In the present thesis, we analyzed in-scanner subject motion during fMRI measurements and its effect on motion artifacts in functional brain connectivity analysis.

We demonstrated that small in-scanner movements detected by image co-registration methods causes different displacement in different parts of the brain. Accordingly, motion artifacts in the measured signal have also a complex spatial predisposition. As a potential solution, we proposed RDI, a novel population-level Generalized Linear Model-based motion artifact correction technique. The RDI technique is based on an interaction term incorporated into the population-based statistical analysis, which models the difference in the displacement of regions participating in a connection. Our results show that the proposed technique effectively reduces spurious group differences originating from regional motion differences.

According to our aims, we investigated an important issue recently brought up in the scientific literature stating that in certain pathological conditions, for instance in Autism Spectrum Disorders (ASD), in-scanner locomotion shows a significant alteration compared to Healthy Normal Control (HNC) subjects, and therefore, brain connectivity findings in ASD might have spurious artifactual sources, besides neural correlates. Our analysis on a large sample did not confirm this assumption. Accordingly, we have found that the proposed correction technique causes only minor changes in the differential connectivity pattern. Nevertheless, we demonstrated the existence of the phenomenon. Therefore, this effect still needs to be investigated in patient populations with other pathological conditions that might be related to altered kinetics.

Due to the disagreement about the optimal first-level nuisance signal regression methods, we performed the analysis with multiple techniques. Our results confirmed that first-level nuisance signal regression methods might have a complex unpredictable effect on second-level analysis results.

The research was based on intensive software development efforts, which resulted in a modular brain network analysis software framework. To solve the issue of functional network node definition, a state-of-art Markov Random Field-based segmentation method was implemented. The standard approach was extended with a novel energy constraint regulating the volume of the regions and is therefore well-suited for brain connectivity analysis. To support interdisciplinary collaborations, we developed several novel brain network visualization techniques. The developed software system, besides aiding clinical research collaborations, also facilitates further methodological research and development in neuroimaging and brain connectivity analysis.

A jelen PhD disszertációban bemutatott munka során elemeztük a vizsgálati alanyok fMRI mérések alatti mozgása és a funkcionális agyi hálózatanalízis során jelentkező mozgási műtermékek közötti kapcsolatot.

Eredményeink szerint a vizsgálat alatti kis mértékű, képillesztéssel detektált elmozdulások eltérő mértékben érintik az agy egyes területeit, és ennek következtében a mért jelben keletkező mozgási műtermékek helyfüggőek. Ezen jelenségnek a populációs szintű funkcionális hálózatanalízist érintő hatásainak csökkentésére egy új Általánosított Lineáris Modell alapú korrekciós módszert, a Regionális Elmozdulás Interakció (Regional Displacement Interaction, RDI) technikát javasoltuk. Az RDI egy, a populációs statisztikai modellezés során használható interakciós magyarázó változó halmaz, mely modellezi a kapcsolatban lévő agyi régiópárok elmozdulásbeli eltéréseit, és eredményeink szerint hatékonyan csökkenti a térbeli mozgásmintázat szisztematikus eltéréseiből fakadó fals pozitív csoportkülönbségeket.

Célkitűzésünknek megfelelően megvizsgáltuk azon szakirodalmi felvetést, mely szerint egyes patológiás állapotokban, így pl. az autizmus spektrum zavarban (ASD) szenvedő páciensek esetén a felvétel alatti mozgási mintázat szisztematikus módon eltér az egészséges normál kontrol (HNC) alanyokhoz viszonyítva, és ennek következményeként az észlelt hálózati eltérések a neurális okok mellett részben műtermékekből fakadhatnak. Nagy esetszámon alapuló vizsgálataink alapján ASD esetén alaptalanak mutatkozott a felvetés. Ennek megfelelően azt tapasztaltuk, hogy az ajánlott korrekciós módszer csupán minimális mértékben változtatja meg az ASD és a HNC alanyok funkcionális agyi hálózati összevetésének kimenetelét. A műtermék individuális megjelenését azonban demonstráltuk, így a probléma egyéb pácienspopulációk esetében továbbra is vizsgálandónak tekinthető.

A szakirodalmi cikkek módszertani heterogenitására való tekintettel vizsgálatainkat több idősor szintű műtermék regressziós modell alkalmazása mellett is elvégeztük. Eredményeink megerősítették azon irodalmi adatokat, melyek szerint ezen első-szintű technikák alkalmazása több esetben nem jósolható módon befolyásolja a hálózatanalízis kimenetét.

Az analízist egy intenzív szoftverfejlesztési folyamat tette lehetővé, melynek során kifejlesztésre került egy moduláris agyi hálózatanalízis keretrendszer. A funkcionális agyi hálózatanalízis régiókijelölési problémájának megoldására implementáltunk egy korszerű, Markov Véletlen Mező alapú szegmentációs eljárást, mely az általunk javasolt volumen-megszorítás alkalmazásával jól illeszkedik a hálózatanalízis követelményeihez. Az interdiszciplináris kollaborációk segítése érdekében több agyi hálózatvizualizációs technika is bevezetésre és implementálásra került. A kidolgozott szoftverrendszer a klinikai kutatások aktív támogatása mellett elősegíti a további módszertani kutatás-fejlesztést az idegtudományi képalkotás és így az agyi hálózatanalízis területén.