fMRI vizsgálatok feldolgozása során használt modell- és szűrő-paraméterek optimalizálása

Bevezetés és célkitűzés:
A mágneses térrel történő képalkotás egy speciális típusa a funkcionális mágneses rezonanciás (fMRI) vizsgálat. Az agyban külső stimuláció hatására bekövetkező oxi/deoxihemoglobin szint változása detektálható, így lokalizálható az aktiválódott terület. A fMRI képfeldolgozási folyamatában több olyan paraméter is elérhető, amelyek változtatásával befolyásolni lehet az aktivációs klaszterek méretét, a maximum értékeit és maxmum-helyeit. A kutatás során azt vizsgáltuk, hogy a különböző erősségű képszűrők és a hemodinamikai válaszfüggvény (HRF) modell beállítások, hogyan befolyásolják az aktivációs mintázatot.
Anyagok és módszerek:
A kaposvári Diagnosztikai Központ anonimizált képanyagai álltak rendelkezésünkre, mely 6 egészséges és 6 beteg személy 4 paradigmával végzett vizsgálatait tartalmazta. Populáció szintű analíziseket készítettünk 6, 8 és 10 mm félértékszélességű simítással. A 8mm-es szűréssel számolt aktivációs mintázatokat előállítottuk Gamma és Dupla gamma alapú HRF modellekkel is. A képfeldolgozás során az FSL- Feat, valamint a BrainMOD szoftvert használtuk, melyek segítségével látó- és hallókérgi stimulációk aktivitási mintázatait vizsgáltuk.
Eredmények:
A legoptimálisabb félértékszélességnek 8 mm-t találtunk a betegek és az egészségesek esetében is. Ilyen mértékű simítással az adott klaszter a legnagyobb z értékkel és megfelelő voxelszámmal rendelkezik. Vizuális kérgi stimulációnál mind kontroll és pathológiás populáció esetében, a dupla gamma függvény alapú HFR bizonyult jobbnak. Hallókérgi aktivitásnál a kontroll csoportnál a dupla gamma, míg a beteg csoportnál, ugyan nem szignifikánsan, de a gamma modellel futtatott analízis bizonyult jobbnak voxelszám és maximális z érték tekintetében is.
Következtetés:
Az FSL Feat szoftver használatánál az alapértelmezett 6mm-es helyett a 8 mm-es félértékszélességű, izotróp Gauss-féle simítást célszerű alkalmazni. HRF modellnek a dupla gamma alapú függvény célszerű választani, mert számításigénye nem sokkal több, mint az egyszerűbb modelleké és jobban paraméterezhető.