Title: Surface-based smoothing of brain imaging data in voxel space
Language: English
Authors: Stöhrmann, Peter 
Qualification level: Diploma
Advisor: Gröschl, Martin 
Issue Date: 2020
Citation: 
Stöhrmann, P. (2020). Surface-based smoothing of brain imaging data in voxel space [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2020.76124
Number of Pages: 64
Qualification level: Diploma
Abstract: 
Funktionelle Magnetresonanztomographie (fMRT/fMR) und Positronen-Emissions-Tomographie (PET) werden häufig zur Evaluierung von Hirnaktivität angewandt. Damit können beispielsweise die neuronale Aktivierung, Glukosestoffwechsel oder die Bindung von Rezeptoren untersucht werden. Bei der fMRT wird am häufigsten das von der Hämoglobinoxygenierung abhängige BOLD Signal verwendet, um die neuronale Reaktion auf spezifische Stimulation zu untersuchen.Die gemessenen Signale besitzen im allgemeinen geringe Intensität, was zu einem niedrigen Signal-Rausch-Verhältnis (SNR) führt. Weitere Einschränkungen der oben genannten Bildgebungsmodalitäten sind das inverse Verhältnis von zeitlicher und räumlicher Auflösung, der Teilvolumeneffekt, und nicht zuletzt die komplexe Anatomie und Funktion des Gehirns. Daraus resultiert die Notwendigkeit der Prozessierung vor der statistischen Auswertung, die meist auch räumliches Glätten der Daten beinhaltet, welches entweder im 3 dimensionalen Raum oder entlang der entfalteten Hirnoberfläche in nur zwei Dimensionen durchgeführt werden kann. Beide Herangehensweisen erhöhen die SNR, besitzen aber auch Nachteile. Vorteilhaft an der 3D-Prozessierung ist die hohe Geschwindigkeit, einfache Implementierung und geringes Speicheraufkommen. Der größte Nachteil ergibt sich durch die Anatomie des Gehirns, bestehend aus weißer und grauer Substanz, sowie zerebrospinaler Flüssigkeit, und den Hirnwindungen wodurch funktionell unterschiedliche Regionen räumlich eng beieinander liegen.Ohne weitere Einschränkung wird die 3D-Glättung aber auf das gesamte aufgenommene Volumen angewendet, wodurch Signale aus räumlich benachbarten aber funktionell unterschiedlichen Geweben und Hirnwindungen vermischt werden. Im Gegensatz dazu steht die Verwendung geodätischer Distanzen, gemessen entlang einer Oberfläche oder entlang eines eingeschränkten Pfades. Diese werden bei der Glättung entlang der entfalteten, triangulierten Gehirnoberfläche verwendet. Der Prozess der Triangulation und Entfaltung sowie die anschließende Glättung erfordern jedoch viel Zeit, Speicherplatz und Rechenaufwand und sind keine fehlerfreien Algorithmen. Deshalb wird nach wie vor bevorzugt die volumetrische Glättung angewandt.Die Ziele dieser Diplomarbeit sind i) die Implementierung eines neuartigen Glättungsprozederes unter der Anwendung von geodätischen Distanzen im dreidimensionalen Raum, ii) einen direkten Vergleich zwischen unterschiedlichen Glättungsmethoden herzustellen und iii) deren Einfluss auf das Signal-Rausch-Verhältnis zu untersuchen. Es wird gezeigt, dass die neue als gQED bezeichnete Methode ähnlich gute Resultate liefert wie gängiges volumetrisches Glätten, mit korrekter Maskierung dabei aber höhere räumliche Spezifität möglich ist. Die dafür benötigten Masken lassen sich für Gruppen-Statistiken allerdings nur anwenden, wenn besonders gute räumliche Normalisierung erreicht wurde. gQED ist langsamer als andere räumliche Glättungsmethoden, der gesamte Analyse-Prozess ist jedoch dennoch deutlich schneller als oberflächenbasierte Auswertungen. Dieser Ansatz bietet daher eine anatomisch und physiologisch genauere Alternative zur gängigen 3D Glättung, unter Erhaltung der einfachen Implementierung und rechnerischen Effizienz.

Functional magnetic resonance imaging (fMRI) and positron emission tomography (PET) are two modalities used to assess human brain function in terms of neuronal activation, glucose metabolism or receptor binding. In fMRI, the blood oxygen level dependent (BOLD) signal is the most commonly employed approach to assess the neuronal response to certain stimulation. For either method, the generally small measured signals result in a poor signal-to-noise ratio (SNR). Other limitations of these imaging techniques are the inverse relationship of spatial and temporal resolution, partial volume effects (PVE) and the complex anatomy and function of the brain itself. As a result, preprocessing is needed prior to statistical analysis of the acquired images, typically including spatial smoothing of data. Smoothing may be performed either in voxel space, that is three-dimensional smoothing, or along an inflated brain surface in two dimensions. Although both approaches increase SNR, they are subject to limitations on their own. The advantages of smoothing in voxel space are its processing speed, low memory requirements, and ease of implementation in a computational pipeline. Its major disadvantage is given by the brain anatomy: the gray matter (GM) of the brain is adjacent to white matter (WM) and cerebrospinal fluid (CSF). Furthermore, gyration increases the brain’s surface area, with functionally distinct areas being in close proximity.Without further constraints, smoothing in voxel space is applied to the whole measured volume, though, resulting in a mixture of data from neighboring, but anatomically and functionally different tissues and gyri. In contrast to Euclidean, (i.e. linear), distances used in three-dimensional smoothing, geodesic distances describe the spacing of points along a surface or constrained path. Applied to the brain, distinct neuronal populations of adjacent gyri may be close in Euclidean space, but far apart by geodesic, and also functional means.Smoothing along the triangulated and inflated brain surface, e.g. using heat kernels (an implementation of Gaussian smoothing), resembles geodesic-distance smoothing. However, this is computationally expensive, and errors may be introduced during surface extrapolation and inflation, and thus is rarely applied.The aims of this thesis are i) to develop a novel smoothing procedure in voxel space using geodesic distances, ii) to directly compare different smoothing methods and iii) to assess their influence on SNR. It will be shown that the novel approach called gQED (geodesic Quasi-Euclidean Distance smoothing) performed similar to a reference (SPM) in terms of detection of neuronal activation and SNR but additionally allowed for smoothing within well-refined masks which may increase spatial specificity. The use of such masks on group-level, though, requires higher spatial normalization quality than commonly used. gQED smoothing is slower than the volumetric smoothing method, but a complete volumetric analysis with gQED including all other necessary preprocessing steps is still much faster than surface-based analyses. Therefore, the approach provides a more anatomically and physiologically correct alternative to current three-dimensional smoothing, while maintaining computational efficiency as compared to surface smoothing.
Keywords: funktionelle Bildgebung; medizinische Bildgebung; MRT; fMRT; Magnetresonanztomographie; Signal-Rausch-Verhältnis; räumliche Glättung
functional imaging; medical imaging; brain imaging; MRI; fMRI; spatial smoothing; image processing; BOLD signal; SNR
URI: https://doi.org/10.34726/hss.2020.76124
http://hdl.handle.net/20.500.12708/15962
DOI: 10.34726/hss.2020.76124
Library ID: AC16054765
Organisation: E134 - Institut für Angewandte Physik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

30
checked on Jul 23, 2021

Download(s)

46
checked on Jul 23, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.