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

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.