Impacto de los métodos de eliminación de artefactos sobre la reproducibilidad en las métricas obtenidas en imágenes de resonancia magnética funcional en estado de reposo

Abstract

RESUMEN: En las últimas décadas, la resonancia magnética funcional en estado de reposo se presenta como una de las herramientas más importantes para la exploración de la actividad neuronal, de la cual se han derivado muchas métricas de segregación e integración de la actividad cerebral y en este mismo sentido, se han desarrollado múltiples métodos de limpieza de la neuroimagen. No obstante, la reproducibilidad de las métricas es un problema que no ha sido abordado con detalle, por lo tanto, en este documento se estudia el impacto de los métodos de eliminación de artefactos sobre la reproducibilidad en dichas métricas. Inicialmente, se buscó integrar una nueva herramienta de eliminación de artefactos basada en la clasificación automática de las componentes independientes derivas de la descomposición por el análisis de componentes independientes (ICA). Se usaron varias arquitecturas de redes neuronales. Las primeras se diseñaron con estructuras de perceptrón multicapa, las cuales alcanzaron una precisión superior al 97% con características espectro-temporales. Las segundas se generaron como redes neuronales convolucionales, donde se encontró una red con un porcentaje de 99.44, superando todos los métodos existentes basados en ICA. Además, estas últimas se implementaron con un nuevo método de reducción de volúmenes, el cual permitió reducir el peso de las imágenes hasta dos órdenes de magnitud. Con los hallazgos realizados, se procedió a integrar todas las técnicas en un flujo totalmente automatizado. Se incluyeron las técnicas de procesamiento convencionales, los métodos de eliminación de artefactos, el nuevo método de clasificación y el cálculo de métricas. El desarrollo permitió calcular de manera ininterrumpida 2448 volúmenes de 17 participantes con tres secciones bajo 48 pipelines diferentes. Finalmente, a los 2448 volúmenes se les calcularon las métricas de ReHo, ALFF, fALFF, conectividad funcional y 24 métricas derivadas de teoría de grafos como grado, agrupamiento, camino característico entre otros. Los resultados entre sesiones se utilizaron para calcular la reproducibilidad mediante el coeficiente de correlación intraclases (ICC). Se estimó que los métodos de eliminación de artefactos tienen un impacto diferente en la reproducibilidad para cada una de las métricas, lo cual fue de gran utilidad para establecer los pipelines de mejor desempeño para cada métrica. ReHo presentó mayor reproducibilidad con la combinación de ICA-AROMA y TcompCor. Las cuatro bandas de ALFF y fALFF presentaron un mejor comportamiento con la eliminación de artefactos a partir de la red neuronal convolucional. La conectividad funcional mostro mejor reproducibilidad con ICA-AROMA y, finalmente, las métricas derivadas de grafos mostraron tuvieron un mejor comportamiento frente a ICA-AROMA, la red neuronal, TcompCor, la regresión global y la depuración de volúmenes.

ABSTRACT: In the last decades, functional magnetic resonance imaging in resting state is presented as one of the most important tools for the exploration of neuronal activity, from which many metrics of segregation and integration of brain activity have been derived and, in the same way, multiple neuroimaging cleansing methods have been developed. However, the reproducibility of the metrics is a problem that has not been addressed in detail, therefore, this document studies the impact of artifact elimination methods on the reproducibility of these metrics. Initially, we sought to integrate a new artifact elimination tool based on the automatic classification of independent components derived from decomposition by independent component analysis (ICA). Various neural network architectures were used. The first ones were designed with multilayer perceptron structures, which reached a precision higher than 97% with spectro-temporal characteristics. The second was generated as convolutional neural networks, where a network with a percentage of 99.44 was found, surpassing all existing ICA-based methods. Besides, the latter was implemented with a new volume reduction method, which made it possible to reduce the weight of the images by up to two orders of magnitude. With the findings made, all techniques were integrated into a fully automated flow. Conventional processing techniques, artifact removal methods, the new classification method, and metric calculation were included. The development made it possible to calculate 2448 volumes of 17 participants with three sections under 48 different pipelines. Finally, the 2448 volumes were calculated with the ReHo, ALFF, fALFF metrics, functional connectivity, and 24 metrics derived from graph theory such as degree, clustering, path length, among others. The results between sessions were used to calculate reproducibility using the Intraclass Correlation Coefficient (ICC). The artifact removal methods were estimated to have a different impact on reproducibility for each of the metrics, which was very useful to establish the best performing pipelines for each metric. ReHo presented greater reproducibility with the combination of ICA-AROMA and TcompCor. In four bands ALFF and fALFF showed better behavior with the convolutional neural network. The functional connectivity showed better reproducibility with ICA-AROMA and, finally, the metrics derived from graphs showed better performance against ICA-AROMA, the neural network, TcompCor, global regression and scrubbing.