Novel reconstruction-fidelity-optimized cortical parcellation approaches for MEG/EEG inverse modeling

No Thumbnail Available

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Checking the digitized thesis and permission for publishing
Instructions for the author

Date

2013

Major/Subject

Lääketieteellinen tekniikka

Mcode

Tfy-99

Degree programme

Language

en

Pages

8 + 58

Series

Abstract

Magneto- and electroencephalography measure the electric and magnetic fields induced by the ongoing neural activity with excellent temporal resolution. Inverse modeling methods reconstruct the cortical source of the measured activity. For example, the minimum norm estimate (MNE) can be used to obtain the inverse-modeled time series of approximately 7 000 source points, "vertices". To decrease the redundancy of the inverse solution in comparison to the measurement data, as well as to increase signal-to-noise ratio (SNR) and reduce the computational load, the vertex time series are collapsed into the time series of hundreds of cortical patches. This inverse collapsing is based on the prediction that the vertices within a patch form a coherent cluster and thus the vertex dynamics can be accurately represented by a patch time series obtained as a weighted average of the vertex time series. In the present Master's Thesis I address the question about the optimal weights of the vertex time series, i.e., the optimal inverse collapse weighting operator. To optimize the collapse weighting operator, I define patch fidelity as the phase correlation between the patch time series in the collapsed inverse solution and the original patch time series, and patch infidelity as the phase correlation between the collapsed patch time series and the original time series of other patches. In the optimized weighting operator, the vertex time series weights are then set so that patch fidelity is maximized and patch infidelity minimized in the collapsed inverse solution. I show that the optimized collapse weighting operator gives, for each patch, non-zero weights for a constellation of vertices highly correlated in both simulated and real data. The usage of the optimized collapse weighting operator improved the accuracy of the representation of the original vertex dynamics and, consequently, significantly increased the true positive rate of the inter-areal interaction mapping. Meanwhile, the number of false positive interactions decreased, which indicates that the inverse solution collapsed with the optimized weighting operator is also robust against linear signal mixing. I argue that the optimization of the inverse collapse weighting operator improves the accuracy of the analyses of both local cortical dynamics and the functional significance of long-range inter-areal interactions.

Magneto- ja elektroenkefalografia (MEG/EEG) mittaavat aivojen jatkuvan aktiivisuuden indusoimia heikkoja sähkö- ja magneettikenttiä erinomaisella aikaresoluutiolla. Käänteismallinnusmenetelmät rekonstruoivat mitatun aktiivisuuden lähteen aivokuorella. Esimerkiksi miniminormiestimaattia (MNE) voidaan käyttää noin 7 000 lähdepisteen, "verteksin", käänteismallinnetun aikasarjan havaitsemiseen. Verteksiaikasarjojen kollapsointi joidenkin satojen aivokuoren alueiden (patches) aikasarjoiksi vähentää käänteismallin redundanssia mittausdataan verrattuna, parantaa signaali-kohinasuhdetta (SNR) ja pienentää analyysien vaatiman muistin ja laskenta-ajan määrää. Käänteismallin kollapsoinnin perustana on hypoteesi siitä, että kuhunkin alueeseen kuuluvat verteksit muodostavat koherentin joukon, ja verteksien aikasarjojen painotettu keskiarvo kuvaa siksi tarkasti verteksien alkuperäistä dynamiikkaa. Diplomityössäni etsin optimaalista tapaa määritellä verteksien aikasarjojen painot eli optimaalista käänteismallin kollapsoinnin painotusoperaattoria (inverse collapse weighting operator). Painotusoperaattorin optimoimiseksi määrittelen alueen uskollisuuden (patch fidelity) vaihekorrelaationa alueen aikasarjojen välillä alkuperäisessä simuloidussa datassa ja kollapsoidussa käänteismallissa ja alueen uskottomuuden (patch infidelity) vaihekorrelaationa alueen aikasarjan kollapsoidussa käänteismallissa ja muiden alueiden alkuperäisten aikasarjojen välillä. Optimoidussa painotusoperaattorissa verteksien painot asetetaan siten, että alueen uskollisuus saavuttaa maksiminsa ja uskottomuus miniminsä kollapsoidussa käänteismallissa. Osoitan, että optimoitu painotusoperaattori antaa jokaisessa alueessa nollasta poikkeavan painon vertekseille, jotka ovat voimakkaasti korreloituneita sekä simuloidussa että oikeassa datassa. Optimoidun painotusoperaattorin käyttö johti alkuperäisen verteksidynamiikan tarkempaan esitykseen, minkä seurauksena merkittävästi suurempi osa todellisista aivoalueiden välisistä vuorovaikutuksista havaittiin. Samaan aikaan virheellisesti havaittujen vuorovaikutusten määrä väheni, mikä osoittaa, että kollapsoitu käänteismalli ei ole altis signaalien lineaarisen sekoittumisen aiheuttamille häiriöille. Käänteismallin kollapsoinnin painotusoperaattorin optimointi parantaa analyysien tarkkuutta sekä aivokuoren paikallisen aktiivisuuden dynamiikan että alueiden välisten vuorovaikutusten toiminnallisen merkityksen tutkimuksessa.

Description

Supervisor

Koskelainen, Ari

Thesis advisor

Palva, Matias

Keywords

MEG/EEG, MEG/EEG, cortical parcellation, aivokuoren parsellaatio, collapse inverse solution, kollapsoitu käänteismalli, interaction mapping, vuorovaikutusten kartoitus, linear mixing, signaalien lineaarinen sekoittuminen

Other note

Citation