CONNチュートリアル (20.b対応): Denoising

CONNでPreprocessingが終わった後、ノイズ除去を行います。
CONNでは2段階でノイズを除去します。第1段階は linear regression (線形回帰) で、第2段階は temporal band-pass filtering (時間バンドパスフィルタリング) です。

Denoisingの画面には様々な情報が記載されていますので、ひとつずつ見ていきます。

Linear regression

左上に”Linear regression of confounding effects”とあり、Confoundsとして、White Matter (5P), CSF (5P), realignment (12P), scrubbing (25P), Effect of rest (2P) とあります。このPは parameters の略のようです。

White Matter と CSF に関しては、CONNは aCompCor (anatomical component-based noise correction procedure) という手法を採用しています。aCompCorは、端的に言うと、WMであれば、WM領域のBOLD信号の平均時系列と、主成分分析をして最初の4つの時系列の合計5つの時系列を交絡変数として扱うということをしています。CSFも同様です。平均 + 4つの主成分で5つのパラメーターとなっています。realignmentは12となっていますが、これは、x, y, z方向の平行移動 + x, y, z軸まわりの回転 (pitch, roll, yaw) の6つのパラメーターと、この6つのパラメーターの1次微分の値となっています。1回微分すれば、変化量が大きいところが浮き彫りにされますよね。scrubbingは外れスキャンを交絡変数に使うというだけで、CONNの解説書を読む限りでは、25という数字に特別な意味はないと感じます。最後にsessionとtaskのコンディションを交絡変数として扱うとなっています。これらを最小二乗法を用いて調整しています。

Temporal band-pass filtering

Linear regressionの後に band-pass filteringが行われます。0.008Hz以下、もしくは0.09Hz以上の波は除去されます。rs-fMRI解析で関心のあるのは0.008-0.09Hzの間ぐらいに入るとてもゆっくりとした波です。なので、Linear regressionで頭の動きなどの影響を最小限にしつつ、関心のあるゆっくりとした波だけを取り出すことをしているわけです。デフォルトはLinear regressionの後にこのバンドパスフィルタリングをするという方法ですが、CONNのオプションにはsimultaneousという方法もありますので、Linear regressionとバンドパスフィルタリングを同時に行うという方法もあるようです。(メカニズムはよくわかりませんが)

Distribution of connectivity values (r)

これは、ノイズ除去の結果、BOLD信号の分布がこのように変わりますよというプレビュー表示です。ヒストグラムは、灰色がノイズ除去前、黄色がノイズ除去後を示します。より正規分布に近くなることがわかります。そして、その下にある散布図は、ボクセル間のconnectivityの様子を示しています。横軸がvoxel-to-voxel connectivity (r) となっていますので、あるボクセルと別のボクセルの時系列データがどれだけ相関しているのかということを意味します。そして、縦軸が voxel-to-voxel distance (mm) となっていますので、あるボクセルと別のボクセルがどれだけ離れているかということを意味します。これでわかるのは、ノイズ除去前は、ほとんどのボクセルで0.2-0.4程度の(疑)相関があるということです。これがノイズ除去をすることで、疑似相関が取り除かれ、本当に相関のあるところだけがきちんと残るようになってくるということです。

BOLD timeseries

ここでは、BOLD信号の時系列がノイズ除去でどのように変わるかが見て取れます。originalでは、その下のscrubbingでひっかかったところに合致して信号値が高くなっています。これはノイズであり、偽の相関が出てしまうことにつながるわけですが、after denoisingの後は信号が滑らかになっていることがわかります。GS originalは Global signalがどう変わるかで、これもまた波が平坦になっていることがわかるかと思います。

BOLD % variance explained by …

最後に、BOLD信号の変動がどのくらいそれぞれの共変量で説明されるかが脳の上にあわせて示されます。上図では、scrubbingによってどのくらい説明できるかというもので、scrubbingによって前頭葉の変動が一定の割合で説明できるということがわかります。
“scrubbing”のところをクリックすると他の交絡変数を選ぶことができますので、それぞれでどのくらい説明されるのか見てみるのも勉強になります。

QA plots

これらの結果をひとめで見るには、QA plotsを使うのが便利です。画面左下の QA olots をクリックします。

そして、Create new plot をクリックします。

QA denoising: distribution of functional connectivity values (FC) を選択し、Startを押します。

すると、もう一度QA plotsの画面に戻りますので、そこでQA denoising: distribution of functional connectivity values (FC) を選びます。

そうすると、上段に Subject 1のノイズ除去前、下段に Subject 1のノイズ除去後のヒストグラムが表示されますので、左で Select all をクリックして、19例全員のデータを表示してみましょう。そうすると、Denoisingによってばらつきが相当小さくなることがわかります。

これらを確認したら、先程のDenoisingの画面に戻って、左下の “Done” をクリックしてください。ここで、すべての項目にチェックが入っていることを確認して、Startをクリックします。(スクリーンショットでは私が分散処理をしているのでdistributed processingになっています)

そうすると、実際にノイズ除去をする計算がはじまり、本丸の connectivity の計算にうつっていきます。

Print Friendly, PDF & Email

コメントを残す

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください