New approaches to statistical analysis of fMRI data

Siina Pamilo

New approaches to statistical analysis of fMRI data

Julkaisun otsikon käännös: Uusia menetelmiä fMRI-aineistojen tilastolliseen analyysiin

Siina Pamilo

Neurotieteen ja lääketieteellisen tekniikan laitos

Tutkimustuotos: Doctoral Thesis › Collection of Articles

Abstrakti

Toiminnallinen magneettikuvaus (fMRI) mittaa veren happipitoisuusmuutoksia ja auttaa siten ymmärtämään ihmisaivojen toimintaa. FMRI-aineistojen analyysissä käytetään tilastol-lisia menetelmiä ja vain ryhmätasolta tulokset voidaan yleistää. Tilastollisen testin valinta riippuu sekä aineistosta että tutkimuskysymyksestä. Syntynyt aivoaktiivisuus voidaan löytää luotettavammin ja tehokkaammin, jos häiriöt poistetaan ennen tilastollista analyysiä. Jotta saataisiin tietää, miten ihmisaivot toimivat jokapäiväisissä tilanteissa, fMRI-tutkimuksissa voidaan käyttää luonnonmukaisia ärsykkeitä perinteisten yksinkertaistettujen ärsykkeiden sijaan. Luonnonmukaiset ärsykkeet tuovat uusia analyysihaasteita, jolloin joudutaan käyttä-mään aineistolähtöisiä menetelmiä, kuten riippumattomien komponenttien analyysiä (ICA). Toisin kuin perinteisesti fMRI-analyysissä käytetty parametrinen t-testi, ei-parametriset tilastolliset testit tekevät vain vähän oletuksia aineistosta, joten niillä voidaan saavuttaa tehokkaampia tuloksia kuin parametrisilla menetelmillä. Paljon käytetty ei-parametrinen permutaatiotesti on kuitenkin laskennallisesti raskas. Väitöskirjassa esitellään uusi, herkkä ja laskennallisesti tehokas ei-parametrinen menetelmä, SumLog, fMRI-aineistojen ryhmäanalyysiin. Osa fMRI-aineistojen häiriöstä voidaan poistaa suodattamalla tai mallintamalla. Vaikeammin poistettavia fysiologisia häiriöitä varten väitöskirjassa esitellään uusi maxCorr-mentelmä, joka löytää yksilöllisiä komponentteja, jotka sisältävät sydämen sykkeestä, hengityksestä ja pään liikkeistä syntyviä häiriöitä. Toisin kuin monet aiemmista menetelmistä, maxCorr ei tarvitse fysiologisia referenssisignaaleja tai tietoa ärsykkeestä häiriöiden löytämiseen. Näin ollen max-Corr soveltuukin hyvin luonnonmukaisissa olosuhteissa kerättyjen aineistojen esikäsittelyyn. ICAa käytetään paljon luonnonmukaisissa olosuhteissa kerättyjen fMRI-aineistojen analy-soimiseen. ICA löytää fMRI-aineistosta toiminnallisia aivoverkostoja, joiden paikkajakauma ja aikakäyttäytyminen riippuvat kuitenkin estimoitujen komponenttien määrästä. Väitös-kirjassa laskettiin ryhmä-ICA kolmella komponenttimäärällä fMRI-aineistolle, joka oli kerätty koehenkilöiden katsoessa elokuvaa. Tulokset osoittivat kolmen tarkastellun aivoverkoston jakautuvan fysiologisesti mielekkäisiin alaverkostoihin estimoitujen komponenttien luku-määrän lisääntyessä. Väitöskirjassa esitetyt uudet menetelmät mahdollistavat sekä perinteisten että luonnon-mukaisia ärsykkeitä käyttävien fMRI-aineistojen entistä tehokkaamman tilastollisen analyysin. Lisäksi työ toi uutta ymmärrystä aivojen toiminnasta jokapäiväisissä tilanteissa.

Julkaisun otsikon käännös	Uusia menetelmiä fMRI-aineistojen tilastolliseen analyysiin
Alkuperäiskieli	Englanti
Pätevyys	Tohtorintutkinto
Myöntävä instituutio	Aalto-yliopisto
Valvoja/neuvonantaja	Hari, Riitta, Vastuuprofessori Hari, Riitta, Ohjaaja Seppä, Mika, Ohjaaja
Kustantaja	Aalto University
Painoksen ISBN	978-952-60-6543-4
Sähköinen ISBN	978-952-60-6544-1
Tila	Julkaistu - 2015
OKM-julkaisutyyppi	G5 Tohtorinväitöskirja (artikkeli)

Tutkimusalat

toiminnallinen magneettikuvaus
tilastollinen analyysi
ei-parametrinen testi
fysiologiset häiriöt
luonnonmukaiset ärsykkeet
riippumattomien komponenttien analyysi

Pääsy asiakirjaan

http://urn.fi/URN:ISBN:978-952-60-6544-1Lisenssi: Määrittelemätön

OpenUrl-saatavuus

Koko teksti

Siteeraa tätä

@phdthesis{d590a9c3314e4bd6bb5bd74401a57a74,

title = "New approaches to statistical analysis of fMRI data",

abstract = "Functional magnetic resonance imaging (fMRI) enables recording of changes in blood oxygenation level and thereby provides insight into human brain function. The collected fMRI data have to be analyzed statistically, and group analysis is crucial for generalization of the results. The selection of the statistical test depends on properties of the data, as well as on the research question. Since the brain-activity-related fMRI signal is small compared with noise in the data, removing various kinds of artifacts enables more effective and reliable detection of the true stimulus-related activations. To find out how the human brain works in everyday-life situations, fMRI experiments have started to move from traditional, highly controlled setups to using more naturalistic stimuli and tasks, such as viewing movies. Such rich and continuous stimuli bring challenges to data analysis, and call for data-driven approaches such as independent component analysis (ICA). In contrast to parametric statistical tests (e.g. the t-test) commonly used in fMRI analysis, nonparametric methods make only minimal assumptions about the data and may thereby provide more robust results. However, the widely-used nonparametric permutation test is computationally heavy. This thesis introduces SumLog, a new sensitive and computationally efficient nonparametric method for group-fMRI analysis. Some artifacts such as linear drifts are easy to remove from the data by e.g. filtering, whereas physiological noise is more difficult to eliminate. This thesis thus introduces a new maxCorr method that allows extraction from group-fMRI data subject-specific components that are connected to respiration, heartbeat, and movement. In contrast to many existing methods, maxCorr does not need any reference signals or information about the stimulus, and it is thereby well-suited for cleaning data collected during naturalistic stimulation. Data-driven methods such as ICA are widely used for analyzing fMRI data from naturalistic experiments. ICA can unravel functional brain networks but both the spatial patterns and time courses of the networks depend on the number of the estimated components. In this thesis, group-ICA was applied at four dimensionalities to fMRI data collected during movie viewing. The analysis implied subdivision of three cortical networks into functionally feasible subnetworks.This thesis contributes to more effective and reliable statistical analysis of fMRI data from conventional and naturalistic experiments. It also adds to the understanding of human brain function in naturalistic conditions.",

keywords = "fMRI, statistical analysis, nonparametric test, physiological noise, naturalistic stimulation, independent component analysis, toiminnallinen magneettikuvaus, tilastollinen analyysi, ei-parametrinen testi, fysiologiset h{\"a}iri{\"o}t, luonnonmukaiset {\"a}rsykkeet, riippumattomien komponenttien analyysi, fMRI, statistical analysis, nonparametric test, physiological noise, naturalistic stimulation, independent component analysis",

author = "Siina Pamilo",

year = "2015",

language = "English",

isbn = "978-952-60-6543-4",

series = "Aalto University publication series DOCTORAL DISSERTATIONS",

publisher = "Aalto University",

number = "200",

address = "Finland",

school = "Aalto University",

}

TY - THES

T1 - New approaches to statistical analysis of fMRI data

AU - Pamilo, Siina

PY - 2015

Y1 - 2015

N2 - Functional magnetic resonance imaging (fMRI) enables recording of changes in blood oxygenation level and thereby provides insight into human brain function. The collected fMRI data have to be analyzed statistically, and group analysis is crucial for generalization of the results. The selection of the statistical test depends on properties of the data, as well as on the research question. Since the brain-activity-related fMRI signal is small compared with noise in the data, removing various kinds of artifacts enables more effective and reliable detection of the true stimulus-related activations. To find out how the human brain works in everyday-life situations, fMRI experiments have started to move from traditional, highly controlled setups to using more naturalistic stimuli and tasks, such as viewing movies. Such rich and continuous stimuli bring challenges to data analysis, and call for data-driven approaches such as independent component analysis (ICA). In contrast to parametric statistical tests (e.g. the t-test) commonly used in fMRI analysis, nonparametric methods make only minimal assumptions about the data and may thereby provide more robust results. However, the widely-used nonparametric permutation test is computationally heavy. This thesis introduces SumLog, a new sensitive and computationally efficient nonparametric method for group-fMRI analysis. Some artifacts such as linear drifts are easy to remove from the data by e.g. filtering, whereas physiological noise is more difficult to eliminate. This thesis thus introduces a new maxCorr method that allows extraction from group-fMRI data subject-specific components that are connected to respiration, heartbeat, and movement. In contrast to many existing methods, maxCorr does not need any reference signals or information about the stimulus, and it is thereby well-suited for cleaning data collected during naturalistic stimulation. Data-driven methods such as ICA are widely used for analyzing fMRI data from naturalistic experiments. ICA can unravel functional brain networks but both the spatial patterns and time courses of the networks depend on the number of the estimated components. In this thesis, group-ICA was applied at four dimensionalities to fMRI data collected during movie viewing. The analysis implied subdivision of three cortical networks into functionally feasible subnetworks.This thesis contributes to more effective and reliable statistical analysis of fMRI data from conventional and naturalistic experiments. It also adds to the understanding of human brain function in naturalistic conditions.

AB - Functional magnetic resonance imaging (fMRI) enables recording of changes in blood oxygenation level and thereby provides insight into human brain function. The collected fMRI data have to be analyzed statistically, and group analysis is crucial for generalization of the results. The selection of the statistical test depends on properties of the data, as well as on the research question. Since the brain-activity-related fMRI signal is small compared with noise in the data, removing various kinds of artifacts enables more effective and reliable detection of the true stimulus-related activations. To find out how the human brain works in everyday-life situations, fMRI experiments have started to move from traditional, highly controlled setups to using more naturalistic stimuli and tasks, such as viewing movies. Such rich and continuous stimuli bring challenges to data analysis, and call for data-driven approaches such as independent component analysis (ICA). In contrast to parametric statistical tests (e.g. the t-test) commonly used in fMRI analysis, nonparametric methods make only minimal assumptions about the data and may thereby provide more robust results. However, the widely-used nonparametric permutation test is computationally heavy. This thesis introduces SumLog, a new sensitive and computationally efficient nonparametric method for group-fMRI analysis. Some artifacts such as linear drifts are easy to remove from the data by e.g. filtering, whereas physiological noise is more difficult to eliminate. This thesis thus introduces a new maxCorr method that allows extraction from group-fMRI data subject-specific components that are connected to respiration, heartbeat, and movement. In contrast to many existing methods, maxCorr does not need any reference signals or information about the stimulus, and it is thereby well-suited for cleaning data collected during naturalistic stimulation. Data-driven methods such as ICA are widely used for analyzing fMRI data from naturalistic experiments. ICA can unravel functional brain networks but both the spatial patterns and time courses of the networks depend on the number of the estimated components. In this thesis, group-ICA was applied at four dimensionalities to fMRI data collected during movie viewing. The analysis implied subdivision of three cortical networks into functionally feasible subnetworks.This thesis contributes to more effective and reliable statistical analysis of fMRI data from conventional and naturalistic experiments. It also adds to the understanding of human brain function in naturalistic conditions.

KW - fMRI

KW - statistical analysis

KW - nonparametric test

KW - physiological noise

KW - naturalistic stimulation

KW - independent component analysis

KW - toiminnallinen magneettikuvaus

KW - tilastollinen analyysi

KW - ei-parametrinen testi

KW - fysiologiset häiriöt

KW - luonnonmukaiset ärsykkeet

KW - riippumattomien komponenttien analyysi

KW - fMRI

KW - statistical analysis

KW - nonparametric test

KW - physiological noise

KW - naturalistic stimulation

KW - independent component analysis

M3 - Doctoral Thesis

SN - 978-952-60-6543-4

T3 - Aalto University publication series DOCTORAL DISSERTATIONS

PB - Aalto University

ER -

New approaches to statistical analysis of fMRI data

Abstrakti

Tutkimusalat

Pääsy asiakirjaan

OpenUrl-saatavuus

Sormenjälki

Siteeraa tätä