Multi-echo BOLD Index: estimate the BOLD likelihood in task and resting state fMRI

Abstract: Die funktionelle Magnetresonanztomografie (fMRT) wurde in den frühen 1990er Jahren entwickelt und ist derzeit eine der am weitesten verbreiteten Methoden zur Messung der Gehirnaktivität. Das fMRT-Signal basiert auf dem blood-oxygen-level-dependent (BOLD) Kontrast, der Veränderungen in der lokalen Konzentration von deoxy-Hämoglobin (deoxy-Hb) im Gehirn widerspiegelt. Die Aktivierung von Neuronen verursacht eine Variation des BOLDSignals, die dann mittels fMRT aufgezeichnet werden kann. Allerdings stammt die Variation im fMRT-Signal nicht unbedingt ausschließlich vom BOLD-Signal; auch ein non-BOLDSignal Anteil trägt zum fMRT-Signal bei. In der klassischen fMRT werden alle neuronalen BOLD und nicht-neuronalen non-BOLD-Signale in den Einzel-Echo fMRT-Daten gemeinsam aufgezeichnet. Eine Analyse basierend auf den Einzel-Echo fMRT-Daten kann Verzerrungen einführen, selbst nach Anwendung von Vorverarbeitungsschritten zur Entfernung einiger störender Signale. Die Multi-Echo fMRT-Technik ermöglicht es, das BOLD- und non-BOLDSignal zu separieren. In dieser Arbeit wurden Multi-Echo fMRT-Daten gemessen, um die Anteile des BOLD- und non-BOLD-Signals einer bestimmten Reaktion in der Task-fMRT oder eines nicht Gauss-verteilten Signals im Ruhezustands-fMRT abzuschätzen. Durch den Vergleich der Anteile des BOLD- und non-BOLD-Signals auf der Skala der Abschätzungunsicherheit wurde ein Parameter namens BOLD Index eingeführt, um die BOLDWahrscheinlichkeit des fMRT-Signals auf Einzel-Voxel-Ebene für die Task-fMRT oder auf Cluster-Ebene für den Ruhezustands-fMRT zu beschreiben. Die Ergebnisse zeigen, dass der BOLD Index verwendet werden kann, um falsch-positive Voxel zu finden und detaillierte Aktivierungsmuster in der Task-fMRT bereitzustellen. Der BOLD Index kann auch angewendet werden, um die BOLD-Wahrscheinlichkeit von Clustern nicht Gauss-verteilter Signale im Ruhezustands-fMRT zu identifizieren, wie z.B. unabhängige Komponenten (ICs) aus der unabhängigen Komponentenanalyse (ICA) und Störsignale aus physiologischen Signalen, Bewegung, globalen Signalen usw. Bei der Unterscheidung von BOLD- und nonBOLD-ICs ist die Leistung des BOLD Index viermal besser als die einer populären Methode, tedana, bei den umstrittenen ICs. Da die aktuellen Ergebnisse mit einem 3T-Scanner generiert und verifiziert wurden, muss die Anwendung des BOLD-Index bei anderen Magnetfeldstärken weiter untersucht werden
Abstract: Functional Magnetic Resonance Imaging (fMRI) was developed in the early 1990s and is currently one of the most widely used methods for brain activity measurement. The fMRI signal is derived from blood-oxygen-level-dependent (BOLD) contrast, which reflects changes in the level of deoxyhemoglobin (deoxy-Hb) in the brain. The neuron activation causes the variation of BOLD, which can then be recorded by fMRI. But conversely, the variation in fMRI is not necessarily from the BOLD signal; the non-BOLD effect also contributes to the fMRI signal. In classical fMRI, all neuronal-related BOLD and non-neuronal-related non-BOLD signals are mixed and recorded together in the single-echo fMRI data. The analysis based on single-echo fMRI data can thus introduce a bias, even after preprocessing steps are applied to remove some of the nuisance signals. The multi-echo fMRI technique makes it possible to separate the BOLD and non-BOLD signal. In this thesis, multi-echo fMRI data were acquired to estimate the relative amount of BOLD and non-BOLD signals respectively of a certain response in task fMRI or a non-Gaussian signal in resting state fMRI, including independent components (ICs), respiration, cardiac, motion, and other signals. By comparing the amount of BOLD and nonBOLD signal on the scale of estimation uncertainty, I came up with a parameter named BOLD Index to describe the BOLD likelihood of the fMRI signal on single voxel level for task fMRI or on cluster level for resting state fMRI. The results show that the BOLD Index can be used to find the false positive voxels and provide detailed activation patterns in task fMRI. The BOLD Index can also be applied to identify the BOLD likelihood of clusters of non-Gaussian signals in resting state fMRI such as independent components (ICs) from independent component analysis (ICA) and nuisance signals from physiological signals, motion, global signals, and so on. In distinguishing the BOLD and non-BOLD ICs, the performance of the BOLD Index is four times better than that of a previously published method called tedana, on the controversial ICs. Since the current results were generated and verified on 3T scanner, the application of the BOLD Index at the other magnetic field strength needs further exploration

Object Details

• Location: Deutsche Nationalbibliothek Frankfurt am Main
• Extent: Online-Ressource
• Language: Englisch
• Notes: Universität Freiburg, Dissertation, 2024

Classification and Topics

• Keyword: Kernspintomografie ; Funktionelle Kernspintomografie ; Gehirn ; Kernspintomografie

Contributors, Places and Time

• Event: Veröffentlichung
• (where): Freiburg
• (who): Universität
• (when): 2024
• Creator: Yang, Wenchao
• Contributor: Hennig, Jürgen ; Hennig, Jürgen ; Amft, Oliver ; Klinik für Radiologie. Medizin Physik, Freiburg im Breisgau ; Albert-Ludwigs-Universität Freiburg. Fakultät für Angewandte Wissenschaften ; Albert-Ludwigs-Universität Freiburg. Fakultät für Angewandte Wissenschaften

Further information

• DOI: 10.6094/UNIFR/248928
• URN: urn:nbn:de:bsz:25-freidok-2489289
• Rights: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Last update: 25.03.2025, 1:42 PM CET