FMRI Expert Analysis Tool (FEAT), versão 6.0.0

FEAT é uma ferramenta do FSL para modelar estudos de RMf, com uma interface gráfica fácil de ser utilizada (do inglês graphical user interface, GUI), e que apresenta sua página de relatório no formato html. A modelagem utilizada pelo FEAT é baseada no GLM, e sua análise é dividida em duas partes. Primeiramente foram realizadas as análises de primeiro nível, na qual são processadas as imagens do indivíduo. Para isso, uma análise não paramétrica robusta é utilizada para estimar a série temporal de cada voxel. Depois são realizadas as análises de nível superior (do inglês

higher level), onde os testes inferenciais são realizados, levando em conta a

variabilidade individual e os valores médios dos parâmetros estimados no primeiro nível.

No entanto, antes de conduzir as análises de primeiro nível, o FEAT precisa deixar a imagem “pronta” para a análise, logo, são várias as etapas pré-processamento. Inicialmente foi necessário remover da imagem bruta todos os tecidos que não faziam parte do cérebro, como ossos, órbitas oculares, e outros. Para isso foi utilizada a ferramenta de extração cerebral, do inglês Brain Extration Tool (BET) (Smith, 2002). Em seguida, o programa fez o registro da imagem funcional (de baixa resolução) numa imagem de alta resolução. O registro pode ser feito diretamente numa imagem padronizada (do inglês template, como, por exemplo, o MNI15242_{) ou passar primeiro}

41 _{O estudo piloto foi conduzido com uma amostra de crianças diferente da amostra do presente estudo.}

42 _{O template do Instituto de Neurologia de Montreal, do inglês Montreal Neurological Institute (MNI) foi feito com 152 cérebros}

para a imagem T1 de alta resolução do próprio voluntário para depois sofrer as transformações no template. Neste estudo a segunda alternativa foi adotada, pois o registro em duas etapas minimiza as distorções entre a imagem funcional e o template (Jenkinson; Smith, 2001). O nome da ferramenta que fez o registro é FMRIB's Linear

Image Registration Tool (FLIRT, versão 5.5) e, como o próprio nome diz, é uma

ferramenta linear, ou seja, utiliza transformações lineares para estender, transladar e rotacionar a imagem original de maneira que ela fique semelhante à imagem de destino.

Outras duas etapas essenciais, anteriores à análise estatística inferencial, foram conduzidas: a correção do tempo de aquisição das fatias (colhidas de baixo para cima) e a correção de movimento da cabeça do sujeito ao longo do experimento, uma técnica chamada Motion Correction FMRIB's Linear Image Registration Tool (MCFLIRT, Jenkinson et al., 2002). Sobre a primeira, como as análises de inferência estatística assumem que os voxels foram adquiridos todos ao mesmo tempo (exatamente o meio do TR), foi necessário corrigir para o fato de que a aquisição foi realizada sequencialmente, de baixo para cima (no eixo axial) até completar as 41 fatias que formavam um volume. Essa forma de correção, portanto, corrige cada série temporal dos voxels utilizando uma fração apropriada do TR.

A correção de movimentos MCFLIRT (Jenkinson et al., 2002), uma das primeiras etapas realizadas na análise de primeiro nível, teve como objetivo minimizar os efeitos de movimento ocorridos durante a aquisição das imagens. O algoritmo de correção de movimento utiliza transformações de corpo rígido que consiste em transformações lineares de rotação e translação em quaisquer dos eixos (x, y e z). Em geral, os clusters relativos à movimentação aparecem nas bordas dos tecidos (nos ventrículos e nos limites do cérebro) ou perto dos seios durais. Como a análise aplicada na série temporal de cada voxel assume que a localização deste não mude com o passar do tempo, isto pode acarretar em erros graves na análise, aumentando a dificuldade de se achar diferenças entre as condições. Outras possíveis fontes de artefato são: a relação sinal/ruído da própria máquina, que vai caindo ao longo do exame, e as inomogeneidades do campo magnético, que também podem levar a artefatos de movimento (Jenkinson et al., 2002). Na maioria das vezes, a ferramenta MCFLIRT consegue corrigir a movimentação, especialmente quando esta é linear ao longo do experimento – por outro lado, as movimentações irregulares, onde se vê um pico de

movimento em determinado volume no gráfico, são mais difíceis de serem corrigidas, particularmente quando coincidem com o período da tarefa. O voxel utilizado neste estudo tinha dimensões de 3 mm³ e foi adotada uma tolerância de movimento máxima de dois terços do tamanho da unidade espacial (2 mm) em qualquer um dos eixos, durante os 94 volumes.

Ainda dentro do pré-processamento para a análise do indivíduo, a suavização espacial foi uma etapa na qual as imagens eram “borradas” após a aplicação de um filtro gaussiano. A largura do filtro pode ser configurada no GUI e tem como objetivo aumentar a razão sinal/ruído das imagens. A proposta é tentar reduzir o ruído, que são as informações coletadas mas que não fazem parte do estudo, sem perder sensibilidade para detectar ativação. Segundo consta no manual do FSL (sítio eletrônico: http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSL), isso pode ser realizado com sucesso enquanto a área cerebral relativa à ativação for maior (ou mais larga) que a extensão da suavização. Em geral, mapas de grupo são suavizados utilizando um filtro que tenha duas vezes o tamanho do voxel da aquisição funcional. No presente estudo adotou-se um filtro espacial com suavização de 5 mm no intuito de não se distanciar tanto da definição espacial da aquisição (3 mm³), embora a perda de resolução seja intrínseca à aplicação do filtro.

Por fim, a última etapa relativa ao pré-processamento das imagens individuais foi a aplicação de um filtro temporal “passa alta”, para um melhor encaixe do modelo com os dados. O valor escolhido foi de 90s, o que significa que esse foi o maior período de tempo que foi permitido fazer parte da análise. Esse período foi calculado somando dois tempos de período do descanso (12s + 12s) com dois blocos (33s + 33s), somando um total de 90s. Esse tipo de filtro é utilizado no intuito de remover artefatos de baixa frequência, já que não faria sentido ter algum voxel que mantivesse um padrão de ativação mais longo que o bloco ABC.

Depois do pré-processamento das imagens, a inferência estatística foi conduzida sobre o sinal BOLD de cada voxel usando a ferramenta FMRIB's Improved Linear

Model (FILM). Por meio do GLM foi possível obter os voxels que melhor se ajustaram

ao modelo. Os limiares estatísticos utilizados nas análises foram: p ≤ 0,05 para o grupo

de voxels (do inglês, cluster) e significância de Z > 2,3 para o voxel. O FILM usa

procura estimar e remover a autocorrelação dos voxels incorporando os resíduos da regressão linear na estimativa dos parâmetros do GLM (Woolrich et al., 2001). Para lidar com o problema das múltiplas comparações e eventuais erros tipo 1 (ou mesmo tipo 2), o FSL utilizou a correção por clusters. Esse problema é extremamente relevante no campo da RMf, uma vez que cada volume cerebral é dividido em dezenas de milhares de voxels que são analisados separada e independentemente. A correção por

clusters, portanto, utiliza a informação dos voxels vizinhos para fazer as análises, pois

biologicamente é improvável que a ativação de um voxel (de 3 mm³) ocorra isoladamente, sem que os demais ao seu redor também o acompanhem. Ao contrário, quando uma determinada região está sendo ativada, imagina-se que o fluxo e volume sanguíneos aumentem não apenas especificamente naquela região, mas também em áreas ao seu redor.

Como este era um paradigma ABC, diferentes subtrações puderam ser realizadas entre as condições A (lista SR) B (lista NR) e C (linha de base/fixação), formando os seguintes contrastes: 'A > B', 'A > C' e 'B > C'. Portanto, no primeiro nível de análise além da diferença entre as listas ter sido modelada com o contraste SR > NR, também foram modelados os contrastes das listas SR e NR, por meio da subtração da fixação de cada uma delas (SR > fixação e NR > fixação [Anexo F]).

Todas inferências estatísticas realizadas neste estudo no nível dos grupos (do inglês higher level analysis), se valeram de efeitos mistos, ou seja, foi considerada a variabilidade intrassujeitos (entre condições) e entre sujeitos (efeitos mistos). Supondo que cada indivíduo da população responda, em média de forma heterogênea isso permite que os resultados das amostras estudadas possam ser generalizados para a população (Jenkinson et al., 2012). Se apenas os efeitos fixos tivessem sido adotados, que são mais sensíveis às ativações, todos os resultados obtidos no estudo apenas diriam respeito à amostra específica selecionada nesta pesquisa. Os limiares estatísticos adotados para as análises nesse nível foram iguais aos do primeiro nível (ou seja, correção por clusters com p ≤ 0,05 e Z > 2,3). As seguintes análises no nível do grupo foram realizadas: média de cada um dos grupos, teste t para amostras independentes (entre grupos) e ANCOVA (que será explicada ulteriormente). As matrizes de desenho experimental, tanto das análises do nível do sujeito como das análises de grupo podem ser encontradas no Anexo F.