Utilização de métodos de decomposição empíricos no pré-processamento de dados de ressonância magnética funcional

Abstract

A técnica de imagem por ressonância magnética funcional é um exame não invasivo que permite mapear e explorar diversas funções cerebrais por meio de variações na concentração de oxi-hemoglobina nas regiões de atividade neural. Uma das técnicas para avaliar e mapear essas funções cerebrais é o exame em estado de repouso, que é mais indicado em pacientes/voluntários que tenham algum tipo de problema neurológico, pois não faz o uso de tarefas cognitivas para gerar as imagens de mapeamento cerebral. O principal problema desse exame é ser muito sensível aos diferentes tipos de ruído presentes ao longo do exame, como os de origem fisiológica, principalmente provenientes da respiração e dos batimentos cardíacos. O tipo de ruído mais comum e que mais afeta os dados é causado pela movimentação da cabeça do paciente/voluntário. Pensando nisso, esta dissertação tem como objetivo estudar e avaliar a eficácia da utilização de métodos empíricos de decomposição durante a etapa de pré-processamento para a redução de ruído em dados oriundos de exames por ressonância magnética funcional. Os algoritmos escolhidos foram o de Decomposição em Modos Empíricos e o de Decomposição Empírica da Curva Média. Esses algoritmos foram escolhidos por serem utilizados em sinais não-estacionários e não-lineares. Este estudo foi realizado com 33 crianças do Projeto ACERTA (Avaliação de Crianças do Risco de Transtornos de Aprendizagem) classificadas em dois grupos: bons leitores (14 crianças) e maus leitores (19 crianças). Estes dados foram submetidos a cinco diferentes estratégias de pré-processamento: duas para as etapas usuais de pré-processamento utilizando ou não a etapa de censura dos movimentos; uma para o método de Decomposição em Modos Empíricos; e duas para o método de Decomposição Empírica da Curva Média, sendo que uma estratégia utiliza alterações no algoritmo original propostas por este trabalho. De acordo com as análises estatísticas realizadas, o algoritmo de Decomposição Empírica da Curva Média, tanto o original quanto o modificado, mostrou ser um método promissor para a redução de ruído nos dados reais de fMRI.

Functional Magnetic Resonance Imaging is a noninvasive technique used to map and explore brain networks through the changes in the oxyhemoglobin concentration that is caused by neural activity. One of the techniques to evaluate and measure these brain funcions is resting-state fMRI, which is indicated to subjects with some degree of neurological impairment since no cognitive task is necessary. The main problem of this exam is that it is more sensitive to noise during scanning - from physiological sources, for example, such as heart beating and breathing. The most common and hardest to correct is noise caused by a subject’s head movement. Given this fact, the objective of this thesis is to study and evaluate the effectiveness of implement empirical decomposition methods in the preprocessing stage of fMRI data. Empirical Mode Decomposition and Empirical Mean Curve Decomposition were the chosen algorithms because of their use in non-stationary and nonlinear signals. Thirty-three children participating in the ACERTA Project were classified in two groups: good readers (14 subjects) and poor readers (19 subjects). These data were submitted to five different preprocessing strategies: two for the usual preprocessing steps using or not the movements censoring; one for the Empirical Mode Decomposition method; and two for the Empirical Mean Curve Decomposition, being that one strategy uses changes proposed in this work in original algorithm. According to statistical analysis, the Empirical Mean Curve Decomposition, both the original and the modified, proved to be a promissing method for noise reduction in real fMRI data.