El análisis de neuroimágenes funcionales ( AFNI ) es un entorno de código abierto para procesar y mostrar datos de resonancia magnética funcional , una técnica para mapear la actividad del cerebro humano.
Autor (es) original (es) | Robert W. Cox |
---|---|
Desarrollador (es) | NIMH Scientific and Statistical Computing Core [ enlace muerto permanente ] |
Sistema operativo | Multiplataforma (lista) |
Tipo | Análisis de datos de neuroimagen |
Licencia | GPL |
Sitio web | afni |
AFNI es una aglomeración de programas que se pueden utilizar de forma interactiva o ensamblados de forma flexible para el procesamiento por lotes utilizando un script de shell . El término AFNI se refiere tanto a la suite completa como a un programa interactivo particular que se usa a menudo para la visualización. AFNI es desarrollado activamente por el NIMH Scientific and Statistical Computing Core y sus capacidades se expanden continuamente.
Carreras AFNI bajo muchos Unix sistemas que proporcionan operativo X11 y Motif bibliotecas, incluyendo IRIX , Solaris , Linux , FreeBSD y OS X . Los binarios precompilados están disponibles para algunas plataformas. AFNI está disponible para uso de investigación bajo la Licencia Pública General GNU . AFNI ahora comprende más de 300,000 líneas de código fuente en C , y un programador experto en C puede agregar funciones interactivas y por lotes a AFNI con relativa facilidad.
Historia y desarrollo
AFNI se desarrolló originalmente en el Medical College of Wisconsin a partir de 1994, en gran parte por Robert W. Cox. Cox trajo el desarrollo a los NIH en 2001 y el desarrollo continúa en el NIMH Scientific and Statistical Computing Core. [1] En un artículo de 1995 que describe la justificación del desarrollo del software, Cox escribió sobre los datos de fMRI: "El volumen de datos recopilados es muy grande y es esencial que las herramientas fáciles de usar para la visualización y el análisis de la activación 3D los mapas estén disponibles para los investigadores de neurociencia ". [2] Desde entonces, AFNI se ha convertido en una de las herramientas de análisis más utilizadas en la investigación de fMRI, junto con SPM y FSL . [3]
Aunque AFNI inicialmente requería un extenso script de shell para ejecutar tareas, los scripts por lotes prefabricados y las mejoras en la interfaz gráfica de usuario (GUI) han hecho posible generar análisis con menos script de usuario. [4]
Características
Visualización
Una de las ofertas iniciales de AFNI mejoró el enfoque para transformar los escaneos de cerebros individuales en un espacio estandarizado compartido. Dado que el cerebro individual de cada persona es único en tamaño y forma, la comparación entre varios cerebros requiere deformar (rotar, escalar, etc.) los cerebros individuales en una forma estándar. Desafortunadamente, los datos de resonancia magnética funcional en el momento del desarrollo de AFNI tenían una resolución demasiado baja para realizar transformaciones efectivas. En cambio, los investigadores utilizan los escáneres cerebrales anatómicos de mayor resolución, a menudo adquiridos al comienzo de una sesión de imágenes.
AFNI permite a los investigadores superponer una imagen funcional a la anatómica, proporcionando herramientas para alinear las dos en el mismo espacio. Los procesos comprometidos para deformar un escaneo anatómico individual al espacio estándar se aplican también al escaneo funcional, mejorando el proceso de transformación. [5]
Otra característica disponible en AFNI es la herramienta SUMA, desarrollada por Ziad Saad. Esta herramienta permite a los usuarios proyectar los datos 2D en un mapa de superficie cortical 3D. De esta manera, los investigadores pueden ver los patrones de activación y, al mismo tiempo, tener en cuenta más fácilmente características corticales físicas como las circunvoluciones. [6]
Preprocesamiento de imágenes
"afni_proc.py" es un script prefabricado que ejecutará datos de resonancia magnética funcional de un solo sujeto a través de una serie de pasos de procesamiento previo, comenzando con los datos sin procesar. La configuración predeterminada realizará los siguientes pasos de preprocesamiento y finalizará con un análisis de regresión básico: [7]
- Tiempo de corte: [8] Cada imagen del cerebro en 3D se compone de múltiples imágenes en 2D, "cortes". Aunque adquirido aproximadamente al mismo tiempo, hasta varios segundos podrían separar el primer corte adquirido del último. Mediante interpolación, los cortes se alinean en el mismo punto de tiempo. Generalmente, se cree que cualquier ruido introducido por errores de interpolación se ve compensado por mejoras en la señal. [9]
- Corrección de movimiento: los movimientos de la cabeza pueden crear fuentes de error en el análisis. Cada adquisición 3D en un escaneo se recopila en una cuadrícula 3D, con cada pequeño cubo de espacio de cuadrícula, " voxel ", que representa un valor de intensidad de imagen único. Idealmente, los vóxeles siempre representarán la misma parte del cerebro en cada adquisición, en lugar de variar de una imagen 3D a la siguiente. Para corregir pequeños artefactos de movimiento, la herramienta de corrección de movimiento de AFNI emplea un algoritmo lineal de mínimos cuadrados que intenta alinear cada imagen 3D adquirida con la primera imagen adquirida en el escaneo. [10]
- Suavizado: para tener en cuenta el ruido aleatorio en la imagen, se aplica un núcleo de suavizado. Si bien el suavizado puede aumentar la relación señal / ruido de la imagen, reduce la resolución de la imagen. [11] [12]
- Máscara: elimina cualquier área que no sea del cerebro, como el cráneo, de la imagen de resonancia magnética funcional.
- Escala: Escale cada vóxel para que los cambios en la intensidad representen el porcentaje de cambio de señal durante el transcurso del escaneo. El valor predeterminado establece la media de cada vóxel en 100.
Ver también
- Portal de software gratuito y de código abierto
Referencias
- ^ "Magnetismo" . Preguntas y respuestas en resonancia magnética . Consultado el 14 de mayo de 2018 .
- ^ Cox, Robert W. (1 de junio de 1996). "AFNI: Software para Análisis y Visualización de Neuroimágenes de Resonancia Magnética Funcional". Computación e investigación biomédica . 29 (3): 162-173. CiteSeerX 10.1.1.457.6895 . doi : 10.1006 / cbmr.1996.0014 . ISSN 0010-4809 . PMID 8812068 .
- ^ Murnane, Kevin. "Decenas de miles de estudios cerebrales FMRI pueden tener defectos" . Forbes . Consultado el 14 de mayo de 2018 .
- ^ Jahn, Andrew (28 de diciembre de 2012). "Blog del cerebro de Andy: uber_subject.py de AFNI" . Blog del cerebro de Andy . Consultado el 21 de mayo de 2018 .
- ^ Cox, Robert W. (1 de junio de 1996). "AFNI: Software para Análisis y Visualización de Neuroimágenes de Resonancia Magnética Funcional". Computación e investigación biomédica . 29 (3): 162-173. CiteSeerX 10.1.1.457.6895 . doi : 10.1006 / cbmr.1996.0014 . ISSN 0010-4809 . PMID 8812068 .
- ^ Jahn, Andrew (26 de marzo de 2012). "Blog del cerebro de Andy: AFNI Bootcamp: Día 1" . Blog del cerebro de Andy . Consultado el 14 de mayo de 2018 .
- ^ "Programa AFNI: afni_proc.py" . afni.nimh.nih.gov . Consultado el 21 de mayo de 2018 .
- ^ "Programa AFNI: 3dTshift" . afni.nimh.nih.gov . Consultado el 21 de mayo de 2018 .
- ^ "Preguntas frecuentes sobre el tiempo de corte | Mindhive" . mindhive.mit.edu . Consultado el 21 de mayo de 2018 .
- ^ "Programa AFNI: 3dvolreg" . afni.nimh.nih.gov . Consultado el 21 de mayo de 2018 .
- ^ "Capítulo 6 - El análisis de datos de fMRI" . users.fmrib.ox.ac.uk . Consultado el 21 de mayo de 2018 .
- ^ "Programa AFNI: 3dmerge" . afni.nimh.nih.gov . Consultado el 21 de mayo de 2018 .
enlaces externos
- Página web oficial
- Núcleo de Computación Científica y Estadística del NIMH