Koherenssiestimaatit MEG:ssä - herkkyysanalyysi ja kliininen sovellus

The role of synchronization of neuronal oscillatory activity across distinct brain regions has been recently deemed increasingly important for the proper functioning of the brain, and changes in synchronization have been reported in several diseases of the nervous system, including Parkinson's disease (PD). Magnetoencephalography (MEG) enables non-invasive measurement of neuronal activity with adequate temporal resolution to quantify synchronization-related phenomena. One measure of synchronization between two signals is coherence. By first estimating the neuronal sources that generate the MEG signals, we can compute coherence either between the estimated source signals (cortico-cortical coherence) or between the source signals and a signal recorded from a muscle (cortico-muscular coherence). Quantifying synchronization and finding brain networks responsible for motor control can help to understand the underlying mechanisms of PD. However, estimating coherence from noisy MEG data is difficult and may lead to errorenous conclusions. The purpose of this Thesis was to examine, using simulations, the effectiveness of MEG coherence analysis at the source level, especially related to the network responsible for movement control. The source activities were estimated from the MEG data using beamforming. One focus was the likelihood of false positives, and understanding what creates such artifactual coherence. In addition to typical coherence analysis, I used a recent method known as imaginary coherence, which should reduce the false coherence. Finally, I applied these methods to a MEG data set recorded from 14 PD patients during a motor task. These patients had deep brain stimulators, which alleviate the symptoms of the PD. The motivation here was to assert whether the deep brain stimulator causes systematic changes in coherence. The simulations showed that coherence in MEG at the source level was prone to artifacts which passed statistical testing. The results depended critically on the signal-to-noise ratio of the sources, with lower signal-to-noise ratio creating more false coherence in the results. Moreover, some of these artifacts were localized systematically with respect to the coherent sources, which could be explained by the similarity of MEG sensor-level responses to neuronal sources at specific locations. For 10 out of the 14 PD patients analyzed, the highest cortico-muscular coherence maximum was at the motor cortex in a physiologically viable location. In addition, coherence analysis indicated various other coherent brain regions, however, the reliability of these results was uncertain. I did not observe any systematic effect of deep brain stimulation on coherence. Finally, I suggested various possibilities for future research to alleviate the problem of false coherence.Eri aivoalueiden välinen synkronisaatio on osoittautunut viime aikoina tärkeäksi aivojen normaalille toiminnalle. Vastaavasti moniin keskushermoston sairauksiin kuten Parkinsonin tautiin liittyy muutoksia aivojen synkronisoinnissa. Magnetoenkefalografialla (MEG) voidaan mitata neuronaalista aktiivisuutta ei-invasiivisesti hyvällä aikatarkkuudella, mikä mahdollistaa aivojen synkronisaation tutkimisen. Yksi mittari synkronisaatiolle kahden signaalin välillä on koherenssi. Kun ensin arvioidaan eri aivolähteiden aktiivisuus MEG-mittauksista, voidaan laskea joko koherenssia näiden arvioitujen aivolähteiden välillä (kortiko-kortikaalinen koherenssi) tai aivolähteiden sekä lihaksesta mitatun signaalin välillä (kortikomuskulaarinen koherenssi). Synkronisoinnin arvioiminen ja motorisiin toimintoihin liittyvien aivoverkkojen löytyminen voi auttaa ymmärtämään Parkinsonin taudin mekanismeja. Koherenssin arviointi kohinaisesta MEG-datasta on kuitenkin haastavaa ja voi johtaa vääriin johtopäätöksiin. Tämän diplomityön tarkoitus oli pääasiassa tutkia simulaatioiden avulla koherenssin toimivuutta MEG-analyysissä lähdetasolla. Erityisesti kiinnostuksen kohteena oli motorisiin toimintoihin liittyvä aivoverkko. Lähdeaktiivisuus arvioitiin beamformer-metodilla MEG-datasta. Yksi painopiste oli koherenssianalyysin herkkyys väärille löydöksille sekä näiden väärien löydöksien ymmärtäminen. Normaalin koherenssianalyysin lisäksi käytettiin imaginaarista koherenssia, joka on hiljattain kehitetty menetelmä väärien koherenssilöydösten vähentämiseksi. Lopuksi näitä menetelmiä käytettiin MEG-dataan, joka oli mitattu 14:sta Parkinsonpotilaasta käden ojentamisen aikana. Näille potilaille oli implantoitu syväaivostimulaattorit, jotka auttavat Parkinsonin taudin oireisiin. Tarkoituksena oli tutkia, aiheuttaako syväaivostimulaattori järjestelmällisiä muutoksia koherenssissa. Simulaatioista nähtiin, että koherenssi MEG:ssä lähdetasolla on herkkä väärille löydöksille, jotka läpäisevät tilastollisen testauksen. Tulokset riippuivat kriittisesti lähteiden signaali-kohinasuhteesta siten, että pienempi signaali-kohinasuhde lisäsi väärien koherenssilöydösten määrää tuloksissa. Lisäksi osa näistä vääristä löydöksistä sijoittui järjestelmällisesti samoille aivoalueille, mikä pystyttiin selittämään eri alueilla sijaitsevien aivolähteiden tuottamien MEG-signaalien samankaltaisuudella. Parkinsonpotilaiden analyysissä löydettiin kymmeneltä 14:sta analysoidusta potilaasta suurin kortikomuskulaarisen koherenssin maksimi liikeaivokuorelta. Lisäksi koherenssianalyysissä löytyi lukuisia muita aivoalueita, mutta näiden tulosten luotettavuus oli kyseenalainen. Syväaivostimulaattori ei aiheuttanut järjestelmällistä vaikutusta koherenssituloksiin. Lopuksi pohdittiin jatkon kannalta eri vaihtoehtoja, joilla väärien koherenssilöydösten ongelmaa voitaisiin korjata