Laboratuvar hazırlanıyor

Başlıyor

  1. 1Python çekirdeği
  2. 2NumPy
  3. 3SciPy
  4. 4İstatistik motoru

Biliyor muydun?t-testini, Guinness bira fabrikasında çalışan William Sealy Gosset 1908'de “Student” takma adıyla yayımladı.

İlk açılışta yaklaşık 25 MB indirilir ve 15-30 saniye sürebilir; sonraki açılışlarda çok daha hızlıdır.

Laboratuvar

fMRI Laboratuvarı

fMRI (fonksiyonel MR) beynin şeklini değil, çalışmasını izler: bir bölge etkinleşince oraya gelen oksijenli kan artar ve MR sinyali birkaç saniye gecikmeyle yükselir; yani sinir hücrelerinin etkinliği kan akışındaki bu değişim üzerinden dolaylı olarak ölçülür. Düğmelerle bir analiz yolu seç: “Görev fMRI”de bir hareket görevi sırasında hangi bölgelerin çalıştığını genel doğrusal modelle (GLM) bulursun; “Beyin ağları”nda film izleyen çocuk ve yetişkin beyinlerinde hangi bölgelerin birlikte inip çıktığını (bağlantısallık) incelersin. Adımlar SPM, FSL ve nilearn gibi standart programlardaki temel adımlarla aynı mantıkla çalışır ve sonuçları nilearn ile karşılaştırılarak denetlendi; ön işlemenin bir kısmı önceden yapıldı, analiz adımları tarayıcında çalışır.

Veri setini tanı CC0 · kamu malı

Parmak, ayak, dudak: beynin hareket haritası

50–58 yaşlarında 10 sağlıklı gönüllü, 1,5 teslalık bir MR cihazının içindeyken 15 saniyelik bloklar hâlinde sırayla parmaklarını, ayaklarını ve dudaklarını oynattı; her hareket bloğunu 15 saniyelik bir dinlenme izledi. Görev ile dinlenmenin bu şekilde art arda geldiği düzene blok tasarım denir. Hareketleri yöneten motor korteks, beynin tepesinden iki yana doğru inen bir şerittir ve vücudun haritasını taşır (homunkulus, “küçük insan”): ayak orta hatta en üstte, el yanda, ağız daha aşağıda temsil edilir. Önce tek bir kişide, sonra 10 kişilik grupta bu haritayı adım adım ortaya çıkaracaksın.

Katılımcı

10 kişi (1 vitrin)

Görüntü

184 × 2,5 sn

Çözünürlük

4 mm (MNI)

Görev

Blok tasarım

Kaynak: OpenNeuro ds000114 (Gorgolewski ve ark.)DOI: 10.18112/openneuro.ds000114.v1.0.2Kaynağa git

Atıf: Gorgolewski, K. J., ve ark. (2013). A test-retest fMRI dataset for motor, language and spatial attention functions. GigaScience, 2(1), 6.

Nasıl kullanılır?

  1. 1Adımları yukarıdan aşağıya sırayla çalıştır: her adımdaki düğmeye bas; bir adım bitince bir sonrakinin kilidi açılır. Adım 6’daki grup analizi bağımsızdır, istersen doğrudan da çalıştırabilirsin.
  2. 2Her adımın başındaki metin o adımda ne yaptığımızı ve ekranda ne göreceğini anlatır. “Gelişmiş ayarlar” kutuları isteğe bağlıdır: varsayılan değerler araştırmalardaki yaygın seçimlerdir, ilk denemede değiştirmen gerekmez.
  3. 3Bir adım bitince altında yeşil “Sonucu nasıl okursun?” kutusu açılır: ekrandaki her görselin ve sayının ne anlama geldiğini oradan oku. Kesitlere tıklayarak beyinde gezinebilirsin; altta tıkladığın noktanın bölge adı yazar.
  4. 4Bitirince sayfanın en altındaki “PDF rapor indir” düğmesiyle tamamladığın adımları, görselleri ve tabloları tek bir raporda indir.
fMRI, beyindeki kan oksijenine bağlı sinyali ölçer; buna BOLD sinyali denir (İngilizce “blood-oxygen-level-dependent”). Oksijenini bırakmış hemoglobin MR sinyalini zayıflatır; bir bölge çalışınca oraya ihtiyacından fazla oksijenli kan gelir, oksijensiz hemoglobin azalır ve o bölgenin sinyali birkaç saniye gecikmeyle, genellikle yüzde birkaçtan az yükselir. Yani BOLD, sinir hücrelerinin etkinliğini doğrudan değil, kan akışı ve oksijenlenmedeki bu değişim üzerinden dolaylı olarak ölçer. Bu katılımcı MR cihazının içindeyken 15 saniyelik bloklar hâlinde sırayla parmaklarını, ayaklarını ve dudaklarını hareket ettirdi; her bloğun ardından 15 saniye dinlendi. Cihaz her 2,5 saniyede bir (bu süreye TR, tekrar süresi denir) tüm beynin üç boyutlu bir görüntüsünü aldı; toplam 184 görüntü. Düğmeye bastığında veri bilgisayarına iner ve taramanın ilk 4 görüntüsü (ilk 10 saniye) analizden çıkarılır; nedenini aşağıdaki küresel sinyal grafiğinde göreceksin. İlk görev bloğu 10. saniyede başladığı için atılan görüntülerde görev verisi yoktur. Ekranda ortalama fMRI görüntüsü, görev zaman çizelgesi, küresel sinyal ve baş hareketi grafikleri belirir.

Neden?

Analize başlamadan önce verinin neye benzediğini görmek gerekir: görev ne zaman başlayıp bitiyor, sinyal kararlı mı, baş ne kadar hareket etmiş? Baş hareketi fMRI çalışmalarının en büyük sorunudur: milimetrenin altındaki kaymalar bile sinyalde, gerçek beyin etkinliğinden çok daha büyük sıçramalar yaratabilir. Hareket görevle aynı anda oluyorsa (ör. dudak hareketiyle baş da oynuyorsa) sahte aktivasyon bile ortaya çıkabilir.

Genelde nasıl yapılır?

  • Bir fMRI görüntüsünün çözünürlüğü (burada 4 mm) yapısal MR’dan (1 mm) düşüktür; buna karşılık her 2–3 saniyede bir tüm beyin ölçülür.
  • Ön işleme genellikle hareket düzeltme (her görüntüyü bir referans görüntüye hizalama), standart beyne (MNI) taşıma ve düzleştirmeden oluşur; ilk ikisi bu veri için önceden yapıldı. Dilim zamanlaması düzeltmesi uygulanmadı; blok tasarımda etkisi küçüktür.
  • Tarama başladığında doku manyetizasyonu birkaç saniye dengeye oturmaz; ilk görüntüler çok parlak çıkar. Bu ‘denge öncesi’ (dummy) hacimler genelde atılır; atılmazsa tek bir aşırı parlak görüntü bile modelin gürültüsünü büyütüp gerçek etkileri gizleyebilir.
  • Çerçeve kayması (FD), başın bir görüntüden ötekine ne kadar yer değiştirdiğinin tek sayılık özetidir (6 hareket ölçüsündeki değişimlerin toplamı, mm). FD’si 0,5 mm’yi aşan anlar ‘kötü hacim’ sayılabilir; daha katı çalışmalar 0,2–0,3 mm kullanır.
Bu adımda her fMRI görüntüsünü hafifçe bulanıklaştırıyoruz; buna uzamsal düzleştirme denir. Her voksel, kendisinin ve komşularının ağırlıklı ortalamasıyla yer değiştirir: yakın komşular çok, uzaktakiler az ağırlık alır (ağırlıklar çan eğrisi biçimindedir; buna Gauss çekirdeği denir). Bulanıklığın genişliği FWHM ile belirtilir: çan eğrisinin, tepe yüksekliğinin yarısındaki genişliği (İngilizce “full width at half maximum”), milimetre cinsinden. Örneğin 6 mm FWHM’de bir vokselin değeri, çevresindeki yaklaşık 6 mm’lik bir komşulukla harmanlanır. Aşağıdan bir FWHM seç ve düğmeye bas; analize giren ilk görüntünün düzleştirmeden önceki ve sonraki hâli yan yana görünür. Seçtiğin değer sonraki tüm adımlarda (tasarım, GLM, kontrast) kullanılır.

Neden?

Düzleştirme rastgele gürültüyü azaltır: komşu vokseller ortalanınca rastgele dalgalanmalar birbirini götürür, birkaç voksele yayılan gerçek etkiler ise korunur; böylece sinyal-gürültü oranı artar. Ayrıca kişiler arasındaki küçük anatomik farkları yumuşatır, grup analizinde aynı bölgelerin üst üste gelmesini kolaylaştırır ve istatistiksel testin varsayımlarına uyumu artırır. Bedeli: küçük ve yakın yapılar birbirine karışır, aktivasyonun sınırları bulanıklaşır.

Genelde nasıl yapılır?

  • Tipik değer voksel boyutunun 1,5–2 katıdır; 4 mm verilerde 6–8 mm FWHM yaygındır.
  • Küçük yapıları (ör. amigdala) ya da ince ayrıntıları inceleyen çalışmalar daha az düzleştirir ya da hiç düzleştirmez.
  • “Eşleşen süzgeç” ilkesine göre düzleştirme, aranan etkinin büyüklüğüne yakın seçildiğinde duyarlılığı en çok artırır.
  • Düzleştirme miktarı makalenin yöntem bölümünde mutlaka belirtilir. Adım 6’daki grup verisi 6 mm FWHM ile hazırlandı.

Bu adım, önceki adım tamamlanınca açılır.

Şimdi, bir voksel göreve katılıyorsa sinyalinin nasıl görünmesi gerektiğini tahmin ediyoruz. BOLD yanıtı ani değil yavaştır: kısa bir nöral etkinliğe verilen kan akışı yanıtının biçimine hemodinamik yanıt fonksiyonu (HRF) denir. Her koşul için blokların açık/kapalı zaman çizelgesini HRF ile evriştiriyoruz (evrişim: zaman çizelgesindeki her anı HRF biçiminde yayıp hepsini üst üste toplamak); sonuç, o koşulun “beklenen sinyal” eğrisidir. Bu üç görev eğrisinin yanına tarama boyunca sinyalde görülen yavaş kaymaları açıklayan kosinüs dalgalarını, baş hareketinin 6 ölçüsünü (3 öteleme, 3 dönme) ve sabit bir sütunu ekliyoruz. Hepsi yan yana dizilince tasarım matrisi oluşur: her sütun bir açıklayıcı değişken (regresör), her satır bir zaman noktası (görüntü). Ekranda HRF’nin biçimi, koşulların beklenen sinyalleri ve tasarım matrisinin kendisi görünür.

Neden?

BOLD sinyali nöral etkinlikten 4–6 saniye sonra tepe yapar ve yavaşça söner. Model bu gecikmeyi bilmezse görev bloğuyla aynı anda yükselen bir sinyal arar ve doğru zamanlamayı, dolayısıyla gerçek yanıtı kaçırır. Kayma ve hareket sütunları ise görevle ilgisi olmayan değişkenliği modelin içinde ayrıca açıklar: böylece bu değişkenlik ne görev etkisi sanılır ne de gürültüyü büyütür.

Genelde nasıl yapılır?

  • SPM’nin kanonik HRF’si (iki gama fonksiyonunun farkı) en yaygın seçimdir; FSL ve nilearn’de de benzer biçimler kullanılır.
  • Yavaş kaymalar için 128 saniyelik yüksek geçiren süzgeç (kosinüs taban fonksiyonları) standarttır: 128 saniyeden yavaş dalgalanmalar modelce açıklanır. Süzgecin kesme süresi görevin tekrar süresinden uzun olmalıdır; burada her hareket 90 saniyede bir tekrarlandığı için görev sinyali korunur.
  • 6 hareket parametresi (3 öteleme, 3 dönme) modele eklenir; bazı çalışmalar bunların türevlerini ve karelerini de ekler (24 parametre).
  • Blok tasarımda dinlenme için ayrı bir sütun konmaz: dinlenme, tüm görev sütunlarının sıfıra yakın olduğu dönemlerdir ve sabit sütunla birlikte karşılaştırma temelini (İngilizce “baseline”) oluşturur.

Bu adım, önceki adım tamamlanınca açılır.

Genel doğrusal model (GLM), her vokselin ölçülen sinyalini tasarım matrisindeki sütunların ağırlıklı toplamıyla açıklamaya çalışır: sinyal ≈ β₁ × parmak + β₂ × ayak + β₃ × dudak + kaymalar + hareket + sabit + hata. Bulunan ağırlıklara beta (β) denir. Sinyali önce her vokselin kendi ortalamasına göre yüzde değişime çevirdiğimiz için betalar doğrudan “% sinyal değişimi” olarak okunur: bir vokselde parmak betası 1 ise, parmak hareketi o vokselin sinyalini dinlenmeye göre yaklaşık %1 yükseltmiş demektir. Model, beyindeki on binlerce vokselin her birinde aynı tasarım matrisiyle ama ayrı ayrı çözülür. Modelin açıklayamadığı kalan kısım (hata) gürültüdür; bir sonraki adımdaki testlerin güvenilirliği bu gürültünün doğru tahmin edilmesine bağlıdır. Sonuçta modelin serbestlik derecesi ve ortanca R² değeri yazılır.

Neden?

GLM, fMRI analizinin temelidir: on binlerce vokselde aynı soru (“bu vokselin sinyali görevle birlikte inip çıkıyor mu?”) ayrı ayrı sorulur. fMRI gürültüsü zamanda bağımsız değildir: bir andaki gürültü bir sonrakine benzer; buna otokorelasyon denir. Bu dikkate alınmazsa model elindeki bilgiyi olduğundan fazla sanır ve testler gereğinden ‘iyimser’ olur (yanlış pozitifler artar). AR(1) önbeyazlatma (birinci dereceden özbağlanım: her anın gürültüsünü bir önceki anın gürültüsünün bir kısmı artı yeni bir rastgele parça olarak modelleyen yaklaşım) bu ilişkiyi her voksel için tahmin eder, veriyi ve tasarım matrisini buna göre dönüştürerek sorunu büyük ölçüde giderir.

Genelde nasıl yapılır?

  • SPM, FSL ve nilearn, hataların otokorelasyonunu AR(1) ya da benzeri modellerle düzeltir (önbeyazlatma); burada da varsayılan budur. İstersen “Gelişmiş ayarlar”dan otokorelasyonu yok sayan sıradan en küçük karelere (OLS) geçip farkı görebilirsin.
  • Betalar % sinyal değişimi olarak ölçeklenirse yorumlamak kolaylaşır (tipik görev etkileri %0,5–2).
  • Serbestlik derecesi = görüntü sayısı − tasarım sütunu sayısı; gürültüyü tahmin etmek için ne kadar bilgi kaldığını gösterir.
  • R² (modelin açıkladığı varyans oranı) daha çok kalite kontrolünde kullanılır; asıl araştırma sorusu bir sonraki adımda kontrastlarla sorulur.

Bu adım, önceki adım tamamlanınca açılır.

Bir kontrast, sorduğun soruyu betalar üzerinde bir ağırlık listesi olarak yazar. “Parmak > dinlenme” yalnızca parmak betasına bakar ve “parmak hareketi sırasında sinyal dinlenmeye göre yükseldi mi?” diye sorar; “Parmak > diğer ikisi” ise parmak betasından ayak ve dudak betalarının ortalamasını çıkarır ve parmağa özgü bölgeleri arar. Her voksel için kontrastın değeri, belirsizliğine (standart hatasına) bölünerek bir t değeri bulunur; t de, farklı çalışmalarla kolayca karşılaştırılsın diye aynı olasılığa karşılık gelen z değerine çevrilir (z = 3,1 yaklaşık p = ,001 demektir). Test tek yönlüdür: yalnızca sinyalin arttığı yerleri arar. Ardından çoklu karşılaştırma için bir eşik uygulanır ve eşiği geçen bitişik vokseller kümeler hâlinde birleştirilir. Ekranda z haritası, küme tablosu, aktivasyonun 3B beyin üzerindeki görünümü ve tıkladığın noktanın zaman serisi belirir.

Neden?

Beyindeki her voksel için ayrı bir test yaptığımızda, p < ,05 eşiğinde gerçek etkinin olmadığı her 100 vokselden yaklaşık 5’i yalnızca şans eseri “anlamlı” çıkar; on binlerce vokselde bu, hiçbir yerde gerçek etki olmasa bile yüzlerce sahte aktivasyon demektir. Bonferroni düzeltmesi eşiği test sayısına böler (,05 ÷ voksel sayısı) ve tek bir yanlış pozitif vokselin bile çıkma olasılığını en fazla %5’te tutar; güvenlidir ama çok katıdır (komşu vokseller, özellikle düzleştirmeden sonra, birbirine benzediği için gerekenden de katıdır). FDR (yanlış keşif oranı) düzeltmesi ise “anlamlı” dediğin vokseller içindeki yanlışların oranını ortalamada %5’in altında tutar; daha duyarlıdır. Küme boyutu eşiği birkaç voksellik tek tük lekeleri eler, çünkü gerçek aktivasyonlar genellikle birbirine bitişik birçok voksele yayılır.

Genelde nasıl yapılır?

  • Yaygın seçenekler: FDR q < ,05; aile bazlı hata (FWE: en az bir yanlış pozitif çıkma olasılığı) p < ,05; ya da düzeltilmemiş p < ,001 ile birlikte küme boyutu eşiği.
  • Buradaki sabit “en küçük küme” eşiği eğitsel bir sadeleştirmedir; araştırmalarda küme eşiği rastgele alan kuramı ya da permütasyon testleriyle istatistiksel olarak belirlenir.
  • Sonuçlar tepe koordinatı (MNI), küme büyüklüğü ve z değeriyle tablo olarak raporlanır.
  • Tek kişilik haritalar gürültülüdür; genelleme için grup analizi (Adım 6) gerekir.
  • Sinyalin azaldığı yerleri (deaktivasyon) görmek için ters yönlü bir kontrast gerekir (ör. dinlenme > parmak); burada yalnızca artışlar sınanır.
  • Anlamlı bir küme, o bölgenin sinyalinin görevle birlikte değiştiğini gösterir; bölgenin yalnızca bu işi yaptığını göstermez. Bir bölgenin etkinleşmesinden belirli bir zihinsel süreci çıkarmak (ters çıkarım) ayrıca kanıt ister. Eşiği geçmeyen bölgeler de ‘çalışmadı’ demek değildir.

Bu adım, önceki adım tamamlanınca açılır.

Şimdiye kadar tek bir kişiyi analiz ettik. Aynı ön işleme ve aynı model, veri setindeki 10 katılımcının her biri için ayrı ayrı önceden çözüldü (1. düzey) ve her kişinin her hareket için beta haritası kaydedildi. Düğmeye bastığında bu haritalar indirilir ve her vokselde, seçtiğin kontrastın 10 kişideki değerleri alınıp “ortalama sıfırdan büyük mü?” diye tek örneklem t-testi yapılır (2. düzey). Bu yaklaşıma rastgele etkiler analizi denir: kişiler arasındaki farklılığı da hesaba kattığı için sonuç yalnızca bu 10 kişiye değil, onların temsil ettiği topluluğa (burada 50–58 yaşlarındaki sağlıklı yetişkinler) genellenebilir. Grup haritası FDR q < ,05 ve en az 5 vokselli küme eşiğiyle gösterilir; üstteki düğmelerle kontrastı değiştirebilirsin. En altta ayrıca, her hareketin öteki ikisinden daha çok çalıştırdığı bölgeleri 3B beyinde aynı anda gösteren bir “hareket haritası” görürsün. Bu adım öncekilerden bağımsızdır; doğrudan da çalıştırabilirsin.

Neden?

Tek kişideki gürültü ve bireysel farklılıklar grup analizinde ortalanır. Bir bulgunun bilimsel değeri tek bir beyinde değil, kişilerin genelinde tekrar etmesinden gelir; grup sonucu ‘bu deneydeki kişilerin genelinde’ hangi bölgelerin çalıştığını gösterir ve genellenebilir bilimsel bulgu budur. Grup testi kişiler arası değişkenliğe dayandığı için, birkaç kişideki çok güçlü bir etki tek başına grubu “anlamlı” yapmaya yetmez.

Genelde nasıl yapılır?

  • Özet istatistik yaklaşımı (her kişiden bir kontrast haritası, sonra t-testi) SPM ve FSL’nin temel grup modelidir.
  • Grup haritaları da çoklu karşılaştırma için düzeltilir (burada FDR q < ,05, en küçük küme 5 voksel). Bir vokselde katılımcıların en az %80’inin verisi yoksa o voksel sınanmaz.
  • Hareket alanları vücut haritası (homunkulus) düzeninde sıralanır: ayak orta hatta yukarıda, el yanda, dudak daha aşağıda.
  • Buradaki 1. düzey modeller 6 mm düzleştirme ve sıradan en küçük karelerle çözüldü; grup testi kişiler arası değişkenliğe dayandığı için bu seçimin grup sonucuna etkisi küçüktür.
  • Güvenilir grup sonuçları için genellikle 20 ya da daha fazla katılımcı önerilir; 10 kişi ancak güçlü etkileri yakalayabilir.

Bölge adları: Schaefer ve ark. 2018 (100 bölge, 7 ağ; MIT lisansı) ve Tian ve ark. 2020 Melbourne Subcortex Atlas. Şablon: ICBM152 2009a (MNI).

Tamamladığın adımlar, görseller ve tablolar tek PDF’te; veri seti künyesi ve atıf bilgisi dahil.

Önemli uyarılar

  • Bu laboratuvar eğitim ve araştırma amaçlıdır; fMRI haritaları tıbbi tanı ya da cerrahi planlama için kullanılamaz.
  • Veriler OpenNeuro'da CC0 lisansıyla paylaşılmıştır; yayınlarda özgün çalışmalara atıf yapılmalıdır. Katılımcıların kimliğini belirlemeye çalışmak yasaktır.
  • Hareket düzeltme ve MNI'ye taşıma önceden yapıldı (SimpleITK); dilim zamanlaması düzeltmesi uygulanmadı. Analizler (düzleştirme, GLM, kontrast, eşik, bağlantı) tarayıcıda yapılır; aynı veride nilearn ile karşılaştırıldı (görev z haritaları r > 0,999, grup ve eşik sonuçları birebir aynı). Yayın için ham veriyi SPM, FSL ya da nilearn gibi yerleşik araçlarla baştan işlemek gerekir.
  • Küçük örneklemlerde anlamlı bulunmayan etkiler ‘etki yok’ anlamına gelmez; anlamlı bulunanlar da bağımsız örneklemlerde tekrarlanmalıdır.