Brain functional connectivity in resting state : methods for networks identification and noise separation in healthy subjects and Alzheimer's disease

Aim - The aim of this study was to optimize and validate objective methods of signal detection vs. noise for the investigation of brain functional connectivity with resting state functional magnetic resonance imaging in healthy subjects and patients with Alzheimer’s disease. Background - Resting-state functional magnetic resonance imaging (RS-fMRI) is a widespread and powerful technique for investigating the functional connectivity (FC) of the human brain. With this technique it is possible to study different Resting State Networks (RSNs) that are associated with specific brain functions, and that can be altered in pathological conditions. Although several analysis methods are currently used for the analysis of RS-fMRI data, a common problem is the separation of noise from the neural-related signal of the RSNs, due to the absence of a model for neural activity. Hence, effective methods for the correct identification and removal of the artefacts from the data (cleaning or clean-up) are needed to obtain reliable FC analyses. This is particularly important in Alzheimer's disease (AD), as the decreased functional connectivity of the default mode network (DMN), quantified on RS-fMRI data, is becoming a possible new biomarker for this pathology. Therefore an early diagnosis and a detailed characterization of this alteration are crucial. Protocols and results - (i) Methodological developments. The amount of FC estimation errors in seed-based FC analyses was quantified through surrogate data analysis and two approaches for FC maps thresholding have been introduced in order to increase the reliability of single-subject FC analyses. Further, an automated denoising method (FMRIB's ICA-based X-noisefier - FIX), developed in collaboration with the FMRIB (Functional Magnetic Resonance Imaging of the Brain) Centre (University of Oxford, UK), allowed to further improve the FC estimation as, through the cleaning of the raw single-subject data, it can be applied to any FC analysis. The cleaning procedure with FIX consists of the following major operations: single-subject spatial independent component analysis (ICA), component-wise feature extraction, classifier training, components classification, and removal of the artefactual components from the data. FIX achieved over 95% classification (signal vs noise) accuracy for the training sub-sets built by hand-labelling the single-subject independent components (ICs) in three different datasets. The procedure for artefact removal was then optimized, testing the efficacy of several cleaning options on different acquisition sequences (standard EPI and multi-band slice accelerated EPI) at two group ICA model orders (low- and high-dimensional ICA) by means of time series (time series amplitude and spectra), network matrices, and spatial maps analyses. (ii) Applications. The impact of different data-driven cleaning approaches for RS-fMRI data was evaluated on a population of aged healthy controls and patients with mild to moderate Alzheimer’s disease (AD). Among the tested approaches, the cleaning procedure with FIX showed to be the most effective in correctly detecting the typical FC alteration of the default mode network (DMN) in AD patients. Finally, we obtained promising results for a better localisation and quantification of FC alterations in AD on two RSNs of interest through the combination of an effective cleaning procedure and high-dimensional spatial and temporal RSNs analyses. Conclusion - The present work has demonstrated and validated both the optimization of known protocols and also novel approaches in basically two directions: 1) an effective cleaning of RS-fMRI data for reliable FC analyses; 2) a more detailed parcellation of the brain and the analysis of the temporal information with time series and network analyses. The discussed results are promising towards an early and accurate detection of FC alterations in pathological conditions and their monitoring at different stages, and support future developments for the definition of reliable non-invasive biomarkers for AD and other pathologies.

Scopo – Lo scopo di questa tesi è stato quello di ottimizzare e validare metodi obiettivi per l’identificazione del segnale riguardante l’attività neurale rispetto al rumore per lo studio della connettività funzionale cerebrale in soggetti sani e pazienti con malattia di Alzheimer. Introduzione – La risonanza magnetica funzionale a riposo (resting state functional magnetic resonance imaging, RS-fMRI) è una tecnica molto diffusa e utilizzata per lo studio della connettività funzionale (CF) del cervello umano. Con questa tecnica è infatti possibile studiare diverse reti cerebrali, le cosiddette Resting State Networks (RSNs), che sono associate a specifiche funzioni e la cui attività può essere alterata in condizioni patologiche. Sebbene esistano attualmente diversi metodi per l’analisi dei dati di RS-fMRI, un problema commune è quello della difficile separazione del rumore dal segnale relativo all’attività neurale delle RSNs, a causa dell’assenza di un modello dell’attività neurale a riposo. Per questo motivo sono necessari metodi efficaci per la corretta identificazione e rimozione degli artefatti dai dati, al fine di ottenere analisi di CF affidabili. L’ottenimento di misure di CF affidabili è particolarmente importante nella malattia di Alzheimer (Alzheimer's disease, AD), poichè la diminuzione di FC osservata in pazienti con AD all’interno della cosiddetta default mode network (DMN) e quantificata in dati di RS-fMRI, sta diventando un possibile nuovo biomarker per questa patologia. Perciò una diagnosi precoce e una caratterizzazione dettagliata di questa alterazione sono di cruciale importanza. Metodi e Risultati – (i) Sviluppi metodologici. E’ stato quantificato l’errore di stima in analisi di CF seed-based (calcolata cioè come la correlazione tra il segnale in un’area specifica, detta seed e il resto del cervello) attraverso l’utilizzo di serie temporali surrogate e sono stati proposti due metodi di sogliatura delle mappe di CF, per aumentare l’affidabilità delle analisi di CF a singolo soggetto. Successivamente, l’introduzione di un metodo di rimozione (cleaning) di artefatti e rumore (FMRIB's ICA-based X-noisefier – FIX), sviluppato in collaborazione con il centro FMRIB (Functional Magnetic Resonance Imaging of the Brain) dell’Università di Oxford (Oxford, UK), ha permesso di migliorare ulteriormente la stima della CF poichè, rimuovendo gli artefatti direttamente dai dati grezzi, può essere applicato a qualsiasi analisi di CF. La procedura di cleaning consiste nei seguenti passaggi principali: analisi delle componenti indipendenti (independent component analysis, ICA), estrazione di caratteristiche spaziotemporali tipiche delle componenti (features), addestramento di un classificatore (training), classificazione delle componenti in segnale o rumore, rimozione delle componenti rumorose dai dati. FIX ha raggiunto una accuratezza di classificazione di oltre il 95% rispetto alla classificazione manuale in tre diversi dataset costruiti classificando manualmente le componenti (independent components, ICs) a singolo soggetto. E’ stata poi ottimizzata procedura per la rimozione degli artefatti, testando l’efficacia di diverse opzioni di cleaning su dati acquisiti con diverse sequenza (standard EPI e EPI accelerata multiband), usando due diverse dimensionalità per l’analisi ICA di gruppo (bassa e alta dimensionalità), attraverso analisi di serie temporali (ampiezza e spettro delle serie temporali), analisi di rete e analisi delle mappe spaziali. (ii) Applicazioni. E’ stato valutato l’impatto di diversi approcci di cleaning per i dati di RS-fMRI in una popolazione di soggetti sani anziani e pazienti con malattia di Alzheimer. Tra gli approcci testati, la procedura di cleaning con FIX si è rivelata la più efficace nell’identificare correttamente nei pazienti con AD la tipica alterazione di CF della DMN. Infine, combinando il cleaning con FIX all’analisi ICA di gruppo ad alta dimensionalità sono stati ottenuti risultati promettenti per una miglior localizzazione e quantificazione dell’alterazione funzionale nei pazienti AD in due RSNs di interesse (DMN e network sensorimotoria). Conclusione – Il presente lavoro ha dimostrato e validato sia l’ottimizzazione di protocolli già disponibili, sia nuovi approcci, principalmente in due direzioni: 1) l’efficace rimozione del rumore dai dati di RS-fMRI per analisi di CF affidabili; 2) la dettagliata parcellizzazione del cervello e l’analisi dell’informazione temporale attraverso analisi delle serie temporali e analisi di rete. I risultati discussi si sono dimostrati promettenti per l’identificazione precoce ed accurata delle alterazioni di CF in condizioni patologiche e il loro monitoraggio a diversi stadi della patologia, con lo scopo ultimo di poter definire accurati biomarker non invasivi per la malattia di Alzheimer e altre patologie.