Integrating electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) in epilepsy

Introduction Combined electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) studies enables to non invasively investigate human brain function and to find the direct correlation of these two important measures of brain activity. The combination of these technologies provides informations and details on the spatio-temporal aspects of human brain processing. fMRI has an excellent spatial resolution and allows the localization of brain regions in which there is a change in the level of neuronal activity during an experimental condition compared to a control condition. In contrast, EEG measures neuronal currents directly from the subject’s scalp with a high temporal resolution in the range of milliseconds. Combined recording wants to overcome the spatial limitations of EEG and the temporal limitations of fMRI, using their complementary features. For instance, combined EEG-fMRI technique can be used to identify the neural correlates of clinically or behaviourally important spontaneous EEG activity, such as interictal spikes, the alpha rhythm and sleep waves. The presurgical evaluation of patients with epilepsy is one of the areas where combining EEG and fMRI has considerable clinical relevance for localizing the brain regions generating interictal epileptiform activity. fMRI is mostly used in the study of sensory, motor and cognitive functions, where there is a difference between experimental condition and control condition. In the context of epilepsy, one can consider the control condition to occur when the EEG is at baseline and experimental condition to correspond to the presence of an epileptic discharge. The conventional analysis of EEG-fMRI data is based on the visual identification of the interictal epileptiform discharges (IEDs) on scalp EEG which are used in conjunction with a General Linear Model (GLM) approach to analyze fMRI data. A model is obtained by the convolution of the EEG events, which are represented as stick functions of unitary amplitude, with a model of the event-related fMRI response, represents by the haemodynamic response function (HRF); maps showing regions of significant IED-related change are obtained through voxel-wise fitting of the model and application of appropriate statistical thresholds. In this thesis we present an easy to use approach for combined EEG-fMRI analysis developed to improve the identification of the IEDs. The novel automatic method is based on Independent Component Analysis (ICA) and allows to detect IED activity in order to use it as a parametric modulator in fMRI analysis. The Novel Method Data quality is a crucial issue in multimodal functional imaging and data integration. Both fMRI and EEG data acquisition processes can severely affect the other’s performance through electromagnetic interactions, therefore the pre-processing is necessary for both EEG and fMRI data. While for fMRI data the pre-processing is generally standard, apart from the choice of spatial smoothing; the EEG pre-processing requires a complex and not one-way procedure to remove the artifacts. In literature different methods have been developed to remove gradient and pulse artifacts, considering both hardware and software solutions. The gradient EEG artifact removal method implemented in our EEG system acquisition did not give completely satisfactory results; so we decided to developed a novel method. Since the project regarding the gradient filter started together with the novel EEG-fMRI integration method and the analysis on patients with partial epilepsy are still in progress to avoid the introduction of a further variable in the validation of the method we decided to use the algorithms implemented in the SystemPlus software. After a pre-processing applied on EEG data and composed by a re-reference and filtering, a method based on ICA decomposition was applied. In the field of biomedical signal processing, Blind Source Separation (BSS) methods are generally used to separate multi-channel recordings into their constituent components; ICA is a subset of such techniques used to separate statistically independent components from a mixture of data. ICA decomposition of the data was performed using FastICA algorithm implemented in EEGLAB. The novel method consists in four fundamental steps: • Selection of components • Reconstruction of EEG signal • Selection of channel and FFT analysis • Construction of EEG regressor The crucial point is the selection of components. To select the components related to IED activity, we used a time-frequency representation obtained by using wavelet-based analysis. We computed the wavelet power for all the components in the epochs of interest and then, for each component, we selected from the frequency bins the one with the maximal power over total recording session. Finally power was averaged along time, obtaining one value for each component. Components that exceeded mean value ± standard deviation were chosen for further analysis. After the components of interest have been selected, they were back projected to obtain a new EEG signal (reconstructed EEG). A Fast Fourier Transform (FFT) analysis was applied on the time series of the selected channel (where the IED activity is clearly visible) for epochs acquired during each fMRI volume. Then the power time course created for all volumes was used to form the EEG regressor used in GLM analysis. Discussion The aim of the research project here described is the development of an innovative procedure for integrating neurophysiological and functional neuroimaging data. In fMRI processing the selection of the experimental paradigm as difference between task and rest conditions is of great importance, in fact the information related to the experimental events and to the rest condition are to be used as input in GLM analysis. Regressors of interest are typically obtained by convolving impulses or boxcar functions, which are representations of the events or conditions of interest, with a model of the BOLD response (HRF). In the study of spontaneous EEG activity without a task condition we can use the EEG signal to derive the input for GLM. In literature several methods for the analysis of simultaneous acquired EEG-fMRI data are proposed. The aim is to find regions of BOLD change linked to the discharges. In the conventional approach each event is marked by visual inspection of the EEG data recorded in the scanner, then a series of identical impulses functions (delta functions) are created and convolved with a canonical HRF, obtaining the regressor for a GLM. The methods presented in Formaggio et al., 2008 and Manganotti et al., 2008 are two attempts of EEG and fMRI integration. However in the first study signals were recorded simultaneous but their correlation analysis was as whether they were recorded in separate sessions, while in the second one we used a conventional approach based on the creation of the regressor as a set of stick functions representing the timing of IED activity. Hence the necessity to developed a new method of integration. The new method aimed to improve upon existing methods since the epileptiform activity, recorded from a scalp EEG, is used to modulate changes in BOLD signal. ICA decomposition is used to identify signals representing activity of interest but one of the major difficulties is their identification. We proposed an automatic selection based on wavelet analysis, because typically IEDs activity is higher in amplitude than background activity and its power increases. The reconstructed EEG signal is obtained with the only contribution of the selected components, method used in many studies to remove artifact from EEG traces. Like in the resting state studies, where alpha rhythm or its spectrum is used as a regressor in GLM analysis, the power time series of EEG signal is used as GLM input. Using conventional approach each event is treated as equal, although epileptic spikes may vary in amplitude, duration and also in appearance. They ignore the fact that IED activity is continuous and contains also fluctuating subthreshold epileptic activity, not clearly seen on surface EEG recordings. In contrast, such meaningful information is contained in the ICA factors employed in our method. Analysis of in silico data validates the method, since demonstrates the reliability of reconstructed IED regressor. All five patients with partial epilepsy we enrolled in this study had frequent interictal focal slow wave activity on routine EEG. In all continuous EEG-fMRI recording sessions, after fMRI artifact removal, we obtained a good quality EEG that allowed us to detect spontaneous IEDs and analyze the related BOLD activation. In their focal distribution, these BOLD activations resembled the focal IEDs seen on routine scalp EEG and EEG recorded during EEG-fMRI sessions; and they are in agreement with the clinical history of the patients. We plan to increase the number of patients and also test this method on EEG with various patterns other than the epileptiform discharges, for example in resting state analysis where, like in the context of epilepsy, the activation task used to drive GLM analysis is missing. For this reason EEG signal is necessary to evaluate hemodynamic changes in fMRI and its analysis is fundamental to derive informations on the electrical activity. Even if it is believed that the HRF to epileptic spikes does not vary significantly from that to external stimuli, HRF could shows different peak times or even non canonical shape in the epileptogenic zone. This observation may be advanced as a working hypothesis for further investigating the choice of HRF in patients with epilepsy; future developments possibly involve a study of BOLD signal in this category of patients, and its relation with the electrical activity. In this way the sensitivity of EEG-fMRI studies in epilepsy could be improved with the use of different HRFs. Moreover, in the future, we will test the integration method to data filtered with the new algorithm in order to conclude this project.Introduzione La registrazione simultanea fra l’elettroencefalogramma (EEG) e la risonanza magnetica funzionale (fMRI) è un importante strumento nel campo del neuroimaging funzionale che unisce l’alta risoluzione spaziale delle immagini fMRI (1-2 mm) con l’alta risoluzione temporale dell’EEG (ms). Registrare il segnale EEG durante l’acquisizione di immagini fMRI permette di identificare l’attività cerebrale e di ottenere informazioni localizzatorie sui generatori di tale attività. Nonostante i numerosi problemi legati alla presenza di artefatti sul segnale e sulle immagini, dovuti all’interazione fra le due apparecchiature, tale metodica si sta affermando e rafforzando all’interno delle neuroscienze. I campi di applicazioni sono diversi e in particolare la coregistrazione EEG-fMRI può essere utilizzata per studiare e descrivere l’attività elettrica spontanea durante una condizione di riposo (resting state), durante il sonno o causata da forme di epilessia. Molti pazienti con una forma di epilessia farmaco-resistente non possono sottoporsi ad un intervento chirurgico, in quanto la semplice risonanza magnetica non permette l’individuazione della sorgente epilettogena. In questo senso la registrazione simultanea dell’EEG e della fMRI permetterebbe l’identificazione di una possibile sorgente, legata direttamente all’attività elettrica del paziente. Il cambiamento dell’attività neuronale, infatti, è associato ad un cambiamento del rapporto di concentrazione nel sangue fra l’emoglobina ossigenata e quella deossigenata e tale cambiamento può essere misurato attraverso l’effetto BOLD (Blood Oxygen Level Dependent). Le attivazioni cerebrali, infatti, sono date da alterazioni coordinate dell’attività elettrica regionale e del flusso sanguigno cerebrale. La tecnica di coregistrazione EEG-fMRI permette di evidenziare, nel momento in cui si verifica un evento elettrico, un’area di alterato contenuto di desossiemoglobina dovuta ad un aumentato afflusso ematico nella zona cerebrale che genera tale segnale EEG. In genere l’fMRI è usata in studi in cui è presente una condizione sperimentale che differisce da una condizione di riposo, entrambe controllate da un operatore. Il principio base dell’analisi fMRI è il confronto tra un’attività basale cerebrale ed un’attività dovuta ad un evento da studiare (spontaneo o evocato), al fine di ottenere una variazione relativa di flusso ematico. Nello studio dell’epilessia si può considerare l’EEG a riposo come condizione di controllo mentre come condizione sperimentale può essere usato il segnale EEG caratterizzato dalla presenza di eventi parossistici (crisi o attività intercritica). L’analisi convenzionale applicata ai dati EEG-fMRI consiste nell’individuazione visiva da parte del neurologo degli intervalli temporali di interesse, che caratterizzano l’attività intercritica del paziente. Dalla convoluzione degli eventi, rappresentati matematicamente da impulsi, con un modello di risposta emodinamica (haemodynamic response function: HRF), si ottiene il regressore utilizzato nell’analisi General Linear Model (GLM). Si producono così mappe di elevata risoluzione spaziale delle aree cerebrali che generano l’evento patologico osservato. Inoltre l’EEG-fMRI associata ad altre metodiche come video-EEG, risonanza magnetica nucleare (RMN) convenzionale, tomografia computerizzata ad emissione di fotoni singoli (SPECT), tomografia ad emissione di positroni (PET), spettroscopia ecc. contribuisce allo studio di pazienti epilettici candidati alla terapia chirurgica. Lo scopo della presente tesi è quello di sviluppare un metodo automatico, basato sull’analisi delle componenti indipendenti (ICA), per individuare l’attività intercritica in esame, al fine di utilizzare il segnale EEG in toto per la generazione di mappe di attivazione fMRI. Il Nuovo Metodo La qualità dei dati è molto importante nel processo di integrazione; pertanto è necessario applicare un pre-processing ad entrambe le tipologie di dati. Mentre tale elaborazione è standard per i dati fMRI, non lo è per i dati EEG. In letteratura sono stati sviluppati diversi metodi per rimuovere l’artefatto da gradiente di campo magnetico e quello da pulsazione cardiaca. Il metodo per la rimozione dell’artefatto da gradiente implementato nel nostro sistema di acquisizione EEG non ha dato dei risultati completamente soddisfacenti in alcune situazioni. Pertanto è stato necessario implementare un nuovo metodo. Tuttavia l’implementazione di questo nuovo filtro è iniziata contemporaneamente all’implementazione del nuovo metodo di integrazione EEG-fMRI e la sua applicazione su segnali di pazienti epilettici è ancora in atto. Per questi motivi e per non introdurre ulteriori variabili nella validazione del metodo di integrazione, è stato deciso di utilizzare l’algoritmo implementato nel software di acquisizione EEG. In seguito ad un pre-processamento dei dati, caratterizzato da un cambio di referenza e da opportuni filtraggi, è stato applicato il metodo delle componenti indipendenti. L’ICA è una tecnica statistica che permette di individuare le componenti che stanno alla base di una serie multidimensionale di dati, assumendo che le sorgenti siano statisticamente indipendenti e la loro distribuzione non sia gaussiana. Tale analisi è stata effettuata utilizzando l’algoritmo FastICA implementato in EEGLAB ed ha prodotto un numero di componenti per ciascun tracciato pari al numero dei canali EEG. Il nuovo metodo può essere suddiviso in 4 passaggi: • Selezione delle componenti • Ricostruzione del segnale EEG • Selezione del canale ed analisi FFT • Costruzione del regressore EEG Il punto cruciale è la scelta delle componenti che descrivono l’attività intercritica in esame. Per ogni componente si è calcolata la trasformata wavelet continua negli intervalli di interesse che fornisce i valori di potenza nel tempo in funzione della frequenza. Selezionando la frequenza massima si è ottenuto un segnale dipendente esclusivamente dal tempo. Successivamente è stato calcolato il valore medio nell’intervallo temporale e sono state scelte le componenti con più elevata potenza. In seguito si è ricostruito il segnale EEG utilizzando solo il contributo delle componenti scelte. E’ stata applicata un’analisi in frequenza utilizzando la Fast Fourier Transform (FFT) ad epoche di durata pari al tempo di acquisizione di un volume di fMRI; la potenza ottenuta è stata convoluta con la risposta emodinamica scelta ottenendo un modello chiamato ‘regressore’ usato successivamente nella stima GLM dell’analisi fMRI. Questo metodo è stato validato utilizzando dati simulati, ed in seguito applicato a due datasets: il primo composto da due soggetti sani a cui è stata fatta la coregistrazione EEG-fMRI durante apertura e chiusura degli occhi, il secondo composto da 5 pazienti con epilessia parziale a cui è stata fatta la registrazione simultanea in condizione di riposo. L’applicazione del metodo ai dati simulati ha portato alla sua validazione. In tutte e tre le simulazioni si sono ottenute delle forme d’onda, rappresentanti i regressori, molto simili ai regressori assunti come “veri”. Nei due soggetti sani, che hanno svolto un task di apertura e chiusura degli occhi, l’analisi ha prodotto un’attivazione degli occhi ed una deattivazione occipitale, in accordo con i networks ormai noti dalla letteratura. Per quanto riguarda i pazienti, l’integrazione dei due segnali ha portato ad attivazioni concordi con l’attività elettrica e con il loro quadro clinico in 4 pazienti su 5. Le componenti scelte in base al metodo rispecchiano visivamente l’attività parossistica visibile nel tracciato EEG registrato durante acquisizione fMRI e confrontato con l’EEG standard acquisito di routine. Discussione In questo lavoro è stato presentato un nuovo metodo di integrazione fra un segnale neurofisiologico (EEG) e dati di neuroimaging funzionale (fMRI), basato sull’analisi delle componenti indipendenti. Il paradigma sperimentale (protocollo) è un dato molto importante per l’analisi fMRI, infatti le informazioni legate al task e alla condizione di riposo sono utilizzate come ingresso nell’analisi GLM. In assenza di un task, come nello studio dell’epilessia, è necessario utilizzare il segnale EEG per pilotare l’analisi GLM. In letteratura sono stati proposti diversi metodi di integrazione. Nell’approccio convenzionale il protocollo, formato dagli intervalli temporali degli eventi di interesse individuati in seguito ad ispezione visiva, viene convoluto con un modello di risposta emodinamica, ottenendo il regressore per l’analisi GLM. I metodi presentati in Formaggio et al., 2008 e in Manganotti et al., 2008 rappresentano due primi tentativi di integrazione. Tuttavia nel primo studio i segnali vengono analizzati come se fossero stati acquisiti in due sessioni separate, mentre nel secondo studio viene utilizzato l’approccio convenzionale. Da qui la necessità di sviluppare un nuovo metodo di integrazione. Il nuovo metodo ha lo scopo di migliorare quelli già esistenti sfruttando l’informazione derivante da tutto il segnale EEG e non tenendo conto dei soli intervalli temporali di interesse. Il punto cruciale è l’identificazione del segnale legato all’attività di interesse. E’ stato proposto un metodo automatico per facilitare tale scelta, basato sulle trasformate wavelet e valorizzando il contenuto energetico del segnale. Il segnale EEG ricostruito è ottenuto con il solo contributo delle componenti scelte ed in fine la sua potenza spettrale viene utilizzata come ingresso nell’analisi GLM. Uno degli scopi futuri sarà quello di aumentare il numero dei pazienti e di testare il metodo anche su altre tipologie di EEG, come ad esempio quello legato alla condizione di resting state. Anche in questo caso, infatti, manca la presenza di un task che possa pilotare l’analisi GLM, e l’EEG risulta l’unico strumento di informazione per poter arrivare a delle mappe di attivazione. Un ulteriore progetto futuro è legato alla scelta della risposta emodinamica HRF. Tale risposta potrebbe non essere identica a quella ottenuta in seguito ad un task o ad uno stimolo esterno; il suo picco e la sua forma potrebbero infatti essere diversi nella zona epilettogena. In questo senso la sensibilità degli studi EEG-fMRI nell’epilessia potrebbe migliorare utilizzando diverse HRF. In fine verrà applicato il nuovo metodo di integrazione a dati EEG filtrati con il nuovo algoritmo sviluppato