gms | German Medical Science

GMDS 2014: 59. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. - 10.09.2014, Göttingen

Anwendung der Focus-Level-Methode auf die Analyse von Daten aus der funktionellen Magnetresonanztomographie

Meeting Abstract

  • I. Radynska - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • S. Baecke - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • J. Köhler - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • J. Bernarding - Otto-von-Guericke-Universität Magdeburg, Magdeburg
  • S. Kropf - Otto-von-Guericke-Universität Magdeburg, Magdeburg

GMDS 2014. 59. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Göttingen, 07.-10.09.2014. Düsseldorf: German Medical Science GMS Publishing House; 2014. DocAbstr. 120

doi: 10.3205/14gmds160, urn:nbn:de:0183-14gmds1603

Veröffentlicht: 4. September 2014

© 2014 Radynska et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung: Die funktionelle Magnetresonanztomographie (fMRT) ist das Standardverfahren zur Lokalisation der Aktivitäten in verschiedenen Hirnarealen bei der Ausführung bestimmter Aufgaben. In einer fMRT-Sitzung werden Gehirnscans eines Probanden in einer schnellen Serie unter unterschiedlichen experimentellen Bedingungen aufgenommen. Die voxelweise vorliegenden Daten können im Rahmen der sogenannten first-level-Analyse anhand eines allgemeinen linearen Modells untersucht werden. Dabei werden die aufeinanderfolgenden Messungen des BOLD-Signals als Stichprobenelemente und die einzelnen Voxel als Merkmalsvariablen betrachtet.

Die Besonderheit bei der Analyse dieser Daten liegt in der Abhängigkeit zwischen den zeitlich benachbarten Aufnahmen, die wegen der Verzögerung des BOLD-Signals zustande kommt. Dadurch ist die übliche Unabhängigkeitsannahme der klassischen Teststatistik nicht erfüllt. Demzufolge müssen die zeitlich korrelierten Daten vorverarbeitet werden. Ein Ansatz dafür liefert das Pre-Whitening-Verfahren. Die Abhängigkeitsstruktur zwischen den Stichprobenelementen wird in der Regel mittels eines autoregressiven Prozesses erster Ordnung beschrieben.

Außerdem sind die fMRT-Daten durch die hohe Anzahl von Voxeln gegenüber einer geringeren Anzahl von Messungen charakterisiert. Demzufolge sind die klassischen multivariaten Methoden nicht anwendbar. In einem solchen Fall können die im Institut entwickelten stabilen multivariaten Testverfahren angewendet werden, die auf linkssphärischen Verteilungen basieren und auch bei hochdimensionalen Daten exakt arbeiten. Ein Beispiel dafür stellt ein q-dimensionaler skalenabhängiger Principal Component Test dar [1].

Material und Methoden: In unserer Arbeitsgruppe wurden unter anderem die fMRT-Daten mittels einer multiplen Testmethode, der sogenannten Focus-Level-Methode [2], untersucht. Diese Methode wurde in Hinblick auf die Genanalyse entwickelt und setzt das Abschlusstestprinzip [3] mit der Bonferroni-Holm-Prozedur [4] in Verbindung. Ziel unserer Arbeit war es, die Eignung der Focus-Level-Methode zur Analyse von realen funktionellen MRT-Daten zu untersuchen und dadurch die Hirnaktivierungen zu lokalisieren.

Das multiple Testverfahren setzt eine gerichtet azyklische Graphenstruktur zur Beschreibung der Beziehung der Zielvariablen untereinander voraus, die einer Hierarchie ähnelt. Dabei stellt diese Methode eine Kombination von zwei Verfahren dar. Zunächst gibt es das Bottom-up-Verfahren, das auf der Bonferroni-Holm-Prozedur basiert und von den Endknoten des Graphs ausgeht. Demgegenüber steht das Top-down-Verfahren, welches an der oberen Spitze mit dem Top-Knoten startet und auf dem Abschlusstestprinzip beruht.

Für die Focus-Level-Methode ist die Wahl einer Ebene, des sogenannten focus level, in dem jeweils betrachteten Graphen erforderlich, wobei sie in diesem irgendwo in der Mitte festgelegt wird. Vom focus level ausgegangen, wird das Bottom-up-Verfahren für die höheren Ebenen und das Top-down-Verfahren für die niedrigeren Ebenen des Graphs eingesetzt.

Die Anwendung der Focus-Level-Methode erfolgt auf reale fMRT-Daten eines Probanden, die innerhalb einer Studie zum Thema Stereosehen entstanden sind. Hierbei wird die notwendige Graphenstruktur einmal durch anatomische Zusammenhänge zwischen den Variablen, und in einer anderen Version durch eine hierarchische Clusteranalyse gewonnen. Anschließend wird jeder entstandene Cluster anhand des PC-Tests auf einen signifikanten Zusammenhang mit dem Profil der dargebotenen Reize getestet. In beiden Fällen werden hierbei nicht die einzelnen Voxel untersucht, sondern Cluster, also Gruppen von Voxeln.

Ergebnisse: Nach der Anwendung der multiplen Testmethode auf die durch die Clusteranalyse gewonnene Struktur wurden auch Aktivierungen in den Clustern gefunden. Dabei bilden die in einem Cluster vereinten Voxel allerdings keine räumlich zusammenhängenden Strukturen. Das erschwert eine sinnvolle Interpretation dieser aktivierten Cluster. Bei der Aufteilung der fMRT-Daten bezüglich der anatomischen Hirnstruktur hingegen kann eine aktivierte Hirnregion lokalisiert werden.

Diskussion: Die Focus-Level-Methode kann grundsätzlich für die Eingrenzung der Lokalisation von Hirnaktivitäten eingesetzt werden, insbesondere bei einer Einteilung der Zielregion in eine kleinere Anzahl von Unterregionen. In diesem Fall kann sie relativ schnell und problemlos realisiert werden. Für sehr komplexe Strukturen erfordert das Verfahren jedoch einen zu großen Aufwand.


Literatur

1.
Luter, J, Glimm, E, Kropf, S. Multivariate Tests Based on Left-Spherically Distributed Linear Scores. Annals of Statistics. 1998;26:1972-88.
2.
Goeman, JJ, Mansmann, U. Multiple testing on the directed acyclic graph of gene ontology. Bioinformatics. 2008;24:537-44.
3.
Marcus, R, Peritz, E, Gabriel, KR. On closed testing procedures with special reference to ordered analysis of variance. Biometrika. 1976;63:655-60.
4.
Holm, S. A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics. 1979;6:65-70.