A Bayesian adaptive smoothing and thresholding approach for activation detection in single-subject fMRI

Abstract

Functional Magnetic Resonance Imaging (fMRI) is a widely used non-invasive medical procedure for studying brain function. Identifying activated regions of the brain is a common challenge in fMRI analysis. Low-signal and small data cases pose significant difficulties for activation detection. These scenarios arise when studying high-level cognitive tasks or single-subject experiments, respectively. In this study, we propose an innovative algorithm, entitled Bayesian Fast Adaptive Smoothing and Thresholding (BFAST), which utilizes smoothing and extreme value theory on probabilistic maps to find threshold values. The algorithm’s performance was evaluated on artificial data that simulated a range of signal magnitudes. The results were promising, with an average similarity of 85% with respect to the expected output. Furthermore, the proposed procedure was applied to a study that aimed to identify the cerebral regions responsible for processing beliefs and questions as stimuli. Our findings suggest that the BFAST algorithm holds promise for detecting activated areas in the brain with high accuracy, particularly in cases involving low-signal and small data. Such advancements in fMRI analysis algorithms could lead to more accurate and precise studies of brain function, with significant implications for both clinical and research settings.

La técnica de Imágenes por Resonancia Magnética Funcional (fMRI) es un procedimiento médico no invasivo ampliamente utilizado para estudiar la función cerebral. Identificar regiones activadas del cerebro es un desafío común en el análisis de fMRI. Los casos de baja señal y datos pequeños plantean desafíos importantes para la detección de activación. Estos escenarios surgen cuando se estudian tareas cognitivas de alto nivel o experimentos con un solo sujeto, respectivamente. En este estudio, proponemos un algoritmo innovador, titulado Umbralizado y Suavizado Adaptativo Bayesiano Rápido (BFAST), que utiliza la teoría de suavizado y valores extremos en mapas probabilísticos para encontrar valores de umbral. El rendimiento del algoritmo se evalúo a partir de datos artificiales que simularon una variedad de magnitudes de señal. Los resultados fueron prometedores, con una similitud promedio del 85% con respecto al resultado esperado. Además, el procedimiento propuesto se aplicó a un estudio que tenía como objetivo identificar las regiones cerebrales responsables de procesar creencias y preguntas como estímulos. Nuestros hallazgos sugieren que el algoritmo BFAST es prometedor para detectar regiones activadas en el cerebro con alta precisión, particularmente en casos que involucran baja señal y datos pequeños. Estos avances en los algoritmos de análisis de fMRI podrían conducir a estudios más exactos y precisos de la función cerebral, con importantes implicaciones tanto para entornos clínicos como de investigación.