Publication detail

Gamma rozložení pravděpodobnosti anatomické konektivity mezi aktivními motorickými koretexy a cerebellem

Original Title

Gamma rozložení pravděpodobnosti anatomické konektivity mezi aktivními motorickými koretexy a cerebellem

Czech Title

Gamma rozložení pravděpodobnosti anatomické konektivity mezi aktivními motorickými koretexy a cerebellem

Language

cs

Original Abstract

Úvod: Stephan et al. (2009) uvedli pilotní studii využití anatomické konektivity (AK) pro zlepšení odhadu efektivní konektivity pomocí dynamického kauzálního modelování (DCM) (Friston et al. 2003), kde je variance priorů pro DCM určována na základě průměrné skupinové relativní pravděpodobnosti AK. Naše výsledky na difúzních MRI (dMRI) a fMRI datech s motorickou aktivací od 11 subjektů (Glasser et al. 2013) poskytly zpřesněním odhadu oproti metodice odhadu DCM v roce 2009 ale nikoli oproti té používané nyní (Labounek et al. 2014). Jelikož průměrné skupinové relativní pravděpodobnosti AK se převážně vyznačovaly směrodatnými odchylkami ve stejných řádech jako samotná pravděpodobnost, rozšířili jsme odhad AK na 37 subjektů. Metodika: Na základě obecného lineárního modelu (Friston et al. 1994) byly vybrány oblasti zájmu pro odhad anatomické konektivity. Byly to primární motorické kortexy aktivní při pohybu levé nebo pravé ruky, pravý a levý sekundární motorický kortex a aktivní levá a prává část cerebella. Z dMRI dat byl proveden rozklad difúze vody do tří hlavních dílčích směrů pomocí ball and stick modelu v každém voxelu (Jbabdi 2012) a následně odhadnuta pravděpodobnost anatomických spojů pro každý přímý anatomický spoj mezi oblastmi zájmu pomocí pravděpodobnostní traktografie (Behrens et al. 2007). Výsledky: Ani pro 37 subjektů se řády směrodatných odchylek pravděpodobností anatomických spojů nesnížily, oproti samotným pravděpodobnostem. Z histogramů pravděpodobností pro jednotlivé anatomické spoje napříč subjekty je patrné, že pravděpodobnosti nejsou popsány normálními (Gaussovskými) rozloženími ale gamma distribucemi. Závěr: Profil gamma distribuce pravděpodobností anatomických spojů napříč subjekty vysvětluje, proč při navýšení počtu subjektů směrodatné odchylky neklesaly. V následujících optimalizačních procesech efektivní konektivity pomocí anatomické bude vhodnější používat střední hodnotu gama distribuce pravděpodobnosti než standardní průměr. Reference: Behrens T.E.J., et al. (2007), 'Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?', Neuroimage. Friston K.J., Harrison L., Penny W. (2003), 'Dynamic causal modelling', Neuroimage. Friston K.J., et al. (1994), 'Statistical Parametric Maps in Functional Imaging?: A General Linear Approach', Hum Brain Mapping. Glasser M.F., et al. (2013), 'The minimal preprocessing pipelines for the Human Connectome Project', Neuroimage. Jbabdi S., et al. (2012), 'Model-based analysis of multishell diffusion MR data for tractography: how to get over fitting problems', Magnetic Resonance in Medicine. Labounek R., et al. (2014), 'Sigmoid function parameter stability in anatomically informed priors for dynamic causal models', OHBM 2014. Stephan K.E., et al. (2009), 'Tractography-based priors for dynamic causal models', Neuroimage.

Czech abstract

Úvod: Stephan et al. (2009) uvedli pilotní studii využití anatomické konektivity (AK) pro zlepšení odhadu efektivní konektivity pomocí dynamického kauzálního modelování (DCM) (Friston et al. 2003), kde je variance priorů pro DCM určována na základě průměrné skupinové relativní pravděpodobnosti AK. Naše výsledky na difúzních MRI (dMRI) a fMRI datech s motorickou aktivací od 11 subjektů (Glasser et al. 2013) poskytly zpřesněním odhadu oproti metodice odhadu DCM v roce 2009 ale nikoli oproti té používané nyní (Labounek et al. 2014). Jelikož průměrné skupinové relativní pravděpodobnosti AK se převážně vyznačovaly směrodatnými odchylkami ve stejných řádech jako samotná pravděpodobnost, rozšířili jsme odhad AK na 37 subjektů. Metodika: Na základě obecného lineárního modelu (Friston et al. 1994) byly vybrány oblasti zájmu pro odhad anatomické konektivity. Byly to primární motorické kortexy aktivní při pohybu levé nebo pravé ruky, pravý a levý sekundární motorický kortex a aktivní levá a prává část cerebella. Z dMRI dat byl proveden rozklad difúze vody do tří hlavních dílčích směrů pomocí ball and stick modelu v každém voxelu (Jbabdi 2012) a následně odhadnuta pravděpodobnost anatomických spojů pro každý přímý anatomický spoj mezi oblastmi zájmu pomocí pravděpodobnostní traktografie (Behrens et al. 2007). Výsledky: Ani pro 37 subjektů se řády směrodatných odchylek pravděpodobností anatomických spojů nesnížily, oproti samotným pravděpodobnostem. Z histogramů pravděpodobností pro jednotlivé anatomické spoje napříč subjekty je patrné, že pravděpodobnosti nejsou popsány normálními (Gaussovskými) rozloženími ale gamma distribucemi. Závěr: Profil gamma distribuce pravděpodobností anatomických spojů napříč subjekty vysvětluje, proč při navýšení počtu subjektů směrodatné odchylky neklesaly. V následujících optimalizačních procesech efektivní konektivity pomocí anatomické bude vhodnější používat střední hodnotu gama distribuce pravděpodobnosti než standardní průměr. Reference: Behrens T.E.J., et al. (2007), 'Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?', Neuroimage. Friston K.J., Harrison L., Penny W. (2003), 'Dynamic causal modelling', Neuroimage. Friston K.J., et al. (1994), 'Statistical Parametric Maps in Functional Imaging?: A General Linear Approach', Hum Brain Mapping. Glasser M.F., et al. (2013), 'The minimal preprocessing pipelines for the Human Connectome Project', Neuroimage. Jbabdi S., et al. (2012), 'Model-based analysis of multishell diffusion MR data for tractography: how to get over fitting problems', Magnetic Resonance in Medicine. Labounek R., et al. (2014), 'Sigmoid function parameter stability in anatomically informed priors for dynamic causal models', OHBM 2014. Stephan K.E., et al. (2009), 'Tractography-based priors for dynamic causal models', Neuroimage.

BibTex


@misc{BUT106892,
  author="René {Labounek} and Jan {Fousek} and Martin {Gajdoš} and Michal {Mikl} and Jiří {Jan}",
  title="Gamma rozložení pravděpodobnosti anatomické konektivity mezi aktivními motorickými koretexy a cerebellem",
  annote="Úvod: Stephan et al. (2009) uvedli pilotní studii využití anatomické konektivity (AK) pro zlepšení odhadu efektivní konektivity pomocí dynamického kauzálního modelování (DCM) (Friston et al. 2003), kde je variance priorů pro DCM určována na základě průměrné skupinové relativní pravděpodobnosti AK. Naše výsledky na difúzních MRI (dMRI) a fMRI datech s motorickou aktivací od 11 subjektů (Glasser et al. 2013) poskytly zpřesněním odhadu oproti metodice odhadu DCM v roce 2009 ale nikoli oproti té používané nyní (Labounek et al. 2014). Jelikož průměrné skupinové relativní pravděpodobnosti AK se převážně vyznačovaly směrodatnými odchylkami ve stejných řádech jako samotná pravděpodobnost, rozšířili jsme odhad AK na 37 subjektů.

Metodika: Na základě obecného lineárního modelu (Friston et al. 1994) byly vybrány oblasti zájmu pro odhad anatomické konektivity. Byly to primární motorické kortexy aktivní při pohybu levé nebo pravé ruky, pravý a levý sekundární motorický kortex a aktivní levá a prává část cerebella. Z dMRI dat byl proveden rozklad difúze vody do tří hlavních dílčích směrů pomocí ball and stick modelu v každém voxelu (Jbabdi 2012) a následně odhadnuta pravděpodobnost anatomických spojů pro každý přímý anatomický spoj mezi oblastmi zájmu pomocí pravděpodobnostní traktografie (Behrens et al. 2007).

Výsledky: Ani pro 37 subjektů se řády směrodatných odchylek pravděpodobností anatomických spojů nesnížily, oproti samotným pravděpodobnostem. Z histogramů pravděpodobností pro jednotlivé anatomické spoje napříč subjekty je patrné, že pravděpodobnosti nejsou popsány normálními (Gaussovskými) rozloženími ale gamma distribucemi.

Závěr: Profil gamma distribuce pravděpodobností anatomických spojů napříč subjekty vysvětluje, proč při navýšení počtu subjektů směrodatné odchylky neklesaly. V následujících optimalizačních procesech efektivní konektivity pomocí anatomické bude vhodnější používat střední hodnotu gama distribuce pravděpodobnosti než standardní průměr.

Reference:
Behrens T.E.J., et al. (2007), 'Probabilistic diffusion tractography with multiple fibre orientations: What can we gain?', Neuroimage.
Friston K.J., Harrison L., Penny W. (2003), 'Dynamic causal modelling', Neuroimage.
Friston K.J., et al. (1994), 'Statistical Parametric Maps in Functional Imaging?: A General Linear Approach', Hum Brain Mapping.
Glasser M.F., et al. (2013), 'The minimal preprocessing pipelines for the Human Connectome Project', Neuroimage.
Jbabdi S., et al. (2012), 'Model-based analysis of multishell diffusion MR data for tractography: how to get over fitting problems', Magnetic Resonance in Medicine.
Labounek R., et al. (2014), 'Sigmoid function parameter stability in anatomically informed priors for dynamic causal models', OHBM 2014.
Stephan K.E., et al. (2009), 'Tractography-based priors for dynamic causal models', Neuroimage.",
  address="Univerzita Palackého v Olomouci",
  booktitle="10. Mezinárodní Workshop Funkční magnetické rezonance",
  chapter="106892",
  howpublished="print",
  institution="Univerzita Palackého v Olomouci",
  year="2014",
  month="march",
  pages="10--11",
  publisher="Univerzita Palackého v Olomouci",
  type="abstract"
}