Enhancing the information content of BOLD fMRI data analysis through uni- and multi-modal approaches

Since its discovery twenty years ago, blood oxygen level dependent functional magnetic resonance imaging (BOLD fMRI) has gained a predominant position in the neuroscience field. The BOLD endogenous contrast allows to map the brain functionality in a sensitive, non-invasive way, thus providing a powerful tool for the exploration of cerebral functions. The main framework for BOLD data analysis is nowadays represented by the general linear model (GLM), extremely flexible and readily available in standard analysis software packages. At the same time, the possibility to acquire multimodal datasets, that is, recording fMRI simultaneously with other techniques, allows the exploration of the neural correlates of specific biological signals, as electroencephalography (EEG) or autonomic nervous system (ANS) measurements. Moreover, fMRI technique is particularly suitable also for the assessment of causal relationships in networks of brain regions involved in a specific task. Considering all of these aspects, there is still room for improvement in fMRI analysis. The present dissertation has as its goal the development of specific analysis approaches tailored on unimodal or multimodal fMRI datasets, all of which implemented within the GLM framework, in order to contribute to the research exploiting this technique and its application in neuroscience, as well as in clinics. Integration with EEG and ANS signals are addressed, whether for the estimation of a specific transfer function between the two modalities or for the investigation of the neural correlates of specific stimuli. A complete toolbox for Granger causality analysis (GCA) is provided, and the application of the methods on a real fMRI dataset is presented. Finally, a dynamic approach for blocked design datasets is proposed and applied for the study of a progressive epileptic syndrome. It can be concluded that the work presented in this dissertation may contribute a valid set of tools exploitable on different fMRI studies. At the same time, it allows immediate applicability of the proposed methods, hence providing useful means for a deeper understanding of brain functionality.

Fin dalla sua scoperta, risalente a venti anni fa, la risonanza magnetica funzionale basata sul segnale di ossigenazione sanguigna (BOLD fMRI) ha ricoperto una posizione predominante nell’ambito delle neuroscienze. Il contrasto endogeno dato dal BOLD permette di mappare la funzionalità cerebrale in maniera sensibile e non invasiva, rappresentando quindi uno strumento potente per l’esplorazione delle funzioni cerebrali. L’approccio principale all’analisi dei dati BOLD è oggi rappresentato dal modello lineare generalizzato (GLM), estremamente flessibile e completamente implementato nei pacchetti software di analisi più utilizzati. Allo stesso tempo, la possibilità di acquisire dataset multimodali, ovvero di registrare dati fMRI in contemporanea con altri tipi di segnali, permette l’esplorazione dei correlati neurali di specifici segnali biologici, quali l’elettroencefalografia (EEG) o misure relative al sistema nervoso autonomo (ANS). Inoltre, la tecnica fMRI è particolarmente adatta all’indagine delle relazioni causa-effetto in reti di regioni cerebrali coinvolte in compiti specifici. La presente tesi di Dottorato si pone come obiettivo lo sviluppo di specifici approcci di analisi ottimizzati su dataset fMRI unimodali o multimodali, implementando tutti i suddetti approcci all’interno dell’analisi GLM, allo scopo di offrire un contributo alle aree di ricerca che sfruttano la risonanza funzionale, sia nell’ambito delle neuroscienze che in contesti clinici. Vengono affrontati i temi dell’integrazione con segnali EEG e ANS, sia per la stima di una funzione di trasferimento specifica tra le due modalità, sia per l’investigazione dei correlati neurali di stimoli specifici. Viene proposto un pacchetto software completo per l’analisi di causalità alla Granger (GCA), i cui metodi vengono applicati su dataset fMRI reali. Infine, viene descritto un approccio dinamico per l’analisi di dataset con protocollo a blocchi, applicandolo allo studio di una sindrome epilettica progressiva. In conclusione, il lavoro qui presentato si propone di presentare un insieme di strumenti e metodi utilizzabili in molteplici studi di risonanza funzionale. Allo stesso tempo, permette un’applicazione immediata di tali metodi, offrendo quindi degli strumenti utili ad una più completa comprensione della funzionalità cerebrale.