) or closely
  spaced (e.g., every 2 sec)

6
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Pré-traitement
• Modèle statistique
• Significativité et comparaison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

7
Pré-traitement
8
Preprocessing
Correction du Mouvement
9
Lissage Spatial

• Application dun filtre Gaussien
• Généralement exprimé en mm FWHM
• Full Width Half Maximum
• Typiquement 2 fois la taille dun voxel

Before convolution
Convolved with a Gaussian
10
Preprocessing MNI

• Fmr_preprocess fait à la fois la correction du
  mouvement spécifier lacquisition cible (-target
  ) et le lissage, spécifier la taille (-fwhm en
  mm)

• En général choisir la taille du lissage (fwhm),
  2 fois plus
• grand que la taille du voxel acquis

11
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Prétraitement
• Modèle statistique
• Significativité et comparaison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• A quelle étape devrait-on normaliser les données?

12
Une Expérience simple

• Lateral Occipital Complex
• responds when subject views objects

Blank Screen
Intact Objects
Scrambled Objects
TIME
One volume (12 slices) every 2 seconds for 272
seconds (4 minutes, 32 seconds) Condition
changes every 16 seconds (8 volumes)
13
Quelles sont les données avec lesquels nous
devons travailler?

• Expérience typique
• 64 voxels x 64 voxels x 12 slices x 136 points
  temporels
• Cela fait 136 volumes
• Ou vu autrement 64x64x12 49,152 voxels, chacun
  avec son décours temporel!!

14
Pourquoi on a besoin de stats?

• On pourrait en principe analyser les données en
  naviguant à travers les voxels déplacer le
  curseur sur différentes régions et regarder si on
  trouve temporelle qui nous intéresse

15
Pourquoi on a besoin de stats?

• Il est clair que naviguer à travers les voxels
  nest pas plausible. Il nous faudrait le faire
  49,152 fois cela demanderait beaucoup de
  décisions subjectives pour savoir si une
  activation est réelle.
• Cest pour cela quon a besoin
• de statistiques
• Statistiques
• Nous indiques ou regarder pour les activations
  qui SONT reliés à notre paradigme
• Nous aide à décider à quel point les activations
  sont réelles

The lies and damned lies come in when you write
the manuscript
16
(No Transcript)
17
PCA_IMAGE PCA of time ? space
1 exclude first frames
2 drift
3 long-range correlation or anatomical effect
remove by converting to of brain
4 signal?
18
The General Linear Model

• T-tests, correlations and Fourier analysis work
  for simple designs and were common in the early
  days of imaging
• The General Linear Model (GLM) is now available
  in many software packages and tends to be the
  analysis of choice
• Why is the GLM so great?
• the GLM is an overarching tool that can do
  anything that the simpler tests do
• you can examine any combination of contrasts
  (e.g., intact - scrambled, scrambled - baseline)
  with one GLM rather than multiple correlations
• the GLM allows much greater flexibility for
  combining data within subjects and between
  subjects
• it also makes it much easier to counterbalance
  orders and discard bad sections of data
• the GLM allows you to model things that may
  account for variability in the data even though
  they arent interesting in and of themselves
  (e.g., head motion)
• as we will see later in the course, the GLM also
  allows you to use more complex designs (e.g.,
  factorial designs)

19
Modeling the expected response (Assumptions)

• La réponse est presque entièrement déterminée par
  le dessin expérimental

• La réponse BOLD a la même forme et le même délai
• à travers toutes les régions du cerveau

• The signal BOLD est décomposable de manière
  linéaire
• à travers les événements

• La réponse devrait être la même pour tous les
  essais
• dune même condition.

20
Modeling the expected response (fmridesign)
21
Modeling the data (GLM)
22
Modeling the data (GLM)
(From Dr. J. Armony)
23
(From Dr. J. Armony)
24
(From Dr. J. Armony)
25
(From Dr. J. Armony)
26
(from Dr. J. Armony)
27
FMRILM fits a linear model for fMRI time series
with AR(p) errors

• Linear model
• ?
  ?
• Yt (stimulust HRF) b driftt c errort
• AR(p) errors
• ? ?
  ?
• errort a1 errort-1 ap errort-p s WNt

unknown parameters
(From Dr. K. Worsley)
28
Implémentation FMRISTAT
For 120 scans, separated by 3 seconds, and 13
interleaved slices every 0.12 seconds use
frametimes(0119)3 slicetimes0.14 0.98 0.26
1.10 0.38 1.22 0.50 1.34 0.62 1.46 0.74 1.58
0.86
29
FMRISTAT implémentation
events 1 9 9 1 2 27 9 1
1 45 9 1 2 63 9 1 1 81 9
1 2 99 9 1 1 117 9 1
2 135 9 1 1 153 9 1 2
171 9 1 1 189 9 1 2 207 9
1 1 225 9 1 2 243 9 1
1 261 9 1 2 279 9 1 1
297 9 1 2 315 9 1 1 333 9
1 2 351 9 1
a block design of 3 scans rest, 3 scans hot
stimulus, 3 scans rest, 3 scans warm stimulus,
repeated 10 times (120 scans total).
contrast1 0 0 1
1 -1
30
FMRISTAT étude paramétrique
(hot49oC, and low35oC), suppose the temperature
of the stimulus varied 'randomly' over the 20
blocks, taking 5 equally spaced values between
35 and 49
temperature45.5 35.0 49.0 38.5 42.0 49.0 35.0
42.0 38.5 45.5 ... 38.5 49.0 35.0 45.5 42.0 45.5
38.5 42.0 35.0 49.0'
eventszeros(20,1)1 eventimes duration
ones(20,1) zeros(20,1)2
eventimes duration temperature
contrast0 1
31
(No Transcript)
32
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Prétraitement
• Modèle statistique
• Significativité et comparaison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

33
(No Transcript)
34
Significcativité et comparisons multiples
Comparaisons multiples à travers le cerveau Il y
a 200,000 voxels dans le cerveau!!
Options Pas de correction (p lt 0.05 non
corrigé) Avantage facile, minimise les erreurs
de type II Désavantage Beaucoup trop de faux
positifs (Erreurs de TypeI), 5 200,000 10,000
voxels!

• Correction de Bonferroni (p lt 0.05/200,000
  0.00000025)
• Avantage Facile, minimise les erreurs de type I
• Désavantage Trop strict.
• Trop derreurs de Type II

35
(No Transcript)
36
Significativité et comparaisons multiples
Les champs gaussiens aléatoires (sorte de
lissage spatial) Avantage Marche bien pour les
données spatialement corrélés. Résultats
raisonnable. Désavantage Encore assez strict.
Enlève un peu de spécificité spatiale (à cause du
lissage)
Pseudo-Bonferroni correction (p lt 0.001), il
faut savoir le motiver

• Analyse par régions dintérêts

37
Voxel-level Inference

• Retain voxels above ?-level threshold u?
• Gives best spatial specificity
• The null hyp. at a single voxel can be rejected

u?
space
No significant Voxels
Significant Voxels
38
Cluster-level Inference

• Two step-process
• Define clusters by arbitrary threshold uclus
• Retain clusters larger than ?-level threshold k?

uclus
space
Cluster not significant
k?
k?
Cluster significant
39
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Prétraitement
• Modèle statistique
• Significativité et comparaison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

40
Analyses de Groupe

1. Motivation Définitions Le problème dinférence
   de groupe

II. Analyse à effets mixtes (FFX)
a implémentation SPM b FMRISTAT
(possible, mais pas recommandé!)

• Analyse à effets aléatoire (RFX)
• a implémentation SPM du RFX classique
• b FMRISTAT solution alternative analyse à
  effets mélangés
• Lissage du rapport des variances

41
Motivation Effets fixes vs. aléatoires
Quelle est la question qui nous intéresse!

• Quest-ce que nous voulons inférer
• Une conclusion sur léchantillon ou groupe
  spécifique que
• nous avons examiné
• Une conclusion sur toute la population dou
  provient
• cet échantillon

Pour le 1er problème, une analyse à effet fixe
est suffisante Conclusion Ce groupe spécifique
de patients de type A révèle ce patron
dactivation
Pour le 2nd problème une analyse à effet
aléatoire est nécessaire Conclusion Ce patron
dactivation devrait être observé chez tous les
patients de Type A
42
(No Transcript)
43

• Avantages
• Beaucoup de degrès de liberté ( 1000)
• Prend en compte la concordance global du modèle
• Fauts négatifs peu probable

Effets Fixes

• Désavantages
• La variance entre les sujets et les séries nest
  pas prise en compte
• Les résultats peuvent provenir majoritairement
  dun ou de quelques sujets ? Erreurs de Type I,
  c.a.d des faux positifs

44
Effets aléatoires

• Avantages
• Prend en compte la variabilité inter séries et
  inter sujets
• Moins sensible à certains paramètres spécifique
  du modèle

• Désavantages
• Très peu de degrés de liberté ? erreur de type
  II, faux négatifs
• Très sensible à la variation fonctionnelle et
  anatomique inter-sujets

(From Dr. J. Armony)
45
Effets fixes implémentation SPM
Also called first level analysis Identical as
single-run/subject analysis except that the
number of scans, onset etc has to be re-enterted
for each run or subject, e.g. (100, 100, 100,
100, 100) for 100 acquisitions 5 runs or subjects
46
Fixed Effects fmristat implementation
X 1 1 1 1 1
1 subject, one contrast, 5 runs
input_files_effect run1_cont1_mag_ef_tal.mnc'

run2_cont1_mag_ef_tal.mnc'
run3_cont1_mag_ef_tal.
mnc'
run4_cont1_mag_ef_tal.mnc'
run5_cont1_mag_ef_tal.m
nc input_files_sdeffect run1_cont1_mag_sd_t
al.mnc'
run2_cont1_mag_sd_tal.mnc'
run3_cont1_mag_sd_tal.mnc'

run4_cont1_mag_sd_tal.mnc'
run5_cont1_mag_sd_tal.
mnc
47
Fixed Effects fmristat implementation
However fixed effects analysis not recommended
as it does not take into account inter-run or
inter-subject variability
Fmristat solution Variance ratio smoothing (see
below)
48
Random Effects SPM implementation
Input .con files from 1st level analysis (single
contrast of different subjects) in a second
level analysis
Df very low given by number of subjects -
rank of s2nd level design matrix So given 12
subjects of the same group, DF 11
This type of analysis may be too conservative,
needing many subjects and much data to reach
significance.
49
Random Effects fmristat implementation
It is possible to perform the same type of random
effects analysis in fmristat as in SPM by
setting the fwhm_variatio parameter to 0 in
multistat, I.e
df multistat (input_files_effect,
input_files_sdeffect, input_files_df,
input_files_fwhm, X, contrast, output_file_base,
which_stats, 0)
However fmristat allows for the implementation of
a random effects analysis that raises the number
of degrees of freedom, and becomes less
conservative
50
MULTISTAT mixed effects linear model for
combining effects from different
runs/sessions/subjects

• Ei effect for run/session/subject i
• Si standard error of effect
• Mixed effects model
• Ei covariatesi c Si WNiF ? WNiR

from FMRILM
?
?
Usually 1, but could add group, treatment,
age, sex, ...
Random effect, due to variability from run to run
Fixed effects error, due to variability within
the same run
51
fmristat alternative Variance Ratio Smoothing
The random effects variance is highly variable as
it results in low effective dfs The idea behind
Variance Ratio Smoothing is to use the fixed
effects Variance as a template for estimating the
random effects variance in order to increase the
resulting degrees of freedom
This is done by regularizing the ratio of the
random effects variance (estimated) divided by
the fixed effects variance (obtained from the
previous analysis) Fwhm_varratio is a spatial
filter that allows regularizing this ratio
How should we choose Fwhm_variatio? Its value is
motivated by the resulting dfs. A good value to
aim for is 100df. Newer versions of fmristat
allow you to input the desired dfs by inputting
a negative value for the fwhm_varatio parameter
df multistat (input_files_effect,
input_files_sdeffect, input_files_df,
input_files_fwhm, X, contrast, output_file_base,
which_stats, -100)
52
Between populations contrast example
X 1 0 subject 1 patient group 1 0
subject 2 patient group 1 0 subject
n patient group 0 1 subject 1 control
group 0 1 subject 2 control group
0 1 subject n control group
n subjects, patient vs control group
Contrast 1 -1 Patient greater than control
-1 1 Control greater than
patients
input_files_effect subj1_patient_mag_ef_tal.mn
c'
subj2_patient_mag_ef_tal.mnc'

subjn_patient_mag_ef_tal.mnc'
subj1_control_mag_
ef_tal.mnc'
subj2_control_mag_ef_tal.mnc
sunjn_control_mag_ef_tal.mn
c input_files_sdeffect subj1_patient_mag_sd_
tal.mnc'
subj2_patient_mag_sd_tal.mnc'

subjn_patient_mag_sd_tal.mnc'

subj1_control_mag_sd_tal.mnc'
subj2_control_mag_sd_ta
l.mnc
sunjn_control_mag_sd_tal.mnc
53
How many subjects?

• Largest portion of variance comes from the last
  stage i.e. combining over subjects
• sdrun2 sdsess2
  sdsubj2
• nrun nsess nsubj nsess nsubj
  nsubj
• If you want to optimize total scanner time, take
  more subjects.
• What you do at early stages doesnt matter very
  much!

54

• Comparison
• Different slice acquisition times
• Drift removal
• Temporal correlation
• Estimation of effects
• Rationale
• Random effects
• Map of the delay

• SPM99
• Adds a temporal derivative
• Low frequency cosines (flat at the ends)
• AR(1), global parameter, bias reduction not
  necessary
• Band pass filter, then least-squares, then
  correction for temporal correlation
• More robust,
• but lower df
• No regularization,
• low df, no conjuncs
• No

• fmristat
• Shifts the model
• Splines
• (free at the ends)
• AR(p), voxel parameters, bias reduction
• Pre-whiten, then least squares (no further
  corrections needed)
• More accurate, higher df
• Regularization, high df, conjuncs
• Yes

55
Plan pour une éxpérience IRMf et son analyse

• Dessin Expérimental
• Prétraitement
• Modèle statistique
• Significativité et comparaison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

56
12.10 Two- and three-dimensional representations
of fMRI data.
57
12.11 Glass-brain views of fMRI data.
58
12.12 Flat map views of the brain surface. (Part
1)
59
12.12 Flat map views of the brain surface. (Part
2)
60
Plan pour une éxpérience IRMf et son analyse

• Dessin Experimental
• Pré-traitement
• Modèle statistique
• Significativité et comparison multiple
• Moyennage des séries, des sujets, comparaison de
  groupes.
• Visualisation
• A quelle étape devrait-on normaliser les données?

61
A quelle étape devrait-on normaliser les
données?
62
A quelle étape devrait-on normaliser les données?
In SPM the default is to normalize from the
beginning before averaging over runs. This is a
safe choice since all the files that will be
averaged will be in the same space
In fmristat the choice is yours!
But Normalizing distorts the data and some
information is lost Theoretically best would be
to normalize your data at the latest stage I.e.
at the inter-subject level
However this may depend on the Motion correction
software you use. Is motion correction performed
intra or inter runs?
63
A quelle étape devrait-on normaliser les données?
Intra-run Motion correction
Default at BIC
64
A quelle étape devrait-on normaliser les données?
65
A quelle étape devrait-on normaliser les données?
Inter-run Motion correction
66
A quelle étape devrait-on normaliser les données?
Worsley et al., 2002
67
Software et diapos

• Jorge Armony BIG seminars
• http//www.douglas.qc.ca/big/
• Keith Worsley fmristat
• http//www.math.mcgill.ca/keith/fmristat/
• SPM courses
• http//www.fil.ion.ucl.ac.uk/spm/course/
• Jody Culham fMRI for dummies http//defiant.ssc.
  uwo.ca/Jody_web/fmri4dummies.htm
• Neurolens
• http//www.neurolens.org/NeuroLens/Home.html
• FSL
• http//www.fmrib.ox.ac.uk/fsl/