Ứng dụng phương pháp ica phát hiện vùng não hoạt hóa trong dữ liệu ảnh cộng hưởng từ chức năng

Nội dung text: Ứng dụng phương pháp ica phát hiện vùng não hoạt hóa trong dữ liệu ảnh cộng hưởng từ chức năng

1. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 ỨNG DỤNG PHƯƠNG PHÁP ICA PHÁT HIỆN VÙNG NÃO HOẠT HÓA TRONG DỮ LIỆU ẢNH CỘNG HƯỞNG TỪ CHỨC NĂNG Vũ Hồng Vinh1, Đinh Thị Nhung1, Vương Hoàng Nam1, Nguyễn Văn Sơn2, Đào Huy Du3* 1Trường Đại học Bách Khoa Hà Nội, 2Viện Đại học Mở Hà Nội 3Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên TÓM TẮT Bài báo đã xây dựng được một mô hình xử lý ảnh cộng hưởng từ chức năng fMRI dựa trên phương pháp ICA (thuật toán FastICA). Phương pháp ICA cho phép phân tách dữ liệu fMRI thành các thành phần không gian (ảnh) độc lập và phi Gauss. Từ các thành phần độc lập này, chúng ta có thể xác định những thành phần tín hiệu có ích liên quan đến tác động kích thích cũng như xác định những khu vực hoạt hóa trong não. Trong phần mô phỏng, chúng tôi sử dụng cơ sở dữ liệu fMRI được thu thập bởi Institutional Review Board of Johns Hopkins University. Kết quả phân tích cho phép xác định được các vùng não hoạt hóa chịu tác động bởi kích thích thị giác ở cả bán não bên trái và bán não bên phải của bệnh nhân. Từ khóa: ảnh cộng hưởng từ chức năng, phân tích thành phần độc lập, vùng não hoạt hóa, thuật toán fastICA GIỚI THIỆU* các tín hiệu thành phần không tuân theo phân Chụp cộng hưởng từ hay MRI (Magnetic bố Gauss nghĩa là hoàn toàn độc lập về mặt Resonance Imaging) là một kỹ thuật chẩn thống kê, được đặt tên là Phân tích thành đoán y khoa tạo ra hình ảnh giải phẫu của cơ phần độc lập ICA (Independent Component thể nhờ sử dụng từ trường và sóng radio. Analysis). Sau đó, khái niệm này đã được 2 Cộng hưởng từ hình ảnh (MRI) cung cấp hình tác giả Bell và Sejnowski phát triển vào năm ảnh của cấu trúc bên trong cơ thể, trong khi 1995 [1]. chức năng cộng hưởng từ hình ảnh fMRI Ứng dụng phương pháp Phân tích thành phần (funtional MRI ) đánh giá các quá trình trao độc lập ICA để phân tích ảnh chụp cộng đổi chất. MRI có thể được sử dụng bất cứ nơi hưởng từ chức năng fMRI là một hướng khoa nào trong cơ thể, trong khi các nghiên cứu học nghiên cứu đang rất phát triển trên thế fMRI tập trung vào não, nơi hình ảnh mà có giới trong khoảng hơn mười năm trở lại đây thể tiết lộ những thay đổi rất tinh tế trong mức và đạt được nhiều kết quả triển vọng dùng độ hoạt động đặc biệt quan trọng. MRI có độ cho việc hỗ trợ chẩn đoán trong y tế. Một trong những hướng nghiên cứu quan trong phân giải không gian cao trong khi fMRI có phân tích dữ liệu fMRI là việc xác định các độ phân giải thời gian. Tuy nhiên, các tín hiệu vùng não hoạt hóa. Phương pháp ICA cho đo thu được bởi kỹ thuật cộng hưởng từ chức phép phân tách dữ liệu fMRI thành các thành năng là một tín hiệu phức hợp có chứa nhiều phần không gian (ảnh) độc lập và phi Gauss. thành phần mang thông tin khác biệt từ nhiều Từ các thành phần độc lập này, chúng ta có nguồn phần tử khác nhau. Do đó sự tái tạo thể xác định những thành phần tín hiệu có ích ảnh sử dụng dữ liệu thô sẽ không thể hiển thị liên quan đến tác động kích thích cũng như được đúng tính chất của nguồn phát sóng do xác định những khu vực hoạt hóa trong não. xung kích thích của sóng điện từ. Để giải Kết quả nghiên cứu thu được có thể triển khai quyết vấn đề này việc tách biệt các tín hiệu vào thực tiễn cho phép các bác sĩ xác định các thành phần sẽ là giải pháp. Vào năm 1994, tác khu vực não hoạt hóa của người bệnh khi chịu giả Comon đã đề xuất khái niệm về phân tích những tác động kích thích nhất định từ đó giúp bác sĩ tìm ra những phương án điều trị * Tel: 0912 347222, Email: daohuydu@tnut.edu.vn tối ưu cho người bệnh. 49
2. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 PHƯƠNG PHÁP ICA Phương pháp phân tích các thành phần độc Phân tách mù nguồn tín hiệu BSS (Blind lập ICA được định nghĩa như sau [2]: Source Separation) là một phương pháp được Định nghĩa về ICA: sử dụng phổ biến cho mục đích đánh giá các ICA của một vector biến ngẫu nhiên xRN nguồn tín hiệu ban đầu chỉ thông qua các tín là tìm một phép biến đổi tuyến tính y Wx hiệu thu được ở tại các bộ cảm biến đầu ra, sao cho các thành phần yi i1, N độc mà không cần biết đến đặc tính hàm truyền lập hỗ tương nhất có thể thông qua việc cực đạt của kênh truyền. Mô hình toán học đơn đại hóa các hàm đo tính độc lập hỗ tương giản của bài toán BSS tuyến tính như sau: (hàm mục tiêu) F y12, y ,.., yN . T s s, s ,..., s Định nghĩa trên được xem là định nghĩa tổng Nếu gọi 12 N là một vectơ ngẫu quát nhất không cần có các điều kiện ràng nhiên, trong đó mỗi thành phần được xem là một nguồn tín hiệu gốc ban đầu, và buộc về dữ liệu.Mô hình ICA tuyến tính cơ T bản đòi hỏi các giả thiết sau đây [2]: x x, x ,..., x là vectơ tín hiệu thu tại 12 M Các nguồn tín hiệu gốc ban đầu độc lập các bộ cảm biến được xác định bởi phương thống kê với nhau. A trình: x As (1) trong đó là một ma Ma trận trộn A là ma trận vuông (số lượng trận trộn (không biết) đặc trưng cho đặc tính tín hiệu nguồn và tín hiệu trộn bằng nhau) truyền đạt của kênh truyền. khả nghịch. Khi đó nhiệm vụ của bài toán BSS là phải xác Tối đa chỉ có một nguồn tín hiệu gốc có định một ma trận W , được gọi là ma trận phân bố Gauss. tách, khi đó y Wx là các tín hiệu nguồn được khôi phục. Một cách lý tưởng ma trận Với các giả thiết trên, mục tiêu của phương W sẽ là ma trận nghịch đảo của A nhưng pháp ICA đối với một vector ngẫu nhiên N trên thực tế chúng ta hoàn toàn không biết xR là tìm một ma trận tách W sao choT mà chỉ biết tín hiệu thu được x .Một trong tín hiệu đầu ra y n y1 n,..., yN n những phương pháp giải quyết phổ biến nhất được xác định bởi: bài toán BSS tuyến tính là phương pháp y n Wx n (2) phân tích các thành phần độc lập ICA. Phương pháp ICA dựa trên giả thiết thực tế gồm các thành phần độc lập với nhau. Trong là các nguồn tín hiệu gốc là độc lập thống bài báo thuật toán ICA chúng tôi sử dụng là kê với nhau. thuật toán FastICA với hàm đo tính độc lập là hàm Negentropy [2,3]. Ma trận trộn TÍN HIỆU CỘNG HƯỞNG TỪ CHỨC NĂNG Cơ chế hoạt động s1(t) x1(t) Khác với ảnh cấu trúc cho hình ảnh cụ thể rõ s2(t) x2(t) ràng về giải phẫu não, fMRI dùng khảo sát hoạt động của não nhờ vào phát hiện các thay A đổi huyết động ở não khi đáp ứng các kích thích thần kinh. Các hoạt động thần kinh làm tăng mức tiêu thụ Oxygen cũng như tăng sN(t) xM(t) dòng chảy mạch máu não. Lúc đó, ở vùng não s(t) x(t) hoạt động sẽ tăng tương đối lượng Tín hiệu nguồn Tín hiệu trộn oxyhemoglobin so với deoxyhemoglobin. Việc giảm tương đối nồng độ Hình 1. Mô hình bài toán BSS tổng quát deoxyhemoglobin tại chỗ sẽ có tác động 50
3. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 thuận từ làm tăng thoáng qua tín hiệu T2*, CƠ SỞ DỮ LIỆU ẢNH FMRI điều này có thể phát hiện trên fMRI. Đây là Cơ sở dữ liệu BOLD-fMRI (theo định dạng nguyên lý cơ bản của tương phản lệ thuộc Analyze) sử dụng trong bài báo dùng đánh oxygen máu BOLD (Blood Oxygen Level giá chức năng thị giác (visual) được thu thập Dependent) dùng trong fMRI. bởi Institutional Review Board of Johns Điều quan trọng cần lưu ý là BOLD fMRI Hopkins University bằng một máy cộng không đo, đánh giá trực tiếp các hoạt động hưởng từ Gyroscan NT PT-6000 hoạt động ở của các nơron thần kinh mà chỉ đánh giá 1,5 Tesla (hãng Philips Medical Systems) [5]. lượng tiêu thụ (lượng ôxi hóa) của các nơron Người tham gia (3 đối tượng) nằm trong máy hoạt hóa. quét MRI và được kích thích hình ảnh được Hàm đáp ứng huyết lưu HRF chiếu từ một máy video-projector trong phòng (Haemodynamic Response Function) cộng hưởng từ và được cách ly từ trường nhờ Hàm đáp ứng huyết lưu HRF chính tắc một lồng Faraday. Một chiếc gương sẽ giúp ht của tín hiệu BOLD đối với một xung chiếu hình ảnh lên trên màn hình trong cuộn kích thích (sự kiện) được minh họa ở hình 2. dây của máy. Người tham gia sẽ nhìn màn Đối với hàm đáp ứng HRF chính tắc ht , hình này bằng một gương cố định (đối diện chúng ta có thể thấy đỉnh của đáp ứng ở người bệnh với góc nghiêng khoảng 25 độ) khoảng 5s sau khi kích thích và sau đó giảm trước mắt người bệnh. Kích thích sẽ được đưa xuống kéo dài trong khoảng 30s (hình vẽ 2) đến máy chiếu từ PC (hình vẽ 3). Ảnh chụp quanh kích thích. Tuy nhiên trên thực tế theo phương pháp EPI, là phương pháp chụp khoảng thời gian giữa các kích thích thường ảnh cộng hưởng từ siêu nhanh có thể đạt tới nhỏ hơn so với hàm đáp ứng HRF. Boynton tốc độ video. EPI được sử dụng để thể hiện sự et al., 1996 [4] giả thiết rằng nếu tín hiệu thay đổi lớn về thông số sinh lý học, đặc biệt BOLD là đầu ra của một hệ thống tuyến tính là trong thăm khám chức năng não. Tuy nhiên bất biến thời gian (linear time-invariant), với phương pháp này có nhược điểm là nhiều hàm kích thích đầu vào là ut thì chúng ta nhiễu hơn và ma trận dữ liệu thô thường bị có thể biểu diễn sự biến thiên theo thời gian giới hạn. (time-course) Xt của tín hiệu BOLD như là phép tích chập giữa hàm kích thích và hàm đáp ứng xung HRF . Hình 3. Quá trình thu nhận dữ liệu fMRI Dữ liệu thu nhận của mỗi đối tượng gồm 220 ảnh FMRI được ghi ghi nhận tại 220 thời Hình 2. Hàm đáp ứng HRF điểm (cách 1s). T Các thông số chụp EPI: TR=1sec; TE= 39ms; X t u t h u t h d (3) FOV= 24cm; matrix= 53 x 63; góc flip=90 0 độ; độ dày slice (theo trục z)= 4 mm; 51
4. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 của tín hiệu BOLD trong thực nghiệm (mục 3). Đối với từng thực nghiệm, chúng ta sẽ có một time-course (dự doán) của thực nghiệm liên quan đến tín hiệu BOLD tại vùng não chịu ảnh hưởng của kích thích. Với hàm tham chiếu này, chúng ta có thể đánh giá mức độ “giống nhau” của các time-course của các thành phần IC so với time-course tham chiếu dự đoán thông qua hệ số tương quan Hình 4. Quá trình kích thích thị giác fMRI (Corelation Coefficient- CC) [8]. Quá trình kích thích thị giác gồm: mẫu ô bàn n x x y y cờ được thay đổi (đảo) màu và độ sáng với ii tần số (nhấp nháy) 8 Hz và được chiếu trong CC i 1 (4) 22 15 giây ở hemi-field (trường nhìn) thị giác nn x x y y bên phải. Năm giây tiếp theo màn hình cố ii ii11 hình không có kích thích. Mẫu kích thích thị giác (ô bàn cờ) với tần số 8 Hz được lặp lại trong đó CC được sử dụng để đánh giá độ 15 giây cho hemi-field thị giác trái. Cuối cùng tương quan của time-course x với time- màn hình không mẫu kích thích trong 20 giây course dự đoán y , i là chỉ số thời gian. Các tiếp. Quá trình hiển thị này được hiển thị IC liên quan đến tác động kích thích sẽ có giá thông qua lập trình máy tính. Quá trình kích trị tương quan với time-course của tín hiệu thích thị giác lặp lại sự kiện trên 4 lần (sự BOLD lớn nhất. kiện có chu kỳ 55 giây) với tổng cộng 220 Cuối cùng, việc xác định các vùng hoạt hóa giây (hình 4). (activation map) sẽ được thực hiện trên các thành phần này. Chúng ta sẽ thực hiện quá ỨNG DỤNG ICA PHÂN TÍCH DỮ LIỆU FMRI trình tìm kiếm vùng hoạt hóa ROA (Region of NHẰM PHÁT HIỆN VÙNG HOẠT HÓA Activation). Phương pháp đơn giản nhất là Ứng dụng phương pháp ICA để phân tích dữ tìm kiếm các điểm có giá trị lớn (outlier) bằng liệu ảnh fMRI cho phép tách ra các thành cách tạo ra một ảnh thống kê Ts()để tìm phần độc IC (Independent Component) trong kiếm vùng hoạt hóa, sau đó chọn một ngưỡng dữ liệu ảnh và các quá trình biến thiên theo giá trị t và vùng ROA được xác định nếu tất thời gian (time-course) của chúng dựa trên ma cả các điểm s trong ROA thỏa mãn trận tách W [6,7]. Trong phạm vi nghiên T s t . Các ROA này có thể được tìm cứu, bài báo quan tâm đến các vùng não kiếm dựa trên tham số Z-score (chỉ số Z) (vùng hoạt hóa) bị chịu ảnh hưởng của tác được định nghĩa như sau [6,7]: động kích thích thị giác. Như vậy chúng ta sẽ x chỉ quan tâm đến hai thành phần liên quan Z (5) đến vùng não thị giác bên trái (Visuo-Left) và bên phải (Visuo-Right) trong cơ sở dữ liệu Chỉ số Z dùng để diễn đạt mối liên hệ của một fMRI (mục 4). điểm giá trị dữ liệu cụ thể x khi biết giá trị Sau khi tìm được các thành phần độc lập trung bình dữ liệu và độ lệch chuẩn . trong dữ liệu fMRI, các thành phần tín hiệu KẾT QUẢ MÔ PHỎNG được quan tâm sẽ được xác định bằng việc so Việc phân tích dữ liệu ảnh fMRI (CSDL sánh tương quan giữa quá trình biến thiên Institutional Review Board of Johns Hopkins theo thời gian của các thành phần này với University) được thực hiện bởi thuật toán hàm biến thiên theo thời gian được dự đoán FastICA. Số thành phần độc lập phân tích 52
5. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 được chọn bằng 20 được xem là phù hợp. Thành phần IC7, hình 7, liên quan đến tác (Kiviniemi.V et al. đưa ra số lượng thành động thị giác ở trường nhìn (hemi-field) bên phần đánh giá nên từ 20 đến 40 thành phần phải (ở vùng vỏ não thị giác trái-VL) và [9]). Dữ liệu fMRI của từng đối tượng được thành phần IC6, hình 6, liên quan đến tác thuật toán FastICA tách thành 20 thành phần động thị giác ở trường nhìn (hemi-field) bên không gian (ảnh) độc lập. trái (ở vùng vỏ não thị giác phải-VR) của đối Trong các IC này chúng ta cần tìm ra các IC tượng trong thực nghiệm. liên quan đến các tác động kích thích từ thực nghiệm. Hình vẽ 5 thể hiện sự thay đổi (dự đoán) theo thời gian của tín hiệu BOLD ở vùng não thị giác trái và phải được xem như phép tích chập giữa hàm kích thích (hình 4) và hàm đáp ứng xung HRF (hình 2). Dữ liệu fMRI trong thực nghiệm của bài báo khi được phân tích bằng ICA sẽ được tách thành các thành phần liên quan đến hai tác động khác nhau (một ở vùng vùng não thị giác trái Visuo- Left, một ở vùng thị giác phải Visuo- Right). Tien trinh thoi gian (time-course) tuong ung voi Visuo-Left 1.5 Hình 6. Thành phần IC6 liên quan đến vị trí hoạt 1 hóa vùng thị giác phải của não (VR) 0.5 2 IC 7 0 1 0 20 40 60 80 100 120 140 160 180 200 220 0 Thoi gian(s) -1 Tien trinh thoi gian (time-course) tuong ung voi Visuo-Right 20 40 60 80 100 120 140 160 180 200 220 1.5 viDon tin hoa chuan da hieu Thoi gian (Scans) 1 0.5 0 0 20 40 60 80 100 120 140 160 180 200 220 Thoi gian(s) R Hình 5. Quá trình thay đổi được dự đoán của tín 9.3 hiệu BOLD ứng với VL và VR Hai thành phần IC này sau khi đã được xác 0 định sẽ được tìm kiếm vùng hoạt hóa thông 0 qua việc đánh giá chỉ số Z. Chỉ số Z được tính cho mọi voxel và đối với các voxel có giá trị Hình 7. Thành phần IC7 liên quan đến vị trí hoạt hóa vùng thị giác trái của não (VL) chỉ số Z lớn hơn một ngưỡng cụ thể (trong bài Tiến hành phân tích trên dữ liệu của cả 3 báo chọn Z 2 ) sẽ được dùng nhận dạng đối tượng tham gia đều cho kết quả thu vùng hoạt hóa, các voxel có chỉ số Z nhỏ hơn được tốt với các vị trí hoạt hóa chịu tác ngưỡng sẽ được trả về giá trị 0. động của thực nghiệm. Kết quả thực nghiệm (của một đối tượng) sau KẾT LUẬN khi phân tích ảnh FMRI bằng thuật toán FastICA chúng ta thu được hai thành phần có Bài báo đã xây dựng được một mô hình xử lý time-course tương quan lớn nhất (giống) với ảnh cộng hưởng từ chức năng fMRI dựa trên time-course của thực nghiệm là IC6 và IC7. phương pháp ICA (thuật toán FastICA) cho 53
6. Vũ Hồng Vinh và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 128(14): 49 - 54 phép xác định những thành phần tín hiệu có 3. A.Hyvarien, “Fast and robust fixed-point ích liên quan đến tác động kích thích cũng algorithms for independent component analysis,” IEEE Trans. On Neural Networks, 10(3): 626-634, như xác định những vùng hoạt hóa trong não. 1999. Kết quả nghiên cứu có thể triển khai vào thực 4. Boynton GM, Engel SA, Glover GH et al tiễn cho phép các bác sĩ xác định các khu vực (1996), Linear systems analysis of functional não hoạt hóa của người bệnh khi chịu những magnetic resonance imaging in human V1, J Neurosci 16: 4207-21. tác động kích thích nhất định từ đó giúp bác sĩ 5. tìm ra những phương án điều trị tối ưu. wnload_links.html Hướng phát triển tiếp theo của nghiên cứu là 6 V.Calhoun, T.Adali, G.Pearlson, and J.Pekar, “A Method for Making Group Inferences From thực hiện đánh giá chức năng liên kết não Functional MRI Data Using Independent (functional connection) trong fMRI cũng như Component Analysis” Hum.Brain Map., vol. 14, việc kết hợp giữa tín hiệu fMRI với các tín pp. 140-151, 2001. hiệu y sinh khác (như điện não đồ EEG) trong 7. V.Calhoun, J.Pekar, T.Adali, and G.Pearlson, “Spatial & Temporal Independent Component việc hỗ trợ chẩn đoán bệnh động kinh. Analysis of fMRI Data with TwoTask-Related Waveforms” Proceedings, ISMRM, 10th Annual TÀI LIỆU THAM KHẢO Meeting, Glasgow,Scotland, p. 24, 2001. 1. McKeown M.J and Sejnowski T.J, 8. Chung I-Huang et al, “Using Independent Component Analysis to detect active regions in “Independent Component Analysis of FMRI data: brain fMRI for tactile stimulation”, Journal of Examining the Assumptions”, Human Brain Medical and Biological Engineering, 28(3), 147- Mapping, vol.6, pp 368-372, 1998. 154, 2008. 2. Aapo Hyvarinen, Juha Karhunen and Erkkl Oja, 9.Kiviniemi.V et al, “Independent Component Independent Component Analysis, John Wiley and Analysis of nondeterministic fMRI signal Sons Ltd, 2001 sources”, NeuroImage, vol. 19, pp.253-260, 2003. SUMMARY DETECTION OF ACTIVATED BRAIN REGIONS FROM FMRI DATA BASED ON INDEPENDENT COMPONENT ANALYSIS Vu Hong Vinh1, Dinh Thi Nhung1, Vuong Hoang Nam1, Nguyen Van Son2, Dao Huy Du 3* 1Hanoi University of Science and Technology, 2Hanoi Open University 3College of Technology - TNU In this work, Independent Component Analysis (FastICA algorithm) is employed to separate functional magnetic resonanse image (fMRI) data into spatially independent non-Gaussian components. Based on the separation, activation regions related to stimulations on the left and right brain are indicated. For the demonstration, the data collected from Institutional Review Board of Johns Hopkins University data base were used. The results of the analysis are the images of the patient’s brain which the activation regions of the visual function posed on the left and right half of the brain have been shown Key word: functional MRI, independent component analysis, brain activated region, fastICA Ngày nhận bài:15/9/2014; Ngày phản biện:30/9/2014; Ngày duyệt đăng: 25/11/2014 Phản biện khoa học: PGS.TS Nguyễn Thanh Hà – Đại học Thái Nguyên * Tel: 0912 347222, Email: daohuydu@tnut.edu.vn 54