Métodos de Análise

Existem vários métodos que podem ser usados para analisar dados de RMf. O método mais comum nos estudos de dados de RMf é o General Linear Model (GLM). Contudo, no que diz respeito às análises relacionadas com a conectividade funcional são utilizadas diversos tipos de modelos, como as abordagens de componentes independentes e as análises de correlação. Existem outras análises que podem e são efetuadas mas em menor número (64) (65).

5.2.1 General Linear Model (GLM)

Este método consiste nas series temporais serem modeladas como uma combinação linear de diferentes componentes de sinal, sendo que a hipótese da atividade numa região cerebral é testada até ser relacionada com alguma função (66).

É sabido que a resposta hemodinâmica a um evento neuronal é tipicamente designada por função de resposta hemodinâmica (HRF – Hemodinamic Response Function). Na Figura 24, pode-se visualizar o gráfico típico da função usada para modelar a HRF, sendo que é denominada por HRF canónica (67).

Figura 24 - HRF canónica que se segue à aplicação de um estímulo. [Adaptado de (67)]

De uma forma simplista, o modelo GLM assume que a HRF e o estímulo são conhecidos e supõe que o estímulo é equivalente ao paradigma experimental, mas a HRF é modelada a partir da HRF canónica. Desta junção resulta um conjunto de respostas esperadas que são inseridas nas colunas de uma matriz de design. Na Figura 25, encontra-se esquematizado o procedimento referido. (66)

Sin a l de R M f [un ida de s de a m p li tu d e] Tempo [s]

Figura 25 – Esquematização do método GLM. [Adaptado de (66)]

Portanto, pode-se afirmar que o principal objetivo do método de GLM é explicar a variação na intensidade do sinal nas séries temporais de cada vóxel em termos de uma combinação linear de variáveis explanatórias e um termo de erro. Assim, matematicamente, o GLM pode ser descrito pela seguinte equação:

Equação 9

sendo que é considerada apenas uma única condição , em que é o sinal da serie temporal do voxel , corresponde ao sinal esperado como resposta à condição , é o fator de escala e, por fim, o é o fator de erro.

Se a Equação 9 for convertida na configuração matricial, ela assume a forma:

Equação 10

Em que é o vetor de valores de intensidade dos voxels, a matriz de design em que as linhas representam instantes de tempo e as colunas as variáveis explanatórias do modelo; corresponde ao vetor de parâmetros sendo também denominado por declive de regressão e o vetor de termos de erro (66).

A matriz de , na prática é um vetor binário que tem como objetivo indicar se existe presença de um determinado estímulo em cada instante de tempo. O vetor de define o peso de cada compenente da matriz design para o sinal observado e pela determinação da magnitude do pode-se verificar se existe presença de ativação posterior ao estimulo. Desta forma, o GLM permite calcular a combinação de parâmetros de que são minimizados pelo termo de erro , que na prática corresponde ao ruido presente no sinal observado.

O modelo de GLM é um dos mais utilizados em RMf com o intuito de validar uma hipótese específica. É um método com muito potencial, contudo é muito rígido e

Tempo Tempo

Funções de estímulo HRF Sinal Bold Matriz de design

Tem p o Co nd içõ es

apresenta o inconveniente de assumir que a matriz de design é a mesma para todo o cérebro, sendo que atualmente sabe-se que a HRF é diferente para cada região cerebral (66).

5.2.2 Análise de Correlação

As análises de correlação (SCA - Seed Correlation Analysis) são um método dependente de um modelo, ou seja, é necessário saber-se qual é o resultado expectável. Assim, uma forma de se estabelecer as conexões funcionais passa por correlacionar as séries temporais de repouso de uma determinada região cerebral com as series temporais dos restantes vóxeis (32).

O resultado deste método é o estabelecimento de um mapa cerebral das conexões funcionais da região pretendidas, sendo que normalmente é denominada por seed

region. A palavra seed representa uma região previamente definida, esta região pode

ser um vóxel, um agrupamento de vóxeis ou uma região selecionada através de uma mapa funcional de um estudo tradicional de RMf. A partir desta seed é obtida a serie temporal para que seja utilizada como regressor numa analise de correlação linear com o fim de determinar o grau de correlação com as series temporais dos restantes voxeis cerebrais (68). Neste sentido, é preciso calcular um coeficiente de relação entre os pares de séries temporais:

∑( ̅)( ̅)

√∑( ̅) ∑( ̅)

Equação 11

sendo que corresponde à serie temporal do voxel que irá ser analisado, representa a serie temporal de referência e as médias das duas series temporais são dadas pelas variáveis ̅ e ̅.

O resultado é um mapa de conectividade funcional (fcMap – functional connectivity

map), que permite averiguar quais as regiões que a seed escolhida se encontra

Figura 26 – Esquematização de uma analise de correlação: A) a serie temporal da

seed é extraída e comparada com todos os voxels; B) mapa de conectividade

funcional. [Adaptado de (45)]

Apesar de existirem investigadores que determinam o mapa de conectividade para todos os voxels do cérebro, alguns preferem realizar a análise de correlação apenas a algumas regiões de interesse. O facto de ser calculado apenas para as regiões de interesse desejadas apresenta a vantagem de todas as regiões de interesse serem tratadas da mesma forma.

Relativamente às vantagens e desvantagens deste método pode-se afirmar que é simples e os resultados são uma resposta direta a um problema, como as regiões que se encontram mais relacionadas com a seed. Contudo, a presença de ruido na região da seed pode afetar negativamente a serie temporal e, assim, corromper os resultados obtidos. A localização e o volume da seed ou as diferenças entre sujeitos podem causar graus de variabilidade elevados.

Foi comprovado recentemente que com este tipo de análise é possível identificar as relações de conectividade das redes neuronais de repouso com um elevado grau de confiança, sendo que a sua simplicidade e a sua utilidade conduziu a que fosse um elemento de vários estudos (69).

5.2.3 Análise de Componentes Independentes

Contrariamente aos métodos dependentes de modelos, os métodos independentes de modelos não necessitam que seja escolhida uma região de interesse (ROI - Region Of

Interest), sendo possível estudar os padrões de conectividade funcionalmente ao longo

de todo o cérebro. Nos modelos independentes encontram-se as análises de

Vóxel i