A new fMRI quality metric using multi-echo information: Theory, validation and implications

Dit artikel introduceert en valideert pBOLD, een nieuwe kwaliteitsmetriek voor multi-echo fMRI die de waarschijnlijkheid van BOLD-gedreven signaal fluctuaties kwantificeert, waarmee het niet alleen de effectiviteit van verschillende verwerkingspipelines kan beoordelen, maar ook voorspelt hoe goed functionele connectiviteitsmatrices fenotypes kunnen voorspellen.

De kern

De Kern: Een Nieuwe "Kwaliteitscontrole" voor Hersenscans

Stel je voor dat je een heel dure, superkrachtige camera hebt om foto's van je eigen brein te maken terwijl je rustig in een MRI-machine ligt. Deze foto's (fMRI-scans) moeten laten zien welke delen van je brein actief zijn. Maar er is een groot probleem: de foto's zijn vaak wazig of verstoord door ruis.

Deze ruis komt van alles: je hartslag, je ademhaling, het bewegen van je hoofd, of zelfs de machine zelf. Het is alsof je probeert een stil gesprek te horen in een drukke fabriekshal.

Tot nu toe gebruikten onderzoekers één hoofdmeter om te zien of een scan goed was: de TSNR. Je kunt dit vergelijken met het meten van de helderheid van een foto. Hoe helderder, hoe beter. Maar er zit een addertje onder het gras: een foto kan heel helder zijn, maar als die helderheid wordt veroorzaakt door flitsende lichten van de fabriek (ruis) in plaats van het gesprek (het brein), is de foto eigenlijk waardeloos.

De auteurs van dit paper hebben een nieuwe meter bedacht, genaamd pBOLD.

Wat is pBOLD? (De "BOLD-Filter")

In plaats van alleen naar de helderheid te kijken, kijkt pBOLD naar de kleur van de signalen.

• BOLD (Blood Oxygenation Level-Dependent) is het echte signaal van je brein. Het is als het gesprek dat je wilt horen.
• So (Net Magnetization) is de ruis van je lichaam (hartslag, ademhaling). Het is als het gefluister van de fabrieksarbeiders.

De Analogie van de Radio:
Stel je voor dat je naar een radiozender luistert.

• De TSNR meet alleen hoe hard het geluid is. Als er veel ruis is, is het geluid misschien wel hard, maar onbegrijpelijk.
• De pBOLD meet of het geluid dat je hoort echt de zender is, of dat het alleen maar statische ruis is.

Hoe werkt dit technisch? De machine maakt niet één, maar meerdere foto's tegelijk (met verschillende "echo-tijden"). Het echte brein-signaal (BOLD) gedraagt zich op een specifieke manier bij deze verschillende echo's, terwijl de ruis (So) zich anders gedraagt. pBOLD is een slim algoritme dat kijkt: "Zit dit signaal op de lijn van het echte brein, of op de lijn van de ruis?"

Wat hebben ze ontdekt?

De onderzoekers hebben deze nieuwe meter getest op duizenden scans en kwamen tot drie belangrijke conclusies:

1. De "Grote Signaal" valkuil (Global Signal Regression)
Vaak proberen onderzoekers de "ruis" te verwijderen door het gemiddelde signaal van het hele brein weg te halen (alsof je de hele fabriek stillegt om het gesprek te horen).

• Het oude idee: Dit maakt de scan "helderder" (hoge TSNR).
• De nieuwe ontdekking: pBOLD laat zien dat dit eigenlijk een fout is! Door het gemiddelde signaal weg te halen, verwijder je per ongeluk ook veel waardevolle brein-informatie. De scan wordt wel "stil", maar het gesprek is ook weg. De kwaliteit van de data gaat omlaag, zelfs als de helderheidsmeter (TSNR) zegt dat het beter is.

2. De beste manier om te ontdoen van ruis
Ze testten verschillende methoden om de scans schoon te maken. De methode die het beste werkte (genaamd tedana) gebruikte slimme wiskunde om precies te zien welke echo's ruis waren en welke het brein waren.

• Deze methode gaf zowel een heldere scan (hoge TSNR) als een scan met veel echt brein-signaal (hoge pBOLD).
• Dit bewijst dat je niet zomaar alles kunt weghalen; je moet slim selecteren.

3. Een betere voorspeller
Het ultieme doel van deze scans is vaak om iets te voorspellen, zoals de intelligentie (IQ) van iemand, gebaseerd op hoe hun breindelen met elkaar praten.

• De onderzoekers ontdekten dat scans met een hoge pBOLD (veel echt brein-signaal) veel beter voorspellingen konden doen over de IQ dan scans met alleen een hoge TSNR.
• Als je alleen naar de "helderheid" (TSNR) kijkt, mis je de echte kwaliteit. pBOLD is de betere kompasnaald.

Waarom is dit belangrijk voor jou?

Voor de gewone mens betekent dit dat wetenschappers nu een betere manier hebben om te controleren of hun hersenscans betrouwbaar zijn.

• Het helpt om "slechte" scans eruit te filteren voordat ze verkeerde conclusies trekken.
• Het waarschuwt hen om niet zomaar bepaalde ruis te verwijderen, omdat ze anders per ongeluk de interessante informatie (het brein) weggooien.
• Het maakt toekomstig onderzoek over ziektes, gedrag en intelligentie nauwkeuriger.

Samenvattend:
Deze paper introduceert een nieuwe "kwaliteitsmeter" voor hersenscans. In plaats van alleen te kijken of de foto helder is (TSNR), kijkt deze nieuwe meter (pBOLD) of de foto echt het brein laat zien en niet alleen maar ruis. Hierdoor kunnen wetenschappers betere beslissingen nemen en betere resultaten behalen.

Technische samenvatting

Probleemstelling

De kwaliteit van fMRI-data is cruciaal voor het succes van neuroimaging-studies, maar wordt vaak verstoord door ruis en artefacten (zoals beweging, fysiologische variatie en hardware-instabiliteiten). Hoewel er bestaande kwaliteitsborgingsmetrieken (QA) zijn, zoals de temporale signaal-ruisverhouding (TSNR), missen deze vaak de mogelijkheid om specifiek in te schatten of de data gedomineerd wordt door het gewenste BOLD-signaal (Blood Oxygenation Level-Dependent) of door ongewenste fluctuaties in de netto-magnetisatie ($S_0$).

Dit probleem is vooral relevant voor multi-echo (ME) fMRI, een techniek waarbij meerdere tijdsreeksen per voxel worden opgenomen bij verschillende echo-tijden (TE). Hoewel ME-fMRI steeds vaker wordt gebruikt vanwege de voordelen bij ruisreductie (bijv. via tedana), ontbreekt er een specifieke, interpreteerbare QA-metriek die de relatieve bijdrage van BOLD- versus $S_0$-fluctuaties kwantificeert. Bestaande methoden zoals TSNR kunnen misleidend zijn: een hoge TSNR kan het gevolg zijn van het verwijderen van nuttige neurale fluctuaties, niet alleen van ruis.

Methodologie

1. Theoretisch Kader: pBOLD
De auteurs introduceren pBOLD (probability of BOLD), een nieuwe metriek die de waarschijnlijkheid schat dat een scan gedomineerd wordt door BOLD-fluctuaties. De theorie is gebaseerd op het fundamentele verschil in TE-afhankelijkheid tussen BOLD- en $S_0$-signalen:

• BOLD-fluctuaties ($\Delta R_2^*$) zijn lineair afhankelijk van de echo-tijd (TE).
• $S_0$-fluctuaties (netto magnetisatie) zijn onafhankelijk van TE.

De methode analyseert functionele connectiviteit (FC) tussen regio's van interesse (ROI's) over verschillende echo-paren.

• Als data gedomineerd wordt door $S_0$, is de covariantie tussen FC-matrices van verschillende echo-paren onafhankelijk van TE (punten liggen op de identiteitslijn in een scatterplot).
• Als data gedomineerd wordt door BOLD, is de covariantie TE-afhankelijk (punten liggen op een lijn met een helling bepaald door de verhouding van de echo-tijden).

pBOLD wordt berekend door voor elke verbinding (edge) in het connectoom de afstand te meten tot de theoretische lijn voor $S_0$-gedomineerde data versus de lijn voor BOLD-gedomineerde data. Een gewogen gemiddelde van deze "voorkeuren" over alle verbindingen en echo-combinaties levert de uiteindelijke pBOLD-waarde op (waarde tussen 0 en 1; hoger is beter).

2. Dataverzameling
De studie gebruikt twee datasets:

• Discovery Dataset (N=7): Resting-state scans van 7 proefpersonen, opgenomen met zowel constante TR (constant-gated) als hartslag-gestuurde TR (cardiac-gated). Cardiac-gated data (met onregelmatige TR) zou $S_0$-gedomineerd moeten zijn, terwijl goed verwerkte constant-gated data BOLD-gedominerd zou moeten zijn.
• Evaluation Dataset (N=439): Een groot, publiek beschikbaar dataset (Spreng et al., 2022) met 439 scans van 221 proefpersonen.

3. Pre-processing en Vergelijking
De auteurs vergelijken pBOLD met TSNR over zes verschillende pre-processing pipelines:

• Drie basispijplijnen: Basic (beweging, fysiologische regressors), Global Signal Regression (GSR), en tedana (ME-ICA denoising).
• Elke pijplijn wordt uitgevoerd met en zonder m-NORDIC (thermische ruisreductie).

Daarnaast wordt de voorspellende kracht van de data getest door het voorspellen van Fluid IQ (cognitieve vaardigheid) aan de hand van functional connectiviteit matrices (CPM-algoritme).

Belangrijkste Bijdragen

1. Ontwikkeling van pBOLD: De eerste QA-metriek die specifiek is ontworpen voor ME-fMRI en de fysieke eigenschappen van het BOLD-signaal (TE-afhankelijkheid) gebruikt om de kwaliteit te beoordelen.
2. Validatie van het Theoretisch Model: Empirisch bewijs dat pBOLD correct onderscheid maakt tussen $S_0$-gedomineerde data (bijv. cardiac-gated scans) en BOLD-gedomineerde data.
3. Complementariteit met TSNR: Het aantonen dat pBOLD en TSNR verschillende aspecten van datakwaliteit meten en vaak tegenstrijdige resultaten kunnen geven, wat leidt tot een completer beeld van de datakwaliteit.
4. Inzicht in Global Signal Regression (GSR): Een kritische analyse van GSR, die laat zien dat het weliswaar de TSNR verhoogt, maar de pBOLD verlaagt omdat het neurale BOLD-signalen verwijdert.

Resultaten

• Validatie: In de discovery dataset had cardiac-gated data (verwacht $S_0$-gedomineerd) een zeer lage pBOLD (gemiddeld ~0.04), terwijl goed verwerkte constant-gated data een hoge pBOLD had (gemiddeld ~0.86). Dit bevestigt dat de metriek werkt zoals voorspeld.
• Pipeline Vergelijking:
  • tedana leverde de hoogste pBOLD-waarden op, gevolgd door Basic en GSR.
  • GSR verhoogde de TSNR aanzienlijk (door variatie te reduceren), maar verlaagde de pBOLD. Dit suggereert dat GSR nuttige neurale BOLD-fluctuaties verwijdert.
  • m-NORDIC verhoogde zowel TSNR als pBOLD, maar had een negatief effect op de voorspellende nauwkeurigheid voor IQ in sommige scenario's, wat suggereert dat het soms ook nuttig signaal verwijdert.
• Voorspellende Kracht: De nauwkeurigheid en precisie bij het voorspellen van Fluid IQ correleerden sterk met de pBOLD-waarden, maar niet met de TSNR-waarden. Pipelines met een hogere pBOLD (zoals tedana) resulteerden in betere voorspellingen dan pipelines met GSR.
• Global Signal Eigenschappen: Analyse van de Global Signal (GS) toonde aan dat deze in 87% van de scans meer BOLD-achtig is dan niet-BOLD-achtig (hoge kappa, lage rho). De variatie in de GS kon slechts gedeeltelijk worden verklaard door hartslag en ademhaling, wat ondersteunt dat de GS ook neurale informatie bevat.

Betekenis en Conclusie

De studie introduceert pBOLD als een essentiële aanvulling op bestaande QA-protocollen voor ME-fMRI. De belangrijkste conclusies zijn:

1. Superioriteit boven TSNR: Voor het beoordelen van de bruikbaarheid van data voor neurale inferentie is pBOLD een betere indicator dan TSNR. Een hoge TSNR garandeert niet dat de data neurale BOLD-fluctuaties bevat; pBOLD wel.
2. Kritiek op GSR: De resultaten ondersteunen het standpunt dat Global Signal Regression problematisch kan zijn voor ME-fMRI omdat het de verhouding van BOLD-fluctuaties verlaagt en daarmee de biologische relevantie van de data aantast, wat resulteert in slechtere voorspellingen van cognitieve fenotypes.
3. Aanbeveling voor de Community: pBOLD moet worden opgenomen in standaard QA-protocollen voor ME-fMRI. Het biedt een objectieve manier om te bepalen of een scan of een pre-processing pipeline succesvol is in het behoud van het gewenste BOLD-contrast.
4. Beperkingen: pBOLD kan niet onderscheid maken tussen neurale BOLD-fluctuaties en fysiologische BOLD-fluctuaties (bijv. veroorzaakt door ademhaling). Daarom is het raadzaam om pBOLD te combineren met fysiologische monitoring (hartslag/ademhaling) voor een volledige interpretatie.

Kortom, pBOLD biedt een fysiek onderbouwde, interpreteerbare maatstaf die onderzoekers helpt om de kwaliteit van ME-fMRI-data te optimaliseren en betere inzichten te krijgen in de onderliggende neurale processen.