Рекуррентный контроль качества функционального МРТ при помощи OpenNFT

Abstract

Контроль качества функциональной магнитно-резонансной томографии (фМРТ) в реальном времени важен в ходе экспериментальных исследований и диагностики пациентов. Снижение чувствительности BOLD-сигнала (зависимость уровня кислорода в крови) из-за потери Т2* сигнала, вызванной магнитной восприимчивостью, движением головы в процессе эксперимента и взаймодействием движения и воприимчивости, является главным источником артефактов в фМРТ- сигнале. Более того, сохранение параметров движения головы в предварительно обработанных фМРТ данных может предсказать антропоморфные, поведенческие и клинические факторы. Поскольку визуальное определение искажений на изображении является сложной задачей, необходим автоматический комплексный подход к анализу качества в реальном времени. Наша оценка отношения сигнал-шум и контраст-шум основывается на рекуррентной оценке среднего и дисперсии сигнала. Кроме того, мы оценили покадровое смещение на основе шести параметров движения головы в режиме реального времени. Расчёт отношения сигнал-шум, контраст-шум и покадровое смещение были реализованы в виде модуля контроля качества в реальном времени для проекта с открытым исходным кодом, созданным для разработок и исследований нейробиологической обратной связи на основе фМРТ-данных, OpenNFT (http://opennft.org/). Одновременная численная оценка и визуализация отношения сигнал- шум и контраст-шум для объёмов и временных рядов вместе с отслеживанием исследуемых параметров движения головы увеличит информативность и эффективность сборка фМРТ данных, позволит осуществлять контроль качества в реальном времени и поможет принять решение о необходимости прерывания или перезапуска эксперимента. The quality assessment of functional magnetic resonance imaging (fMRI) in real- time is important in clinical applications and research. The loss of blood oxygen level- dependent (BOLD) sensitivity due to the susceptibility-induced T2* signal dropouts, head movement, and motion-by-susceptibility interaction during head movement remain the major sources of fMRI artifacts. Furthermore, retained head motion in the pre-processed fMRI data could also predict anthropomorphic, behavioral and clinical factors. Since visual definition of image distortions is complicated, an automatic comprehensive real-time quality assessment approach is needed. We estimated the recurrent signal and contrast to noise ratio (rSNR and rCNR) based on recurrent mean and variance estimates. In addition, we estimated framewise displacement (FD) based on six head motion parameters as defined by real-time realignment. The rSNR, rCNR and FD were implemented within rtQA module of the open-source software designed for real-time fMRI research and applications, OpenNFT (http://opennft.org/). Concurrent quantification and visualization of volumetric and target time-series SNR/CNR together with explorative head motion monitoring increases the information content and effectiveness of the fMRI data acquisition, allows for the real-time data quality assessment and helps to make the decision about the necessity of experiment interruption and re-start.