Improving MEG source estimation with joint analysis of multiple subjects

Abstract

Magnetoencephalography (MEG) is a noninvasive brain imaging method which measures the magnetic field generated by neural currents. Interpretation of cortical activation patterns from the sensor data is an ill-posed inverse problem and a central challenge in MEG data analysis. Commonly used solutions for the inverse problem operate on a per subject basis, and group analysis is done separately on the individual results. A number of multi-subject joint analysis methods have been proposed, utilizing the additional information from multiple subjects in source estimation. The aim of this thesis is to explore the available multi-subject approaches and assess the performance of a selection of methods in a retinotopic mapping task.

All brains are structurally unique, which could be exploited in improving the spatial accuracy of MEG. The effects have been demonstrated with a handful of multi-subject methods in both simulations and real measurements. The options range from averaging individual source estimates to solving all inverse problems simultaneously as coupled regression problems. Methods incorporating group data in the inverse solutions are mainly based on either group optimization of Bayesian hyperparameters or multi-task learning.

Three multi-subject methods were compared: eLORETA with source-space averaging, minimum Wasserstein estimates (MWE) and MWE with source-space averaging. The dataset consisted of retinotopic mapping measurements from 20 subjects. The results were quantified by measuring the geodesic distance between 60--100 ms peak activations and the primary visual cortex (V1). All three methods show an improvement of 4--7 mm compared to individual median distances of 30--36 mm when at least 10 subjects are considered simultaneously. Additionally, the peak activation locations comply better with established retinotopic maps of V1 when the subject count is increased. Averaged eLORETA outperformed MWE with all subject counts. These results mostly conform to previous studies and suggest that higher spatial accuracy can be achieved with multi-subject analysis of MEG data. Further comparison of multi-subject methods with a selection of different cognitive tasks is recommended.

Magnetoenkefalografia (MEG) on kajoamaton aivokuvantamismenetelmä, joka mittaa aivojen sähköisen toiminnan synnyttämää magneettikenttää. Aivojen toiminnan mallintaminen mittaustulosten pohjalta perustuu huonosti asetellun käänteisongelman ratkaisemiseen, mikä on keskeinen haaste MEG-aineiston käsittelyssä. Yleisesti käytössä olevat ratkaisut käsittelevät jokaisen henkilön mittaukset erikseen, jonka jälkeen ryhmäanalyysi tehdään yhdistelemällä yksittäisiä tuloksia. Usean koehenkilön yhteisanalyysia varten on kehitetty muutamia menetelmiä, jotka hyödyntävät usean koehenkilön mittausten tuottamaa lisääntynyttä tietoa lähdeaktiivisuuden mallintamisessa. Tämän dipolomityön tarkoituksena on tutkia julkaistuja usean koehenkilön lähestymistapoja ja arvioida kolmen valitun menetelmän suorituskykyä retinotooppisessa kartoituksessa.

Yksilölliset erot ihmisaivojen rakenteessa mahdollistavat teoriassa MEG:n paikannustarkkuuden parantamisen. Usean koehenkilön aineistoja yhdistävien mallinnusmenetelmien hyötyjä on tutkittu sekä simulaatioiden että todellisten mittausten avulla. Yhteisanalyysimenetelmät vaihtelevat tulosten keskiarvoistamisesta käänteisongelmien yhdistämiseen yhdeksi laajemmaksi regressio-ongelmaksi. Menetelmät, jotka hyödyntävät usean koehenkilön mittauksia käänteisongelman ratkaisussa, perustuvat pääasiassa bayesilaisten hyperparametrien optimointiin ryhmän kesken tai monitehtäväoppimiseen.

Työssä vertailtiin kolmea yhteisanalyysimenetelmää: eLORETA lähde-estimaattien keskiarvoistuksella, pienimmän Wasserstein-estimaatin menetelmä (minimum Wasserstein estimates; MWE) sekä MWE lähde-estimaattien keskiarvoistuksella. Tutkimusaineisto koostui 20 koehenkilön mittauksista, jotka oli kerätty retinotooppista kartoitusta varten.

Tuloksia arvioitiin mittaamalla etäisyydet 60--100 ms välillä paikannettujen huippuarvojen ja primäärisen näköaivokuoren (V1) välillä. Kaikkien kolmen menetelmän tulokset paranivat 4--7 mm alkuperäisistä 30--36 mm etäisyyksistään, kun koehenkilöiden yhteismäärää kasvatettiin yhdestä kymmeneen. Lisäksi huippuarvojen paikat noudattavat paremmin tavanomaisia retinotooppisia karttoja kun koehenkilöiden määrää kasvatetaan. Keskiarvoistettu eLORETA suoriutui kautta linjan paremmin kuin MWE. Tulokset vastaavat aikaisempien julkaisujen tuloksia ja viittaavat siihen, että MEG:n paikannustarkkuus paranee usean koehenkilön yhteisanalyysilla. Lisätutkimuksia useammalla usean koehenkilön menetelmällä ja erilaisilla kognitivisilla tehtävillä suositellaan.