Arhivă: Normativ modeling

Acest toolkit are rolul de a analiza automat conectivitatea funcțională a creierului pe baza datelor fMRI în stare de repaus (rs-fMRI) și de a identifica abateri față de un model considerat „normal", pentru a evidenția modificări asociate unor tulburări psihiatrice, respectiv durerii cronice. Practic, sistemul construiește un model de referință al modului în care interacționează rețelele cerebrale la persoane sănătoase și compară ulterior datele pacienților cu acest standard, pentru a detecta tipare anormale de conectivitate. Scopul principal este sprijinirea descoperirii unor biomarkeri neuroimagistici obiectivi, care ar putea contribui la un diagnostic mai precis și la medicină personalizată.

Datele fMRI brute sunt procesate printr-un pipeline complex de preprocesare: curățarea semnalului, eliminarea zgomotului fiziologic și a artefactelor de mișcare, împărțirea creierului în rețele funcționale standard și calculul matricilor de conectivitate între aceste regiuni. Pe baza acestor matrici, sistemul extrage caracteristici numerice ce descriu interacțiunile dintre rețelele cerebrale. Ulterior, aceste caracteristici sunt introduse într-un model normativ de tip encoder–decoder (autoencoder neuronal), antrenat exclusiv pe date provenite de la persoane sănătoase, astfel încât modelul să învețe tiparul normal al conectivității cerebrale.

După antrenare, modelul se folosește pentru a analiza datele participanților prin calcularea erorii de reconstrucție a modelului. Dacă anumite conexiuni dintre rețelele cerebrale sunt reconstruite slab (erori mari), acestea sunt considerate deviații față de normal și pot indica modificări funcționale asociate unor afecțiuni neuropsihiatrice sau durerii cronice. Pentru a asigura robustețea rezultatelor, se pot testa mai multe variante de preprocesare și metode de calcul al conectivității, selectând automat modelul care identifică cele mai stabile și reproductibile anomalii.

Se poate realiza o analiză interpretabilă a conexiunilor cerebrale anormale, evidențiind atât diferențe specifice fiecărei patologii, cât și mecanisme comune între tulburări. Această abordare depășește clasificarea tradițională bazată doar pe simptome și permite identificarea unor tipare neurobiologice cuantificabile, ceea ce deschide posibilitatea integrării sistemului în aplicații viitoare de suport decizional clinic și diagnostic personalizat în psihiatrie și medicina durerii.

Acest repository implementează fluxul de lucru descris în articolul [1]. Pornind de la derivatele fMRIPrep (resting-state), pipeline-ul produce:

• rețele funcționale bazate pe atlas cu serii temporale BOLD mediate asociate - per subiect (o matrice: T × N_rețele)
• opțional, caracteristici de conectivitate funcțională (FC) calculate din aceste serii (ex.: Pearson / Spearman / Kendall)
• deviații normative pentru fiecare conexiune funcțională FC folosind un MLP encoder–decoder (autoencoder) antrenat doar pe controale sănătoase (eroarea de reconstrucție = scor de deviație).

1. Instalare

Opțiunea 1 — pip într-un virtualenv

python -m venv .venv
source .venv/bin/activate # Linux/Mac
# .venv\Scripts\activate # Windows PowerShell
pip install -U pip
pip install -r requirements.txt

Opțiunea 2 — conda

conda create -n nm-fmri python=3.10 -y
conda activate nm-fmri
pip install -r requirements.txt

2. Structura datelor de intrare (format BIDS)

Structura așteptată pentru fiecare subiect (sau trebuie modificat codul în preprocess.py):

<derivatives_dir>/
  sub-XXXXX/
    func/
      *_desc-preproc_bold.nii.gz
      *_brainmask.nii.gz
      *_confounds*.tsv

OBS: Momentan sunt suportate doar studiile mono-sesiune. Numele confound-urilor pot diferi — actualizați-le în utils/constants.py.

3. Pașii principali

3.1 Extragerea seriilor temporale din atlas

Se editează configs/preprocess_config.yaml, apoi se rulează:

python preprocess/preprocess.py --config preprocess_config.yaml

3.2 Antrenarea modelului normativ

Se editează configs/train_config.yaml pentru a indica fișierele .pkl de train/val, apoi:

python train.py --config train_config.yaml

4. Reproducerea setării cross-dataset

• Antrenează modele pe participanți sănătoși UCLA.
• Selectează un model robust pe baza conexiunilor semnificative stabile.
• Fine-tuning pe CPDS înainte de testarea pe pacienți cu durere cronică.

5. Scripturi utilitare

5.1 Scripturi pentru organizarea datelor fMRI DICOM ca bază de date BIDS și preprocesare cu fMRIPrep

Arhivă: DB organization from scratch to BIDS and fMRIPrep procesing

Acest toolkit oferă un flux de lucru standardizat pentru transformarea datelor neuroimagistice brute înregistrate în format DICOM într-o bază de date fMRI structurată și preprocesată, pregătită pentru analize ulterioare, precum estimarea conectivității funcționale și modelarea normativă.

Repository-ul conține scripturi utilitare dezvoltate pentru automatizarea procesului de pregătire a seturilor de date neuroimagistice multi-subiect, pornind de la fișierele DICOM brute și ajungând la derivate BIDS preprocesate cu fMRIPrep.

Fluxul de lucru acoperă întregul lanț de pregătire a datelor:

• Analiza și organizarea dataset-ului DICOM (folder_to_participants.py) – datele în format DICOM sunt centralizate într-un fișier .csv necesar pentru transformarea în format BIDS
• Conversia automată a datelor DICOM în standardul BIDS (to_BIDS.py) – datele DICOM centralizate anterior sunt transformate în date în format BIDS
• Preprocesarea automată batch utilizând fMRIPrep

Se obține o bază de date standardizată, anonimizată și reproductibilă, pregătită pentru analize de conectivitate funcțională și studii neuroimagistice avansate.

5.2 Scripturi pentru preprocesare și analiză statistică a datelor din studiu

Arhivă: Preprocessing data and statistical analisis for study

Această arhivă conține un set de scripturi dezvoltate pentru analiza standardizată a datelor fMRI înainte și după aplicarea unui stimul experimental instantaneu, în cadrul studiilor dedicate durerii cronice oncologice.

Pipeline-ul pornește de la date fMRI deja preprocesate cu fMRIPrep și permite:

• separarea semnalului BOLD în intervale PRE și POST stimul
• eliminarea efectelor variabilelor confundate prin model GLM la nivel de voxel
• calculul conectivității funcționale pe regiuni cerebrale
• analiză statistică la nivel voxel și rețea
• comparații single-case versus grup de control

Scripturile au o serie de parametri de intrare/ieșire care trebuie configurați înainte de rulare (vezi comentariile din fișiere).

Scripturi principale:

split_BOLD_signal_ses_01.py

• generează automat evenimentul experimental
• construiește matricea de design GLM
• separă seriile BOLD în serii PRE și POST stimul
• calculează reziduurile per serie
• produce rapoarte de control al calității

pre-post_functional_corellation_matrix.py

• extrage seriile temporale cu atlasul Yeo-17
• calculează matrici de conectivitate funcțională (Pearson, Pearson regularizat, Spearman, Kendall)
• calculează modificările PRE-POST și transformări Fisher-Z

pre-post_stat_analysis_per_subject_voldes_visual.py

• efectuează teste statistice per pereche de voxeli echivalenți
• generează hărți t și p
• produce vizualizări PNG și HTML interactive

stat_analysis_p4_data.py

• realizează comparații single-case vs grup control folosind metoda Crawford-Howell
• aplică corecție FDR
• generează heatmap-uri și tabele statistice ale conexiunilor

Flux de lucru:

• Date fMRI preprocesate (fMRIPrep)
• Split PRE/POST + GLM
• Extracție ROI și conectivitate
• Analiză statistică
• Vizualizare și identificare biomarkeri

Scripturile au fost dezvoltate pentru investigarea reorganizării funcționale cerebrale asociate durerii cronice oncologice și pentru identificarea de biomarkeri neuroimagistici.

Citare