Connectomics Patrick Stern Stephan Weinwurm.

Präsentation zum Thema: "Connectomics Patrick Stern Stephan Weinwurm."—  Präsentation transkript:

1 Connectomics Patrick Stern Stephan Weinwurm

2 Das Gehirn 1011 Neuronen 1015 Fasern 1350 cm³ Vergleich - Genom
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Das Gehirn 1011 Neuronen 1015 Fasern 1350 cm³ Vergleich - Genom 109 Basenpaare Komplexes Netzwerk; Schaltzentrale; 10^11 Neuronen; etwa 10^15 Verbindungen;

3 Connectomics Neuer Zweig der Hirnforschung High Throughput Anwendung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Connectomics Neuer Zweig der Hirnforschung High Throughput Anwendung Ziel: „Architektur und Funktion des Gehirns basierend auf bildgebenden Verfahren verstehen“ Neural Imaging um Connectome (Karte vom Hirn) zu erzeugen Erfassen, kartographieren und verstehen von neuronaler Organisation

4 Connectomics Microscale: mikroskopische Strukturen
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Connectomics Microscale: mikroskopische Strukturen Macroscale: makroskopische Strukturen und ihre Verbindungen Mesoscale: kombiniert Macroscale mit zusätzlichen Informationen über Funktion Microscale: nur kleine Strukturen – 10^11 neuronen und 10^15 verbindungen  vielfache Datenmenge des menschlichen Genomes Elektronenmikroskop Macroscale: DTI – Gehirnregionen – Verbindungen – Stärke der Verbindungen – Gehirnnetzwerke Mesoscale: Struktur alleine nicht ausreichend  Informationen über Funktionalität (fMRI,…)

5 Connectomics Microscale: mikroskopische Strukturen
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Connectomics Microscale: mikroskopische Strukturen Macroscale: makroskopische Strukturen und ihre Verbindungen Mesoscale: kombiniert Macroscale mit zusätzlichen Informationen über Funktion Microscale: nur kleine Strukturen – 10^11 neuronen und 10^15 verbindungen  vielfache Datenmenge des menschlichen Genomes Elektronenmikroskop Macroscale: DTI – Gehirnregionen – Verbindungen – Stärke der Verbindungen – Gehirnnetzwerke  Auswahl der aktuellesten Forschungsergebnisse werden präsentiert Mesoscale: Struktur alleine nicht ausreichend  Informationen über Funktionalität (fMRI,…)

6 Diffusion Tensor Imaging
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Diffusion Tensor Imaging Spezialisierte Form der Magnetresonanztomographie MR misst die Menge an Wasserstoffteilchen DTI misst die Bewegung der H-Teilchen  Einstein 1905

7 1905 Albert Einstein  Brownsche Molekularbewegung

8 Diffusion Tensor Imaging
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Diffusion Tensor Imaging Normalverteilt Wahrscheinlichkeit für Position nach kurzer Zeit

9 Diffusion Tensor Imaging
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Diffusion Tensor Imaging Sturktur Schlecht durchdringbare Barriere Wahrscheinlichkeit in eine Richtung höher

10 Diffusion Tensor Imaging
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Diffusion Tensor Imaging Anwendung im Körper

11 Diffusion Tensor Imaging
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Diffusion Tensor Imaging DTI Aufnahmen aus mehreren Richtungen (min 7) Fourier Transformation von Diffusionsraum in Ortsraum Min. 7 Richtungen  6 DTI + 1 MRI Je mehr Richtungen desto besser Winkelauflösung Rücktransformation

12 Ergebnis der DTI Diffusionswahrscheinlichkeiten pro Voxel DSI  Erkärung gleich

13 State of the Art - DTI DTI weit verbreitet einfache Geräte nötig
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung State of the Art - DTI DTI weit verbreitet einfache Geräte nötig schnell (nur 7 Aufnahmen nötig) Schlechtes Signal / Rausch Verhältnis Häufig Schnell & einfach Nachteil: Winkelauflösung weil nur 6 Richtungen Signal / Rauschverhältnis

14 State of the Art - HARDI Verbesserung gegenüber DTI
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung State of the Art - HARDI Verbesserung gegenüber DTI Zusätzlicher Berechnungsschritt Rechenaufwändig Verbesserte Winkelauflösung High-angular-resolution diffusion imaging Berechnung der Diffusion für ein Voxel aus mehreren Richtungen Erkennt Faserkreuzungen Mischung aus DTI / DSI

15 State of the Art - DSI 515 Diffusionsrichtungen ( bzw. 257 / 129)
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung State of the Art - DSI 515 Diffusionsrichtungen ( bzw. 257 / 129) Sehr gute Winkel- und Raumauflösung Lange Aufnahmezeit Hohe Anforderung an MR-Geräte Aufnahmezeit: 515: min 257 / 129: min  Winkel - / Ortsauflösung auch geringer Weitere Verfahren  DTI/HARDI/DSI bekanntesten bzw. ähnlich zu diesen Verfahren

16 State of the Art - Vergleich
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung State of the Art - Vergleich DTI HARDI DSI # Aufnahmen > 7 ~515 Dauer ~ wenige Minuten ~ 40 – 50 min Signal / Rausch V. ↓ ↑ Winkelauflösung ~ Sonstiges Zusätzlicher Berechnungsschritt Hohe Anforderungen an MR

17

18 Zukunft Verbesserte Winkel – und Raumauflösung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Zukunft Verbesserte Winkel – und Raumauflösung Verbessertes Signal / Rauschverhältnis Verkürzte Aufnahmezeit Mehrkanalspulen Stärkeres Magnetfeld

19 Traktographie Berechnung der Fasernverläufe
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Traktographie Berechnung der Fasernverläufe viele verschiedene Algorithmen Ergebnis sehr abhängig von Bildqualität „Streamline“ Algorithmus  straigth forward Viele andere Algorithmen  Nächste Folie

20 Ausgangsdaten  hier 2D Viele schichte übereinander  3D zeigen von Verläufen

21 Ergebnis Problem jedoch  Faserkreuzungen  Artefakte Kompliziertere Algortihmen  Problem aber geringe Winkelauflösung (DTI)

22 State of the Art Viele verschiedene Algorithmen
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung State of the Art Viele verschiedene Algorithmen Oftmals spezialisiert auf DTI/HARDI/DSI Faserkreuzungen problematisch

23 Zukunft HARDI im Vormarsch Bessere Erkennung von Faserkreuzungen und
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Zukunft HARDI im Vormarsch Bessere Erkennung von Faserkreuzungen und Kiss-Crossings Problem von Faserkreuzungen seltener Probleme bei Kiss-Crossings  aber eher selten

24 Visualisierung Sehr große Datenmengen Übersichtliche Darstellung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung Sehr große Datenmengen Übersichtliche Darstellung Echtzeitinteraktion klinische Anwendung vs. Forschung Clustering ZWISCHENBILANZ Balance zwischen Übersicht und Verlust von Imformationen Forschung / klinische Anwendung  Früherkennung  Echtdaten nächste Folie

25

26 Visualisierung 3D / 2D Kombination Übersichtliche Darstellung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung 3D / 2D Kombination Übersichtliche Darstellung Echtzeitinteraktion klinische Anwendung vs. Forschung  Dimensionalitätsreduktion (Distanzmaß hochdimensional vs 2D)  A Novel Interface for Interactive Exploration of DTI Fibers  Exploring 3D DTI Fiber Tracts with Linked 2D Representations

27 Bilder unter Faserlänge, Krümmung,…

28

29 Visualisierung spezialisierte 3D Darstellung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung spezialisierte 3D Darstellung mehr Visualisierung als Interaktion sehr vielseitig einsetzbar  Depth-Dependent Halos: Illustrative Rendering of Dense Line Data

30

31 Visualisierung 2D Darstellung Simple Repräsentation
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung 2D Darstellung Simple Repräsentation Räumliche Darstellung schwer vorstellbar Orientiert sich an Anatomiebüchern  Fiber Stippling: An Illustrative Rendering for Probabilistic Diffusion Tractography

32  Eigenvektoren

33

34 Visualisierung DTI / HARDI kombiniert „Best of both Worlds“ - Ansatz
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung DTI / HARDI kombiniert „Best of both Worlds“ - Ansatz Unterschiedliche Algorithmen abhängig von Voxel Generelle Methoden Verbesserung Zeit / Genauigkeit  Fused DTI/HARDI Visualization

35 Repräsentatives Bild

36 Visualisierung Real-Time Visualisierung
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Visualisierung Real-Time Visualisierung Ergebnis wird während der DTI - Aufnahme gerendert jedes neue DTI Bild verbessert Ergebnisbild speziell für klinischen Einsatz Nahe zu Echtzeit Nach vielen Iterationen gleich wie Offline  Weiter zu Bild  Real-time MR diffusion tensor and Q-ball imaging using Kalman filtering

37

38 Der Schritt zu Gehirnnetzwerken
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Der Schritt zu Gehirnnetzwerken Faserverlauf zwischen Hirnregionen Keine Standardregionen (Struktur vs Funktion) Kriterien für Konnektivität Struktur vs Funktion  Talraich Hirnatlas oder doch anhand von fMRI Ab wann nennenswerte Verbindung  Anzahl an Fasern relevant..? Finden der funktionellen Gehirnregionen sehr schwer

39 Arten der Connectivity
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Arten der Connectivity Gehirnnetzwerk: Komplexes System, welches die Kommunikation zwischen Hirnregionen visualisiert. Connectivity: Unterschiedliche Ansätze das komplexe System des Gehirns zu verstehen. (in Beziehung stehend) Es wird unterschieden zwischen struktureller, funktionaler und effektiver Connectivity. Term Connectivity gewählt um abzugrenzen. Strukturelle Connectivity: Anatomisch. Weiße Substanz, Physikalische Verbindungen; Stabilität des Graphen ist zeitabhängig – Änderungen der anatomischen Struktur. Neue Methoden von DTI… Funktionale Connectivity: Verbindung zwischen Hirnregionen die räumlich getrennt sind (Funktionale Abhängigkeit). Anwendung: Information Processing. Ruhestandssignale in verschiedenen Teilen des Gehirns in Beziehung setzen… Effektive Connectivity: Verbindung strukturelle-funktionale Connectivity; direkte und indirekte, kausale Interaktion. (Übertragungsentropie - Informationsfluss) 3:20/3

40 Motivation für Analyse
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Motivation für Analyse Quantifizieren: Gehirnnetzwerks Zusammenhang: Strukturelle & Funktionale Verbindungen Diagnose: Neurologische und psychiatrische Fehlstörungen Gehirnnetzwerke, mit einer kleinen Anzahl von neurobiologisch bedeutenden und einfach berechenbaren Größen, durch die Analyse des komplexen Netzwerkes zuverlässig quantifizieren Anatomische und funktionale Verbindungen auf derselben Karte mit Gehirnregionen => Netzwerkanalyse Zusammenhänge gut erkennbar (funktionale/strukturelle Connectivity); Muster der Kanten eines Knotens gibt Aufschluss über dessen Funktion Diagnose von Anomalien, wie neurologische oder psychiatrische Fehlstörungen 2:20/2:20

41 Eigenschaften von (Gehirn-)Netzwerken
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Eigenschaften von (Gehirn-)Netzwerken Mathematische Repräsentation eines Netzwerks ist ein Graph. Beim Designen des Netzwerkes, mit seinen Knoten und Kanten, muss sehr vorsichtig vorgegangen werden, da jegliche neurobiologische Interpretation von dieser Netzwerktopologie abhängt. Degree: Anzahl der, von einem Knoten ausgehenden, Kanten. Zufällige Netzwerke: Gaußglocke; komplexen Netzwerken: rechtsschiefe Verteilung Cluster: Cluster-Koeffizient setzt die Gesamtanzahl der Verbindungen, in diesem Cluster, in Verhältnis zur maximal möglichen Anzahl; Cluster = Modul; Komplexe Netzwerke haben Cluster Hubs: Knoten mit hohem Degree und Zentralität (Zahl der kürzesten Pfade, welche über diesen Knoten laufen) Robust: viele Alternativrouten Effektivität: Wege sollen möglichst kurz sein Segregation: Spezialisierte Neuronen nahe zueinander (funktionale Einheit). Anzahl an Dreiecksbeziehungen in einem Netzwerk. Integration: spezielle Informationen aus verschiedenen Teilen des Hirns; Distanz der Regionen hat Einfluss; Maß: durchschnittliche kürzeste Pfad Anatomisches Netzwerk: Segregation mit Integration; verbindet spezialisierte Regionen mit robuster Anzahl an intermodularen Verbindungen. Muster=Small-World-Netzwerk 5:40/5:20

42 Small-World Netzwerke
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Small-World Netzwerke Freundschaftsbeziehung von Menschen; Ungenaue Grafik; Freundeskreise=Module und Schlüsselpersonen=Hubs Adjazenzmatrix zeigt Verbindungen

43 Arten der Connectivity
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Arten der Connectivity Funktionale Blöcke 3/3:20

44 Anwendung zur Diagnose
Einführung – DTI – Traktographie – Visualisierung – Gehirnnetzwerke – Anwendung Anwendung zur Diagnose fMRI: Small-World Netzwerke gestört EEG: Clustering und Pfadlänge wie in zufälligen Netzwerken Strukturales MRI: Hierarchie in anatomischen Netzwerk flacher Funktionale Eigenschaften lokal ausgedrückt – Aber Resultat des ganzen Netzwerks als integriertes System; Funktion gut vorhersagbar anhand der strukturellen Verbindungen -- struktur ändert sich langsam – funktion schnell fMRI: Small-World Netzwerke gestört EEG: Clustering und Pfadlänge wie in zufälligen Netzwerken; Kognitive Fähigkeiten negativ proportional zu Pfadlänge; Wege werden länger, weil Netzwerk ineffizient Strukturales MRI: Hierarchie in anatomischen Netzwerk wird flacher (Hubs); Vernetzung ändert sich (Ähnliche Nodes weniger gut vernetzt) -- Aber oft Inkonsistent: Clustering stärker in strukturellen Netzwerken, aber höher in Funktionalen (bei Alzheimer). Auf unterschiedliche Hirne zurückzuführen. Grafik: Gesund => Hohes Clustering bei hohem Grad 5/4:40

45 Wir danken herzlichst für eure Aufmerksamkeit!
Connectomics Wir danken herzlichst für eure Aufmerksamkeit! Patrick Stern Stephan Weinwurm