Statistické parametrické mapování (SPM) je statistická technika pro zkoumání rozdílů v mozkové aktivitě zaznamenaných během funkčních neurozobrazovacích experimentů s využitím neurozobrazovacích technologií, jako je fMRI nebo PET. Může také odkazovat na konkrétní software vytvořený Wellcome Department of Imaging Neuroscience (součást University College London) pro provádění takových analýz.
Metoda statistického mapování parametrů
Funkční neurozobrazování, jeden typ „skenování mozku“, zahrnuje měření mozkové aktivity. Specifická technika používaná k měření mozkové aktivity závisí na použité zobrazovací technologii (příklady viz fMRI a PET). Bez ohledu na použitou technologii skener vytvoří „mapu“ skenované oblasti, která je znázorněna jako voxely. Každý voxel obvykle představuje aktivitu konkrétní souřadnice v trojrozměrném prostoru. Přesná velikost voxelu se bude lišit v závislosti na použité technologii, i když fMRI voxely obvykle představují objem 27 mm3 (krychle se stranami o délce 3 mm).
Výzkumníci se často zajímají o zkoumání mozkové aktivity spojené s určitým psychologickým procesem nebo procesy. Experimentální přístup k tomuto problému by mohl zahrnovat položení otázky „které oblasti mozku jsou výrazně aktivnější, když člověk dělá úkol A ve srovnání s úkolem B?“. Ačkoli každý úkol může být navržen tak, aby byl identický, s výjimkou aspektu zkoumaného chování, je stále pravděpodobné, že mozek vykáže změny v aktivitě mezi úkoly v důsledku jiných faktorů než rozdílů mezi úkoly (protože mozek se podílí na koordinaci celé řady paralelních funkcí nesouvisejících s experimentálním úkolem). Dále může signál obsahovat šum ze samotného zobrazovacího procesu.
Pro zohlednění těchto náhodných vlivů a pro zdůraznění oblastí činnosti, které jsou specificky spojeny s vyšetřovaným procesem, se používají statistiky, které hledají nejvýznamnější rozdíl nad a nad rámec aktivity mozku na pozadí. To zahrnuje vícefázový proces pro přípravu dat a jejich následnou analýzu pomocí statistické metody známé jako obecný lineární model.
Snímky ze skeneru mozku mohou být před každým statistickým porovnáním předběžně zpracovány, aby se odstranil šum nebo opravily chyby při vzorkování.
Příklad vyhlazující transformace na MRI snímku mozku
Studie obvykle naskenuje subjekt několikrát. Aby se zohlednil pohyb hlavy mezi snímky, snímky se obvykle upraví tak, aby každý z voxelů na snímcích odpovídal (přibližně) stejnému místu v mozku. To se označuje jako přeskupení nebo korekce pohybu, viz přeskupení obrazu.
Funkční neurozobrazovací studie obvykle zahrnují několik účastníků, kteří budou mít mírně odlišně tvarované mozky. Všechny budou mít pravděpodobně stejnou hrubou anatomii, ale budou zde menší rozdíly v celkové velikosti mozku, individuální variace v topografii gyri a sulci mozkové kůry a morfologické rozdíly v hlubokých strukturách, jako je corpus callosum. Pro lepší srovnání je 3D obraz každého mozku transformován tak, aby se povrchové struktury srovnaly, což je proces známý jako prostorová normalizace. Taková normalizace obvykle zahrnuje nejen překlad a rotaci, ale také škálování a nelineární deformaci povrchu mozku, aby odpovídala standardní šabloně. Standardní mozkové mapy, jako je Talairach-Tournoux nebo šablony z Montréal Neurological Institute (MNI), se často používají k tomu, aby výzkumníci z celého světa mohli porovnat své výsledky.
Obrázky jsou často vyhlazeny (podobně jako efekt ‚rozostření‘ používaný v některých softwarech pro úpravu obrázků), pomocí kterého jsou voxely zprůměrovány se svými sousedy, typicky pomocí Gaussova filtru nebo vlnkovou transformací, aby byla data méně hlučná.
Parametrické statistické modely se předpokládají u každého voxelu, pomocí obecného lineárního modelu se popisuje variabilita dat z hlediska experimentálních a matoucích efektů a reziduální variabilita. Hypotézy vyjádřené z hlediska parametrů modelu se hodnotí u každého voxelu s univariační statistikou.
Analýzy mohou být také prováděny za účelem zkoumání rozdílů v časových řadách (tj. korelací mezi proměnnou úkolu a mozkovou aktivitou v určité oblasti) za použití lineárních konvolučních modelů toho, jak je měřený signál způsoben základními změnami v nervové aktivitě.
Vzhledem k tomu, že se provádí mnoho statistických testů, je třeba provést úpravy kontroly chyb typu I, které mohou být způsobeny porovnáním úrovní aktivity při velkém počtu voxelů. V tomto případě by chyba typu I měla za následek falešnou detekci mozkové aktivity pozadí jako aktivity související s úlohou. Úpravy se provádějí na základě teorie spojitých náhodných polí a nová kritéria statistické významnosti jsou nastavena tak, aby byla upravena pro problém vícenásobného porovnávání.
Rozdíly v naměřené mozkové aktivitě mohou být reprezentovány mnoha způsoby.
Nejjednodušeji mohou být prezentovány jako tabulka, zobrazující souřadnice, které vykazují nejvýznamnější rozdíly v aktivitě mezi jednotlivými úkoly. Rozdíly v aktivitě mozku jsou však častěji zobrazovány jako barevné skvrny na MRI mozkovém „řezu“, přičemž barvy představují umístění voxelů, které vykazují statisticky významné rozdíly mezi podmínkami. Přechod barev je mapován na statistické hodnoty, jako jsou t-hodnoty nebo z-skóre. To vytváří intuitivní a vizuálně přitažlivý prostředek k vymezení relativní statistické síly dané oblasti aktivace.
Rozdíly v aktivitě mohou být také reprezentovány jako „skleněný mozek“, reprezentace tří obrysových pohledů na mozek, jako by byl průhledný. Pouze skvrny aktivace jsou viditelné jako oblasti stínování. To je užitečné jako rychlý prostředek pro shrnutí celkové oblasti významné změny v daném statistickém srovnání.
Aktivace mozku z fMRI zobrazena jako barevná skvrna na snímku MRI
SPM je software napsaný Wellcome Department of Imaging Neuroscience na University College London na pomoc při analýze funkčních neurozobrazovacích dat. Je napsaný pomocí MATLAB a je distribuován jako svobodný software.