Titelaufnahme

Titel
Systematic investigation of resting-state BOLD fluctuations in the healthy human brain / submitted by Klaudius Kalcher
Verfasser / VerfasserinKalcher, Klaudius
Begutachter / BegutachterinMoser, Ewald
Erschienen2014
UmfangXXI, 135 S. : Ill., graph. Darst.
HochschulschriftWien, Med. Univ., Diss., 2014
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)MRT / fMRT / BOLD / Ruhezustand / fALFF / Gehirn / ICA
Schlagwörter (EN)MRI / fMRI / BOLD / Resting-state / fALFF / Brain, ICA
URNurn:nbn:at:at-ubmuw:1-5423 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Systematic investigation of resting-state BOLD fluctuations in the healthy human brain [7.09 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Englisch)

Functional magnetic resonance imaging (fMRI) is one of the most widely employed tools for the investigation of brain function, but it provides only an indirect measure for neuronal activity. The blood oxygenation level dependent (BOLD) signal measured in fMRI is sensitive to physiological confounds that influence blood oxygenation, including respiratory and cardiac effects. Since the latter are not particularly dependent on the specific task performed by the brain, resting-state fMRI (rs-fMRI) lends itself to their investigation. This type of data is typically employed for the identification of resting-state networks, sets of strongly interconnected brain regions characterized by synchronous low-frequency oscillations (LFOs). Using data from the 1000 Functional Connectomes project, the robustness of these resting-state networks across subjects and study sites is investigated and the potential for distinguishing between neuronal and physiological components is explored. To be able to better interpret fluctuations of resting-state signals of neuronal origin, and to strengthen the link between resting-state and task fMRI, the relationship between the magnitude of LFOs as assessed by a measure based on the power spectrum of rs-fMRI signals termed fractional amplitude of low-frequency fluctuations (fALFF) and task-induced activations is quantified on a dataset of 47 subjects acquired on site and an application of this relationship is presented in the form of a scaling algorithm for group-level task-fMRI inference. The spectral amplitude of resting-state data is then investigated in more detail on a dataset of 20 subjects measured using a low-TR multiband EPI sequence. This imaging technique allows for the critical sampling of a wider frequency range, including the frequencies of respiratory and cardiac signals. The influence of high-frequency oscillations on rs-fMRI data is then quantified, with spectral analyses of particular regions of interest as well as at a whole brain voxel- wise level. Physiological and neuronal signals are disentangled among both low and high frequencies, and the spectral range of neuronal resting-state network activity is shown to be wider than assumed under previous analyses and theoretical assumptions. On the other hand, the spatial distribution of physiological oscillations as well as the shape of their power spectral is assessed, potentially leading to both the reduction of their influence on neuroscientific results of rs-fMRI analyses and the interpretation of deviations of their structure as a diagnostic tool.

Zusammenfassung (Deutsch)

Funktionelle Magnetresonanztomographie (fMRT) ist eines der am weitesten verbreiteten Werkzeuge für die Erforschung der Funktionsweise des Gehirns, doch das dabei gemessene Signal ist nur ein sehr indirektes Maß für neuronale Aktivität. Der BOLD-Kontrast (von engl. blood oxygenation level dependent, vom Oxygenierungsgrad des Blutes abhängiger Kontrast) wird von physiologischen Störfaktoren beeinträchtigt, etwa durch Atmung und Herzschlag. Da diese Faktoren nicht oder nur indirekt abhängig von der während der Messung im Hirn durchgeführten Aufgabe sind, bietet sich Ruhezustands-fMRT (R-fMRT) an, um sie genauer zu ergründen. Diese Art von Daten wird typischerweise dazu verwendet, sogenannte Ruhezustandsnetzwerke zu identifizieren, die aus räumlich distinkten, aber neuronal eng verbundenen Hirnarealen bestehen und die durch synchrone Signalfluktuationen vor allem im niederfrequenten Bereich gekennzeichnet sind. Mit im Rahmen des 1000 Functional Connectomes-Projektes veröffentlichten Daten wird die Reproduzierbarkeit dieser Netzwerke über verschiedene Probanden und verschiedene Studienzentren bzw. MR-Scanner untersucht und Möglichkeiten zur Unterscheidung zwischen physiologischen und neuronalen Netzwerken erörtert. Um die Bedeutung der durch neuronale Aktivität ausgelösten Funktionen des BOLD-Signals im Ruhezustand sowie den Zusammenhang zwischen diesen und durch spezifische Aufgaben ausgelöste BOLD-Signalveränderungen besser interpretieren zu können, werden lokale Korrelationen zwischen der relativen Amplitude von niederfrequenten Ruhezustandsfluktuationen (fALFF, von engl. fractional amplitude of low-frequency fluctuations) und der Amplitude von aufgabenspezifischen BOLD-Signalveränderungen auf einem Datensatz von 47 Probanden, der am MR Exzellenzzentrum erhoben wurde, quantifiziert. Als beispielhafte Anwendung für diesen quantitativen Zusammenhang wird eine Skalierungsalgorithmus von BOLD-Signalveränderungen zu Gruppenvergleichszwecken vorgestellt, der die Sensitivität von fMRI-Experimenten erhöht. Die spektralen Eigenschaften von R-fMRT-Daten werden mittels eines weiteren Datensatzes genauer untersucht, der aus Messungen von 20 Probanden mit einer Multiband-EPI-Sequenz mit niedriger Repetitionszeit (TR) besteht. Mit dieser Aufnahmemethode werden auch hochfrequente Signalveräderungen, etwa die durch Atmung und Herzschlag induzierten physiologischen Störsignale, kritisch abgetastet, und ihr Einfluss auf verschiedene Hirnregionen kann quantifiziert werden. Die damit mögliche Unterscheidung physiologischer und neuronaler Signale zeigt, dass der Frequenzbereich, in dem neurowissenschaftlich relevante Aktivitätsmuster von Ruhezustandsnetzwerken vorkommen, breiter ist, als auf Basis von Ergebnissen früherer Studien sowie von theoretischen Überlegungen bisher angenommen wurde. Des weiteren wird die räumliche Verteilung und die spektrale Zusammensetzung physiologischer Signale erörtert, und mögliche Anwendungen zur Reduktion ihres Einflusses als Störfaktoren in neurowissenschaftlichen R-fMRI-Analysen sowie zur Verwendung der physiologischen Signale selbst als Diagnosewerkzeug diskutiert.