logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-04072021-142910


Tipo di tesi
Tesi di laurea magistrale
Autore
BASILE, MIRIAM
URN
etd-04072021-142910
Titolo
Modelli basati sull'analisi delle componenti indipendenti di immagini di risonanza magnetica funzionale: applicazione nello studio del controllo centrale del respiro
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
relatore Prof. Vanello, Nicola
Parole chiave
  • analisi componenti indipendenti
  • brainstem
  • controllo centrale respiro
  • fMRI
  • ICA
  • risonanza magnetica funzionale
Data inizio appello
23/04/2021
Consultabilità
Non consultabile
Data di rilascio
23/04/2091
Riassunto
Lo scopo di questo lavoro di tesi è andare a rilevare le aree cerebrali coinvolte nel controllo centrale del respiro, con particolare attenzione alla zona del tronco encefalico e agli effetti su di esso di differenti concentrazioni di CO2 che inducono ipercapnia.
Inoltre si vuole cercare di trovare una relazione tra le differenti concentrazioni di CO2 e la variazione del segnale misurato.
Lo studio si basa sull'analisi di immagini di risonanza magnetica funzionale delle aree cerebrali coinvolte nel controllo del respiro attraverso l'analisi delle componenti indipendenti (ICA).
Le immagini fMRI riguardano tre diverse acquisizioni (task) al variare della concentrazione di CO2 (0%, 3% e 7%) per sei soggetti differenti, in cui il paradigma sperimentale è rappresentato dalla somministrazione di CO2, 30 secondi on e 30 secondi off, in contrapposizione alla fase di rest, respiro libero senza alcuna somministrazione di gas.
Dopo aver acquisito le immagini, viene svolta un'analisi delle componenti indipendenti (ICA) sul dataset fMRI relativo al singolo soggetto per andare ad individuare le componenti che correlano con lo stimolo e successivamente un'analisi a livello di gruppo per tutti i soggetti tramite il software GIFT implementato in Matlab, che rende in uscita le mappe spaziali e i relativi andamenti temporali delle componenti ricostruite per il singolo soggetto grazie alla tecnica di back reconstruction GICA3.
L’analisi delle componenti indipendenti ci permette di separare le varie sorgenti che contribuiscono alla formazione del segnale misurato, il segnale BOLD (Blood Oxygen Level Dependent), in segnale neurale di interesse, segnali dovuti a fenomeni fisiologici e rumore dovuto alle acquisizioni e alla strumentazione.
Una volta ottenute le mappe delle componenti, viene eseguita un'analisi della correlazione spaziale di queste mappe per i diversi task in modo da poter selezionare le componenti che correlano tra i vari task e tra queste si ritrovano le componenti task related precedentemente individuate.
Infine si esegue una regressione solo sulle componenti di interesse selezionate nelle fasi precedenti, ipotizzando un modello lineare e un modello quadratico per andare a valutare la relazione esistente tra la concentrazione di CO2 e la variazione del segnale misurato, prestando particolare attenzione alla zona del tronco encefalico, avendo questa un ruolo fondamentale nel controllo centrale del respiro.
Da questa analisi si estraggono i parametri statistici di interesse, ovvero il coefficiente di determinazione r quadro aggiustato per il modello quadratico e per il modello lineare e la loro differenza, impostando come condizioni la positività del coefficiente a2 che moltiplica x quadro per il modello quadratico e del coefficiente a1 che moltiplica x per il modello lineare, insieme con la condizione che la variazione del segnale valutata per la concentrazione di CO2 pari al 3% sia minore della variazione del segnale valutata per la concentrazione di CO2 pari al 7%.
In questo modo si ottengono delle mappe parametriche che ci permettono di andare a valutare quali aree cerebrali rispondo ad una somministrazione di CO2 crescente. Le mappe vengono visualizzate tramite il software AFNI che include una funzione di clustering grazie alla quale i voxel attivati vengono raggruppati in cluster di cui si può calcolare il numero e le coordinate del centro di massa, permettendo così una localizzazione più fine delle aree cerebrali di interesse, ovvero il tronco encefalico con il ponte e il midollo, i gangli e la zona del talamo e l’ipotalamo.
File