ETD system

Electronic theses and dissertations repository

 

Tesi etd-03142019-165526


Thesis type
Tesi di laurea magistrale
Author
AMBROSI, PIERFRANCESCO
URN
etd-03142019-165526
Title
A particle filtering approach tailored to functional MRI data for tracking changes in connectivity between brain regions
Struttura
FISICA
Corso di studi
FISICA
Commissione
relatore Prof.ssa Tosetti, Michela
correlatore Dott. Costagli, Mauro
Parole chiave
  • Brain Connectivity
  • Bayesia Sequential Monte Carlo
  • BOLD fMRI
  • Vector Autoregression model
Data inizio appello
10/04/2019;
Consultabilità
secretata d'ufficio
Riassunto analitico
Lo scopo di questo lavoro di tesi è l'individuazione di variazioni nel tempo della connettività
cerebrale attraverso l'applicazione di un algoritmo appartenente alla classe dei metodi Bayesian
Sequential Monte Carlo, il Particle Filter, a dati di risonanza magnetica funzionale (fMRI). La
connettività cerebrale si distingue classicamente tra connettività strutturale, funzionale ed effettiva. La prima rappresenta le connessioni anatomiche strutturali (gli assoni) tra aree del cervello; la
seconda rappresenta dipendenze statistiche tra regioni spazialmente distinte del cervello coinvolte
nell'esecuzione di una determinata funzione cerebrale; la connettività effettiva descrive l'influenza
causale tra aree del cervello, e può essere misurata studiando il rapporto causale tra serie temporali
che rappresentino l'attività cerebrale. I tre tipi di connettività, oltre a fornire informazioni sul
funzionamento e sull'organizzazione gerarchica del cervello, hanno interesse clinico, essendo potenziali bio-marker di patologie neurologiche, come la schizofrenia o la malattia di Alzheimer, e come
strumento per la valutazione dell'efficacia di terapie per disturbi neuropsicologici. La connettività effettiva è stata largamente studiata in termini stazionari, ma informazioni importanti potrebbero
essere contenute nelle sue variazioni nel tempo, oggetto della presente trattazione.
L'utilizzo di metodi Sequential Monte Carlo permette di stimare i parametri nascosti del modello scelto per descrivere le serie temporali in esame. Grazie al loro approccio sequenziale e all'utilizzo
della formula di Bayes per la probabilità condizionata, che fornisce una strategia per l'approssimazione della distribuzione di probabilità dei parametri studiati, l'assunzione di stazionarietà non
è necessaria, rendendo dunque possibile l'individuazione di variazioni nel tempo dei parametri.
Abbiamo utilizzato questo approccio applicandolo a dati fMRI, con i quali è possibile tracciare
l'attività cerebrale nel tempo sfruttando le differenze di segnale di risonanza magnetica prodotte da
variazioni locali di suscettibilità magnetica che avvengono durante un'attivazione neuronale. Grazie
a questa differenza, un'acquisizione fMRI permette di ottenere segnali campionati nel tempo che
descrivano le variazioni di attività cerebrale, e che possono dunque essere utilizzati per dedurre le
connessioni interne al cervello.
In questo studio l'efficacia dell'algoritmo in uso è stata studiata prima su dati sintetici e poi
applicata a dati reali di fMRI. I dati sintetici utilizzati, generati su Matlab, sono stati prodotti in
modo da imitare le serie temporali reali, così da poter valutare l'efficacia e i limiti dell'algoritmo.
Le simulazioni sono state eseguite sia per il caso di connettività stazionaria nel tempo, sia nel caso
variabile nel tempo. In entrambi i casi l'algoritmo è risultato efficace nel valutare quantitativamente i parametri cercati e nel tracciarne le evoluzioni temporali. Su dati reali è stato possibile
correlare i risultati ottenuti dal Particle Filter con una misura proxy dell'influenza causale tra serie
temporali, cioè la correlazione tra segnali ritardati. Inoltre, è stato possibile collegare le variazioni di connettività registrate dall'algoritmo con l'esecuzione di un task durante l'acquisizione. Un primo set di dati è stato acquisito in presenza di una stimolazione periodica: il soggetto doveva
muovere le dita in corrispondenza di uno stimolo tattile manovrato dall'esterno, ed interrompere
questo movimento in assenza dello stimolo. Alcuni elementi di matrice (voxel) appartenenti a quattro distinte regioni cerebrali (corteccia motoria primaria (M1), corteccia primaria somatosensoriale
(S1), corteccia parietale (P) e corteccia motoria supplementare (SM)) sono stati isolati e analizzati
dall'algoritmo proposto. I data-set ottenuti hanno dimostrato la presenza di connettività effettiva
tra aree note per essere fisiologicamente connesse. Questi risultati sono stati poi aggregati in base al
periodo dello stimolo e analizzati attraverso un two sample t-test statistico, che permette di testare
se due campioni provengono da distribuzioni con diversa media. Un secondo t-test di controllo
ha permesso di escludere variazioni dovute a fluttuazioni spurie dei risultati. In questo modo è
stato possibile concludere che alcune delle variazioni registrate dall'algoritmo sono effettivamente
correlate con la presenza dello stimolo. Le conclusioni possibili su questa acquisizione sono però
limitate dalla scarsa risoluzione temporale dei dati (2s), per cui un'analoga analisi è stata ripetuta
su una diversa acquisizione, appositamente realizzata per questo studio, con migliore risoluzione
temporale (0.8s). In questa acquisizione il soggetto veniva sottoposto ad una stimolazione periodica
di tipo visivo, e sono stati analizzate le regioni corticali coinvolte nell'elaborazione di stimoli visivi (corpo genicolato laterale (LGN), la corteccia temporale media (MT), la corteccia parietale (P) e
la corteccia visiva primaria (V1)). Rispetto a quanto ottenuto per il precedente data-set, i risultati
del two sample t-test, rafforzato dal t-test di controllo, hanno permesso di registrare un maggior
numero di variazioni correlate con lo stimolo visivo, come atteso dal miglioramento della risoluzione
temporale.
In conclusione, con la metodologia proposta sono stati ottenuti risultati che suggeriscono l'effettiva applicabilità degli algoritmi Sequential Monte Carlo allo studio della connettività cerebrale
in condizioni non stazionarie. Ulteriori analisi effettuate su un maggior numero di campioni e confrontate tra diverse tecniche di acquisizione potrebbero dunque portare a sviluppi significativi nello studio della connettività cerebrale.
File