Efecto del tamaño kernel en el suavizado de señal BOLD en paradigmas funcionales (RMf)

Autores/as

  • Laia Farràs-Permanye Facultad de Psicología. Universitat de Barcelona España
  • Joan Guàrdia-Olmos Facultad de Psicología. Departamento de Metodología de las Ciencias del Comportamiento. Universitat de Barcelona. Instituto de Investigación en Cerebro, Cognición y Conducta IR3C España
  • Maribel Peró-Cebollero Facultad de Psicología. Departamento de Metodología de las Ciencias del Comportamiento. Universitat de Barcelona. Instituto de Investigación en Cerebro, Cognición y Conducta IR3C España

DOI:

https://doi.org/10.24310/espsiescpsi.v8i1.13223

Palabras clave:

Imágenes por Resonancia Magnética funcional (RMf), Filtros, Suavizado

Resumen

El suavizado es una técnica de filtraje esencial para el análisis de señal cerebral, que consiste en hacer promedio de la activación de un voxel con los que están a su alrededor. Diversos autores han propuesto alternativas o modificaciones a este proceso, pero resulta difícil encontrar investigaciones que comparen el efecto de diferentes tamaños de ventana de suavizado en los mismos datos. Así, el presente estudio pretende comprobar el efecto de la aplicación de diferentes tamaños de suavizado y resaltar la importancia de la elección del tamaño adecuado del mismo. Se aplicaron cinco criterios de suavizado a imágenes cerebrales resultantes de una tarea motriz sencilla por parte de cinco participantes adultos. Los distintos tamaños de suavizado muestran diferencias significativas en los resultados, principalmente entre la no aplicación de suavizado o el suavizado menor respecto a los dos de mayor tamaño. Las áreas cerebrales más activadas se mantienen a medida que aumenta el suavizado, mientras desaparecen aquellas con menos activación significativa y de área más reducida. Aunque se ha dispuesto de poca muestra, se puede ver una tendencia en los resultados que destaca la importancia de aplicar un suavizado en el tratamiento de imágenes RMf, pareciendo óptimos los suavizados de 2.5 y 3.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Ashburner, J., Barnes, G., Chen, C. C., Daunizean, J., Fladin, G., Friston, K., … y Stephan, K. (2013). SPM8 Manual. London: Insitute of Neurology, UCL.

Bandettini, P. A., Kwong, K. K., Tootell, R. B. H., Wong, E. C., Fox, P. T., Belliveau, J. W. y Rosen, B. R. (1997). Characterization of Cerebral Blood Oxygenation and flow changes during prolonged brain activation. Human Brain Mapping, 5, 93-109. http://dx.doi.org/10.1002/(SICI)1097-0193(1997)5:2<93::AID-HBM3>3.0.CO;2-H

Buxton, R. B. (2002). Introduction to Functional Magnetic Resonance Imaging. Principles y Techniques. New York: Cambridge University Press. http://dx.doi.org/10.1017/CBO9780511549854

Christensen, W. F. y Yetkin, F. Z. (2005). Spatio-temporal analysis of auditory cortex activation as detected with silent event related fMRI. Statistics in Medicine, 24, 2539-2556. http://dx.doi.org/10.1002/sim.2111

Darki, F. y Oghabian, M. A. (2013). False positive control of activated voxels in single fMRI analysis using boots-trap resampling in comparison to spatial smoothing. Magnetic Resonance Imaging, 31, 1331-1337. http://dx.doi.org/10.1016/j.mri.2013.03.009

De la Iglesia-Vayá, M., Molina-Mateo, J., Escarti-Fabra, M., Martí-Bonmartí, L., Robles, M., Meneu, T., … y San-juán, J. (2011). Técnicas de análisis de posproceso en resonancia magnética para el estudio de la conectividad cerebral. Radiología, 53, 236-245. http://dx.doi.org/10.1016/j.rx.2010.11.007

De Pasquale, F., Del Gratta, C. y Romani, G. L. (2008) Empirical Markov Chain Monte Carlo Bayesian analy-sis of fMRI data. NeuroImage, 42, 99-111. http://dx.doi.org/10.1016/j.neuroimage.2008.04.235

Friston, K. (2012). Ten ironic rules for non-statistical reviewers. NeuroImage, 61, 1300–1310. http://dx.doi.org/10.1016/j.neuroimage.2012.04.018

Friston, K. J., Ashburner, J., Kiebel, S. J., Nichols, T. E. y Penny, W. D. (2007). Statistical Parametric Mapping: The Analysis of Functional Brain Images. Glasgow: Academic Press.

Friston, K. J., Holmes, A. P., Worsley, K. J., Poline, J. P., Frith, C. D. y Frackowiak, R. S. J. (1995). Statistical Parametric Maps in Functional Imaging: A General Linear Approach. Human Brain Mapping, 2, 189-210. http://dx.doi.org/10.1002/hbm.460020402

Gispert, J. D., Pascau, J., Reig, S., García-Barreno, P. y Desco, M. (2003). Mapas de estadísticos paramétricos (SPM) en medicina nuclear. Revista Especial de Medicina Nuclear, 22, 43-53. http://dx.doi.org/10.1016/S0212-6982(03)72141-7

Guàrdia, J., Peró, M. y Fauquet, J. (2013). Análisis de datos en neurociencia cognitiva. En D. Redolar (Ed.), Neurocien-cia Cognitiva (pp. 789-796). Madrid: Pirámide.

Guàrdia-Olmos, J., Peró-Cebollero, M., Zarabozo-Hurtado, D., González-Garrido, M. y Gudayol-Ferré, E. (En revisión editorial). Analysis of the visual recognition of words and homophone orthographic errors through magnetic resonance imaging (fMRI). Journal of Neurolinguistics.

Lindquist, M. A. y Wager, T. D. (2008). Spatial Smoothing in fMRI using Prolate Spheroidal Wave Functions. Human Brain Mapping, 29, 1276-1287. http://dx.doi.org/10.1002/hbm.20475

Logan, B. R., Geliazkova, M. P. y Rowe, D. B. (2008). An evaluation of spatial thresholding techniques in fMRI analysis. Human Brain Mapping, 29, 1379-1389. http://dx.doi.org/10.1002/hbm.20471

Logothetis, N. K., Pauls, J., Augath, M., Trinath, T. y Oeltermann, A. (2001). Neurophysiological investigation of the basis of the fMRI signal. Nature, 412, 150-157. http://dx.doi.org/10.1038/35084005

Ogawa, S., Lee, T. M., Kay, A. R. y Tank, D. W. (1990). Brain magnetic resonance imaging with contrast dependent on blood oxygenation. Proceedings of the National Academy of Sciences, USA, 87, 9868-9872. http://dx.doi.org/10.1073/pnas.87.24.9868

Sacchet, M. D. y Knutson, B. (2013). Spatial smoothing systematically biases the localization of reward-related brain activity. NeuroImage, 66, 270-277. http://dx.doi.org/10.1016/j.neuroimage.2012.10.056

Said, S. E. y Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71, 599-607. http://dx.doi.org/10.1093/biomet/71.3.599

Salafranca, Ll. (1991). Neurociencia cognitiva: problemá-tica del análisis de datos. (Tesis doctoral inèdita). Universitat de Barcelona, Barcelona, Espanya.

Talairach, J. y Tournoux, P. (1993) Referentially Oriented Cerebral MRI Anatomy: An Atlas of Stereotaxic Anatomical Correlations for Gray and White Matter. New York, USA: Thieme Medical Publishers.

Van Gerven, M. A., Cseke, B., de Lange, F. P. y Heskes, T.(2010). Efficient Bayesian multivariate fMRI analysis using a sparsifying spatio-temporal prior. NeuroImage 50, 150-161. http://dx.doi.org/10.1016/j.neuroimage.2009.11.064

Descargas

Publicado

2015-05-01

Cómo citar

Farràs-Permanye, L., Guàrdia-Olmos, J., & Peró-Cebollero, M. (2015). Efecto del tamaño kernel en el suavizado de señal BOLD en paradigmas funcionales (RMf). Escritos De Psicología - Psychological Writings, 8(1), 21–29. https://doi.org/10.24310/espsiescpsi.v8i1.13223

Número

Sección

Informes de investigación