Bibliographic Metadata

Title
Ultra-fast functional MRI of brain activity and parallelized data analysis strategies / submitted by Roland N. Boubela
AuthorBoubela, Roland Norbert
CensorMoser, Ewald
Published2014
Description129 Bl. : Ill., graph. Darst.
Institutional NoteWien, Med. Univ., Diss., 2014
Annotation
Zsfassung in dt. Sprache
LanguageEnglish
Bibl. ReferenceOeBB
Document typeDissertation (PhD)
Keywords (DE)funktionelle Magnetresonanztomographie / Hirn / Datenanalyse / fMRT
Keywords (EN)functional magnetic resonance imaging / brain / data analysis / fMRI
URNurn:nbn:at:at-ubmuw:1-6122 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Ultra-fast functional MRI of brain activity and parallelized data analysis strategies [13.49 mb]
Links
Reference
Classification
Abstract (German)

Funktionelle Magnetresonanztomographie (fMRT), ein wesentliches nicht-invasives Werkzeug der Neurowissenschaften, basiert auf der Analyse großer Datenmengen mit verschiedenen rechenintensiven statistischen Verfahren. Neuere Entwicklungen im Bereich von MR-Sequenzen, insbesondere die auf gleichzeitiger Anregung mehrerer Bildschichten basierende Beschleunigungstechnik Simultaneous Multi-Slice imaging (SMS), generieren immer größere Datenmengen, doch der tatsächliche Erkenntnisgewinn aus diesen Techniken wird oft limitiert durch den Mangel an ausreichend performanter Software für die algorithmisch komplexeren Analysen. Zwar gibt es verschiedene Softwarepakete und -frameworks zur effizienten Analyse großer Datenmengen, doch da kaum Implementierungen von spezifischen Analysen von Neurobildgebungsdaten existieren werden diese in den Neurowissenschaften erst sehr selten verwendet. In dieser Arbeit wird ein auf der statistischen Analysesoftware R basiertes Framework zur effizienten Analyse von fMRT-Daten vorgestellt und dessen Stärken anhand mehrerer Anwendungen, in denen der Umgang mit großen Datenmengen und Parallelisierung der Berechnungen vorkommen, hervorgehoben. Insbesondere stellen die aus der Verwendung von SMS-Sequenzen resultierenden Datensätze mit hoher zeitlicher wie räumlicher Auflösung durch ihre schiere Größe eine Herausforderung dar, die mit den derzeit verbreiteten Programmen nicht verarbeitet werden können. Im Gegensatz dazu ermöglicht es das hier vorgestellten Framework, auch komplexe Analysen wie zeitliche Independent Component Analysis (tICA) auf diesen Daten durchzuführen. Durch die Anwendung von tICA auf fMRT-Datensätze mit hinreichend hoher zeitlicher Auflösung um auch den Frequenzbereich des Herzschlags und damit zusammenhängenden Pulsationen im Hirn kritisch abzutasten wird gezeigt, dass die Signalfluktuationen in Ruhezustandsnetzwerken des Hirns einen breiteren Frequenzbereich umfassen als bisher angenommen, bis hin zu Frequenzen über 0.25Hz gehend, die mit typischen fMRT-Sequenzen mit einer zeitlichen Auflösung von 2s (oder langsamer) nicht gemessen werden können. Die kritische Abtastung von Signalen physiologischen Ursprungs erlaubt es darüberhinaus, den Einfluss zerebraler Gefäße auf fMRT-Experimente durch eine Separierung von arteriellen Pulsationen und venösen signalen besser zu berücksichtigen. Die bessere Identifikation venöser Signale kann dazu genutzt werden, die langjährige Brain-or-Vein-Debatte, ob die im fMRT gemessenen Signale räumlich den tatsächlich aktiven Hirnregionen oder dem venösen Abfluss zuzuordnen sind, mit neuen Erkenntnissen voranzutreiben: Im Fall von Aktivierungen in der Amygdalaregion bei einem emotionalen fMRT-Paradigma konnte gezeigt werden, dass die mit fMRT gemessenen Signalveränderungen nicht in der Amygdala selbst, sondern einer naheliegenden Vene entstehen.

Abstract (English)

Functional Magnetic Resonance imaging (fMRI) is an important tool for advanced neuroscientific research involving large amounts of data and many computationally complex analysis approaches. While recent developments in MR sequences, including the acceleration technique of simultaneous multi-slice (SMS) imaging, tend to yield even larger datasets, the practical benefits from these techniques have been limited by a lack of efficient computational tools to perform some of the more complex analyses on these datasets limiting the information gained. Many high-performance computing tools for the analysis of large datasets have been developed that could potentially cope with the amounts of data involved here, but the lack of specific implementations of neuroimaging analysis tools using these advances means that they are not yet widely used in neuroimaging research. In this thesis, a computational framework for efficient analysis of fMRI data is presented based on the statistical computing language R, and in several applications of this framework, including large data handling and parallelization of computations, show how its strengths can lead to deeper insights. Most importantly, SMS sequences for fMRI have been employed to gain datasets with a high temporal as well as spatial resolution, but whose sheer size makes them difficult to handle with most established tools. Using the efficient computing framework, however, even complex analyses of these data become possible, including temporal Independent Component Analysis (tICA). Using tICA on fMRI datasets with a very high temporal resolution, critically sampling cardiac frequencies and thus cardiac related pulsations in the brain, it could be shown that the range of signal fluctuations in resting-state networks of the brain spans a much wider frequency range than previously believed, even beyond the frequencies detectable in fMRI experiments using a sampling rate of 2s (or slower). The critical sampling of signals of physiological origin further allows to better account for the influence of brain vasculature on fMRI experiments by controlling for arterial pulsations as well as better identifying venous signals. The latter can finally lead to new insights in the long-standing brain-or-vein-debate, exemplified in a demonstration that signals typically measured in emotional paradigms in the amygdala region originate largely in veins rather than in the amygdala itself.