Harmonization of multi-site MRI data

Abstract

Combining magnetic resonance imaging (MRI) data from different sites is now common to improve research with larger, more varied groups, which makes studies more powerful and representative. However, this approach faces challenges due to differences in MRI scanners that can distort results. Two methods, independent component analysis (ICA) and general linear model (GLM), are used to correct these site effects, but they struggle to fully remove them without affecting the data's real signals, especially when these signals are related to the very scanner differences they aim to correct. In this thesis, we introduced an effective noise-reduction method utilizing the dual-projection (DP) concept grounded on independent component analysis (ICA) to mitigate site-specific influences in combined data. This method can separate the signal effects from the identified site-related components and then remove site effects without losing signals of interest. To validate the method's effectiveness, we simulated two scenarios, one where the site and signal variables are correlated and another where they are not. Structural and functional MRI data from the Autism Brain Imaging Data Exchange II and a traveling subject dataset from the Strategic Research Program for Brain Sciences were employed to test the ICA-DP methods for removing site effects and preserving signal effects. We also proposed an innovative multimodal denoising approach that employs a dual projection (DP) methodology grounded on linked independent component analysis (LICA) to remove the site effects. Compared with unimodal studies, using LICA on multimodal MRI data offers a more precise estimation of site effects. Structural and functional MRI data from Autism Brain Imaging Data Exchange II validated the LICA-DP methods. In conclusion, our approaches using ICA-DP and LICA-DP have demonstrated their efficacy in mitigating site-related influences while maintaining biological variation. Such a strategy can greatly boost the validity of neuroimaging studies, and we are confident it will be an indispensable resource for forthcoming research.

Magneettikuvauksen (MRI) tietojen yhdistäminen eri paikoista on nykyisin yleistä, jotta tutkittavaksi saadaan suurempia ja monimuotoisempia ryhmiä, mikä tekee tutkimuksista tehokkaampia ja edustavampia. Kuitenkin tämä lähestymistapa kohtaa haasteita johtuen MRI-laitteiden eroista, jotka voivat vääristää tuloksia. Näiden paikkakohtaisten vaikutusten korjaamiseen käytetään kahta menetelmää, riippumattomien komponenttien analyysia (ICA) ja yleistä lineaarista mallia (GLM), mutta niillä on vaikeuksia poistaa ne täysin vaikuttamatta datan todellisiin signaaleihin, erityisesti kun nämä signaalit liittyvät juuri niihin skannerieroavaisuuksiin, joita ne pyrkivät korjaamaan. Tässä väitöskirjassa ehdotetaan tehokasta kohinanpoistomenetelmää, joka soveltaa kaksiprojektion (DP) teoriaa riippumattoman komponenttianalyysin (ICA) pohjalta poistaakseen paikkakohtaiset vaikutukset yhdistetystä datasta. Tämä menetelmä voi erottaa signaalivaikutukset tunnistetuista paikkakohtaisista komponenteista ja poistaa sitten paikkavaikutukset menettämättä kiinnostuksen kohteena olevia signaaleja. Validoidaksemme menetelmän tehokkuuden simuloimme kaksi eri skenaariota, joissa toisessa paikka- ja signaalimuuttuja korreloivat ja toisessa eivät. ICA-DP-menetelmiä paikkavaikutusten poistamiseksi ja signaalivaikutusten säilyttämiseksi on testattu käyttäen useita erilaisia rakenteellisia ja toiminnallisia magneettikuvausaineistoja. Väitöskirjassa esitetään myös uudenlainen monimuotoinen kohinanpoistomenetelmä paikkavaikutusten poistamiseksi, jossa kaksiprojektiomenetelmä (DP) yhdistetään linkitetyn riippumattomien komponenttien analyysin (LICA) kanssa. Yksimuotoisiin tutkimuksiin verrattuna LICA:n käyttö monimuotoisissa MRI-tiedoissa tarjoaa tarkemman arvion paikkavaikutuksista. LICA-DP-menetelmän toimivuus todennettiin olemassa olevien rakenteellisten ja toiminnallisten MRI-aineistojen avulla. ICA-DP- ja LICA-DP-menetelmät osoittautuvat tehokkaiksi tavoiksi paikkavaikutusten poistamiseksi ja biologisen vaihtelun säilyttämiseksi. Tämä lähestymistapa voi merkittävästi parantaa neurokuvantamistutkimusten validiteettia, luoden arvokkaan työkalun myös tuleville tutkimuksille.