Independent component analysis applied to the study of the connectivity networks in functional magnetic resonance imaging

INTRODUCTION: Although current knowledge of the structure and function of the human brain is substantial and growing fast, there are still many unclear points and functionalities that have to be more in details explored. The study of the brain connectivity is crucial to elucidate how neurons and neural networks process information and thus to have a better explained vision of the brain. Thanks to the functional Magnetic Resonance Imaging (fMRI) technique it is possible to understand how the brain and his connectivity works, in terms of its physiology, functional architecture and dynamics. Independent Component Analysis (ICA) is a signal processing technique to solve the blind source separation (BSS) problem in a data-driven approach. Using the ICA method applied to fMRI, it is possible to record signals related to the neural activity of the human brain, to highlight signal covariations in networks of brain regions and to separate networks. ICA has been used with success in several fMRI studies but some problems in the adoption of ICA and many questions in term of brain functions and connectivity remain to be well explained. AIM OF THE WORK: The aim of this work is to develop a new method that permits, using ICA method, to identify cerebral networks involved in different fMRI experiments and to do behavioral and statistical tests on selected brain activities. My method not only permits to decompose signals in different contributes, but also to maximize the signal to noise ratio by utilizing a selection of time windows and to focalize the attention on specific cerebral areas. To have a good explanation of the differences that may occur in fMRI studies, I will apply my method on two different fMRI tasks. ICA IN A WORKING MEMORY FMRI TASK: Working memory load has marked effects on regional neural activation, but the mechanism through which working memory (WM) load modulates brain connectivity is still unclear. During a working memory task, two of the most involved networks are the default mode network (DMN) and the working memory network (WMN). The aim is to use the time course of the two most involved networks default mode network (DMN) and the working memory network (WMN), selected by means of the ICA, for studying how these networks are involved with the complexity of the task and the phase (encode, maintenance and retrieval) and how, in these networks, complexity and phase are correlated with reaction times. Fifteen healthy young adult were involved in a 3T MR protocol that consisted of one anatomical sequence and three functional acquisitions. During the fMRI acquisition, the subjects performed a delayed spatial working memory paradigm presented with three levels of difficulty. FMRI images were preprocessed and coregistered with the anatomic data set. From the obtained maps of the total ICA group analysis were selected two Independent Components (ICs) containing the WMN (1 and 2) and one the DMN. The ICs time course was considered in three time windows (for each WM phase) selected taking into account the hemodynamic response (by delaying the windows) and corrected with a baseline value. Mean values of the ICs where examined and the correlation between these and the response time was estimated. A 3x3 two-way ANOVA on Fisher transformed correlation was conducted to test the variation on the complexity of loads, phases and runs. The results show that DMN mean activity is negative while WMN1-2 mean activities have opposite behaviors regarding the phase, but similar concerning with the complexity (WMN1 is more involved in the first part of the mnemonic phase while the WMN2 is more involved in the last WM phase). DMN shows a reduction of the correlation from encode to retrieval, instead of WM1-2 where it grows. The ANOVA showed significant variation for the phases over all the subjects in WMN1-2, an interaction of the variation of phases and runs in WMN2 and a interaction of phases, runs and loads in DMN. In conclusion, this study shows that, by means of ICA, it is possible to isolate networks of connected regions and relate their time courses to task phases and behavioral performance. ICA IN A VISUAL STIMULATION FMRI TASK: Prematurity is a condition of significant emotional stress for both, children and their mothers. Even if the effects of prematurity on mother’s emotional reactions have been extensively investigated, no study has yet analyzed the possible neuro-functional associated effects on mothers of preterm infants. The feelings experienced by the infants’ (preterm and full-term) mothers could be studied by analyzing the Posterior Cingulate/Precuneus (PCC) and the Medial Pre-Frontal Cortex (MPFC), the most DMN’s areas involved into the maternal care and empathy. The purpose of this study is thus to apply the method developed in the previous chapter to select the MPFC and the PCC regions and, by use of their time course, to study their behavior. Eighteen mothers of full-term and preterm infants were involved. The 3T MR protocol consisted of one functional sequence, where mothers were shown novel face images of their own and unknown infants in different emotional states (happy, neutral and distressed), and one anatomic sequence. The images were preprocessed and analyzed with the ICA method. Thus, from the DMN IC, two Regions of Interest (ROIs) for PCC and MPFC were drawn both for all the mother and for the two groups of mothers separately. The signal of the ROIs was decorrelated from all the ICs that did not show the DMN and corrected with a baseline value. This signal was also deconvoluted into six signals (types of images shown), corrected for the zero values, averaged and then analyzed. Signals were also tested in two different time windows, taking into account the hemodynamic response. T-tests and a 2x2 two-way ANOVA analysis, both in windows and in averaged signals, of all the subjects was conducted to investigate main and interaction effects. In PCC ROIs there is not difference between groups of mothers while in the MPFC ROIs mothers of preterm infants show a mean signal that is always greater than zero and it is also greater when images of their children are presented, compared with unknown children. This is also significatively higher of the signal of the other mothers in case of view of their children. In mothers of full-term infants the mean signal is always below zero and quite unchanged. In PCC ROIs, differences between own and unknown is more marked than in all the time courses while in MPFC ROIs is less marked. The ANOVA also shows that there is a main effect of the type (own or unknown child) in MPFC only for the mothers of preterm infants, while in PCC it is for all the mothers. In conclusion, this study shows that, by applying and changing the method developed in the previous work, it is possible to isolate networks of connected brain areas, select ROIs and analyze their time courses. CONCLUSIONS: In my work I showed that this method, by focus in restrict temporal windows, exhibited greater signal and permitted to evaluate trends and correlations with behavioral performances. With this process, I was able to examine both the signal course into the entire networks and in selected ROIs. I have demonstrated that this process has given positive results when applied to different fMRI stimulations and has the capacity of adapt to diverse conditions. Infact, it fits very well both a stimulation with separate trials, and a stimulation with no separation between stimuli. I have thus shown that this method is stable, repeatable and can adapt to different task conditions and can be applied to all the types of fMRI experiments. For all these reasons, it is a powerful method for the study of the cerebral networks.

INTRODUZIONE: Nonostante le attuali conoscenze della struttura e della funzione del cervello umano siano importanti ed in rapida crescita, ci sono ancora molti punti oscuri e molte funzionalità che devono essere più in dettaglio esplorate. Lo studio della connettività cerebrale è fondamentale per chiarire come neuroni e reti neurali processano le informazioni e per avere una migliore visione delle funzioni del cervello. Grazie alla tecnica di risonanza magnetica funzionale (functional Magnetic Resonance Imaging, fMRI) è possibile comprendere come il cervello e la sua connettività funzionano, in termini di fisiologia, architettura funzionale e dinamica. Il metodo Independent Component Analysis (ICA) è una tecnica di elaborazione del segnale che permette di risolvere il problema della separazione delle sorgenti di segnale. Utilizzando il metodo ICA applicato alla fMRI, è possibile registrare i segnali relativi all'attività neurale del cervello umano, per evidenziare covariazioni di segnale in reti di regioni cerebrali e per separare i network. Il metodo ICA è stato utilizzato con successo in diversi studi di neuroimaging, ma alcuni problemi nell'adozione del metodo ICA e molte domande in termini di funzioni cerebrali e connettività del cervello devono ancora essere meglio esplorate. SCOPO DEL LAVORO: Lo scopo di questo lavoro è quello di sviluppare un nuovo metodo che permetta, usando il metodo ICA, di identificare le reti cerebrali coinvolte in diversi esperimenti fMRI ed eseguire test statistici sulle attività cerebrali stimolate. Il mio metodo non solo permette di scomporre i segnali in diversi contributi, ma anche di massimizzare il rapporto segnale rumore utilizzando una selezione di finestre temporali e di focalizzare l'attenzione su specifiche aree cerebrali. Per avere una buona spiegazione delle differenze che si possono verificare negli studi fMRI, applicherò il mio metodo su due compiti fMRI diversi. IL METODO ICA APPLICATO AD UN COMPITO FMRI DI MEMORIA DI LAVORO (WORKING MEMORY, WM): E' noto che un compito di Working Memory genera marcati effetti sull'attivazione neurale regionale, ma il meccanismo attraverso il quale questo modula la connettività cerebrale è ancora poco chiaro. Durante un compito di memoria di lavoro, due fra le reti più coinvolte sono quella di modalità predefinita (Default Mode Network, DMN) e quella di memoria di lavoro (Working Memory Network, WMN). L'obiettivo è quello di utilizzare il decorso temporale delle due reti più coinvolte, il Default Mode Network ed il Working Memory Network, selezionate mediante ICA, per studiare come queste reti sono coinvolte nella complessità e la fase del compito di memoria di lavoro (codifica, mantenimento e recupero) e come, in queste reti, la complessità e la fase sono correlate con tempi di reazione. Quindici giovani adulti sani sono stati coinvolti in un protocollo di risonanza magnetica con uno scanner a 3 Tesla che consiste in una sequenza anatomica e tre acquisizioni funzionali. Durante l'acquisizione fMRI, i soggetti hanno eseguito un paradigma di memoria di lavoro presentato con tre livelli di difficoltà. Le immagini ottenute tramite fMRI sono state elaborate e coregistrate con il set di dati anatomici. Dalle mappe ottenute tramite l'analisi di gruppo eseguita mediante ICA sono state selezionate due componenti indipendenti (CI) contenenti il ​​WMN (1 e 2) ed una componente contenente il DMN. Il decorso temporale delle CI è stato considerato in tre finestre temporali (per ogni fase WM) scelte tenendo conto della risposta emodinamica (ritardando le finestre) e corretta con un valore di base. Sono stati quindi considerati i valori medi delle CI ed esaminata la correlazione tra questi e il tempo di risposta. Successivamente è stata eseguita una ANOVA 3x3 sui valori di correlazione trasformati con Fisher per testare la variazione della complessità dei carichi, delle fasi e delle tre diverse sequenze fMRI. I risultati mostrano che l'attività media del DMN è negativa mentre quelle dei WMN1-2 hanno comportamenti opposti riguardanti la fase, ma simili se si considera la complessità (il WMN1 è più coinvolto nella prima parte della fase mnemonica mentre il WMN2 è più coinvolto nell'ultima fase). Il DMN mostra una riduzione della correlazione dalla fase di codifica a quella di recupero, mentre nei WMN1-2 cresce. L'esame dell'ANOVA ha mostrato variazioni significative per le fasi su tutti i soggetti nei WMN1-2, un'interazione della variazione delle fasi e delle sequenze nel WMN2 e un'interazione tra fasi, sequenze e carichi di lavoro nel DMN. In conclusione, questo studio mostra che, per mezzo del metodo ICA, è possibile isolare le reti di regioni cerebrali connesse e correlare i loro andamenti temporali alle fasi ed alle prestazioni di un compito di Working Memory. IL METODO ICA APPLICATO AD UNA STIMOLAZIONE VISIVA FMRI: La prematurità è una condizione di notevole stress emotivo sia per i neonati che per le loro madri. Anche se gli effetti della prematurità sulle reazioni emotive della madre sono stati ampiamente studiati, nessuno studio ha ancora analizzato i possibili effetti neuro-funzionali associati alle madri dei bambini prematuri. I sentimenti vissuti dalle madri di bambini pretermine e a termine possono essere studiati analizzando il Cingolo Posteriore/Precuneo (Posterior Cingulate/Precuneus PCC) e la corteccia prefrontale mediale (Medial Pre-Frontal Cortex, MPFC), le aree appartenenti al Default Mode Network (DMN) che sono coinvolte nella preoccupazione materna e nell'empatia . Lo scopo di questo studio è quindi di applicare il metodo sviluppato nel capitolo precedente per selezionare le regioni MPFC e PCC e, mediante lo studio del loro andamento temporale, per studiare il loro comportamento. Diciotto madri di neonati a termine e pretermine sono state coinvolte nello studio. Il protocollo di risonanza magnetica, eseguito mediante uno scanner a 3 Tesla, è consistito in una sequenza funzionale, nella quale sono stati mostrate delle immagini di volti di bambini propri e sconosciuti in diversi stati emotivi (felice, neutro e triste), e una sequenza anatomica. Le immagini sono state elaborate e analizzate con il metodo ICA. Così, dalla componente indipendente (Independent Component, IC) del DMN, due regioni di interesse (Regions Of Interest, ROIs) per PCC e MPFC sono state tracciate, sia per tutte le madri che per i due gruppi di madri separatamente. Il segnale delle ROIs è stato decorrelato da tutte le ICs che non presentavano il DMN e corretto con un valore di base. Questo segnale è stato anche deconvoluto in sei tipi di segnali (a seconda delle immagini diverse mostrate), i quali sono poi stati corretti per i valori zero, mediati e quindi analizzati. I segnali sono stati testati in due diverse finestre temporali, tenendo conto della risposta emodinamica. Successivamente sono stati eseguiti dei t-test ed una ANOVA 2x2, sia nelle singole finestre che sui segnali mediati, in tutti i soggetti. Nella ROI PCC non vi è differenza tra i gruppi di madri, mentre nella ROI MPFC le madri dei bambini prematuri mostrano un segnale medio che è sempre maggiore di zero ed è anche maggiore quando le immagini dei loro figli vengono presentati, rispetto ai bambini sconosciuti. Questo segnale è anche significativamente più alto del segnale delle altre madri in caso di visione dei loro figli. Nelle madri di neonati a termine il segnale medio rimane sempre sotto lo zero e risulta abbastanza invariato. Nella ROI PCC, la differenza tra bambino proprio e sconosciuto è più marcata rispetto a tutti gli altri andamenti temporali, mentre nella ROI MPFC è meno marcata. L'analisi dell'ANOVA mostra anche che nella MPFC vi è un effetto principale del tipo (figlio proprio o sconosciuto) solo per le madri di bambini prematuri, mentre nella PCC si trova per tutte le madri. In conclusione, questo studio mostra che, applicando e cambiando il metodo sviluppato nel lavoro precedente, è possibile isolare le reti di aree cerebrali collegate, selezionare le ROIs e analizzare gli andamenti temporali. CONCLUSIONI: Nel mio lavoro ho mostrato che questo metodo, tramite la focalizzazione in ristrette finestre temporali, permette di ottenere un maggiore segnale e di valutare le tendenze e le correlazioni con le prestazioni comportamentali. Con questo processo, sono stata in grado di esaminare l'andamento temporale del segnale sia in tutto il network neuronale che nelle singole ROIs. Ho dimostrato che questo processo ha dato risultati positivi se applicato a diverse stimolazioni fMRI ed ha la capacità di adattarsi a diverse condizioni. Infatti, si adatta molto bene sia ad un protocollo i cui stimoli abbiano risposte emodinamiche ben separate, sia nel caso queste siano sovrapposte. Ho così dimostrato che questo metodo è stabile, ripetibile, può adattarsi a diversi protocolli e può essere applicato a tutti i tipi di esperimenti fMRI. Per tutti questi motivi, è un metodo efficace per lo studio dei network cerebrali.