Funktionelle Magnetresonanztomografie

Neue Methode der statistischen Inferenz entwickelt

Ein neues Verfahren, das von Wissenschaftlerinnen und Wissenschaftlern des Max-Planck-Instituts für biologische Kybernetik und dem Universitätsklinikum Tübingen entwickelt wurde, erkennt Gehirnaktivitäten mit verbesserter Sensitivität und Präzision.

fMRT

Dieses Bild zeigt einen Vergleich von LISA gegen die gängigsten anderen Verfahren. Aktivierungen im menschlichen Gehirn, die mit LISA identifiziert wurden, sind besser reproduzierbar und damit verlässlicher. | Gabriele Lohmann/MPI für biologische Kybernetik (veröffentlicht in Nature Communications 9:4014 (2018) https://www.nature.com/articles/s41467-018-06304-z

Eines der Hauptziele der funktionellen Magnetresonanztomographie (fMRT) ist der Nachweis einer lokalen Aktivierung im menschlichen Gehirn. Mangelnde statistische Aussagekraft und teilweise ungenaue Resultate wurden jedoch in jüngster Zeit als großes Problem in dieser Hinsicht identifiziert. Eine Gruppe von Wissenschaftler/-innen des Max-Planck-Instituts für biologische Kybernetik und des Universitätsklinikums Tübingen hat eine neue Software namens "LISA" entwickelt, um dieses Problem zu lösen.

Auf dem besten Weg zur MRT-Sicherheit

In der heutigen Zeit ist der technische Fortschritt nicht mehr wegzudenken, und auch in der Medizin nimmt die immer schnellere Weiterentwicklung der Technik ihren Lauf.

weiterlesen

Die am weitesten verbreiteten statistischen Inferenzverfahren wurden vor mehr als 10 Jahren erfunden und sind nicht gut geeignet für die Verarbeitung modernster hochauflösender Neurobildgebungsdaten. Die MRT-Technologie hat sich in den letzten Jahren durch die Einführung von Ultra-Hochfeld-Scannern (>= 7 Tesla), die eine deutlich verbesserte räumliche Auflösung bieten, erheblich verbessert. Standardalgorithmen waren jedoch nicht für die Verarbeitung so hochpräziser Daten ausgelegt, sodass einige der Hauptvorteile des Ultrahochfeld-Scans aufgrund unzureichender Software verloren gingen. Darüber hinaus zeigte eine kürzlich veröffentlichte Publikation von Eklund et al. (PNAS, 2016), dass einige der am weitesten verbreiteten statistischen Methoden zu teilweise falschen Ergebnissen führten.

Grund genug für die Wissenschaftler/-innen des Max-Planck-Instituts für biologische Kybernetik, bessere Ansätze für die statistische Inferenz in der fMRT zu entwickeln. PD Dr. Gabriele Lohmann erklärt: "Es bedarf ausgefeilter mathematischer Methoden, um Neurobildgebungsdaten sinnvoll zu nutzen. Die farbigen "Blobs", die oft in Artikeln über Magnetresonanztomographie abgebildet sind, werden mit komplizierten statistischen Verfahren berechnet und sind mit dem bloßen Auge nicht zu erkennen."

Ein vollständigeres Bild der Gehirnfunktion

Die Wissenschaftler/-innen führten nun eine neue Methode der statistischen Inferenz in der fMRT ein, die sie LISA (Local Indicators of Spatial Association) nennen. Sie ist von einem Konzept inspiriert, das sonst in geografischen Informationssystemen verwendet wird. Abschließend hoffen die Wissenschaftler/-innen, dass LISA aufgrund seiner verbesserten Sensitivität und besseren räumlichen Spezifität bei der Entwicklung neuer und realistischerer Modelle der menschlichen Gehirnfunktion weiterhelfen wird.

Dr. Lohmann begründet das so: "In unseren ersten Tests haben wir festgestellt, dass unsere Methode viel sensitiver ist und Gehirnaktivität genauer erkennen kann als frühere Methoden. Und weiter: “Wir hoffen daher sehr, dass unsere Methode dazu beitragen wird, ein vollständigeres Bild der Gehirnfunktion zu ermöglichen. Wir gehen davon aus, dass wir in Zukunft die Erkenntnisse, die wir aus dieser Grundlagenforschung gewinnen, Patienten/-innen mit neurologischen Erkrankungen zugutekommen lassen können!“

Literatur:

"LISA improves statistical analysis for fMRI", Gabriele Lohmann, Johannes Stelzer, Eric Lacosse, Vinod J. Kumar, Karsten Mueller, Esther Kuehn, Wolfgang Grodd & Klaus Scheffler, Nature Communications 9:4014 (2018): https://www.nature.com/articles/s41467-018-06304-z


Quelle: idw/Max-Planck-Institut für biologische Kybernetik, 16.10.2018