Efecto del tamaño kernel en el suavizado de señal BOLD en paradigmas funcionales (RMf)1

• Laia Farràs-Permanyer ^[1] ; Joan Guàrdia-Olmos ^[1] ; Maribel Peró-Cebollero ^[1]
  1. [1] Universitat de Barcelona

     Universitat de Barcelona

     Barcelona, España

     
• Localización: Escritos de psicología, ISSN-e 1989-3809, ISSN 1138-2635, Vol. 8, Nº 1 (Enero-Abril 2015), 2015, págs. 21-29
• Idioma: español
• Títulos paralelos:
  • Efecto del tamaño kernel en el suavizado de señal BOLD en paradigmas funcionales (RMf)
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    El suavizado es una técnica de filtraje esencial para el análisis de señal cerebral, que consiste en hacer promedio de la activación de un voxel con los que están a su alrededor. Diversos autores han propuesto alternativas o modificaciones a este proceso, pero resulta difícil encontrar investigaciones que comparen el efecto de diferentes tamaños de ventana de suavizado en los mismos datos. Así, el presente estudio pretende comprobar el efecto de la aplicación de diferentes tamaños de suavizado y resaltar la importancia de la elección del tamaño adecuado del mismo. Se aplicaron cinco criterios de suavizado a imágenes cerebrales resultantes de una tarea motriz sencilla por parte de cinco participantes adultos. Los distintos tamaños de suavizado muestran diferencias significativas en los resultados, principalmente entre la no aplicación de suavizado o el suavizado menor respecto a los dos de mayor tamaño. Las áreas cerebrales más activadas se mantienen a medida que aumenta el suavizado, mientras desaparecen aquellas con menos activación significativa y de área más reducida. Aunque se ha dispuesto de poca muestra, se puede ver una tendencia en los resultados que destaca la importancia de aplicar un suavizado en el tratamiento de imágenes RMf, pareciendo óptimos los suavizados de 2.5 y 3.

  • English

    Smoothing is a filtering technique that is essential for brain signal analysis and consists in calculating and comparing the average activation of a voxel to that of its neighbours. Several authors have proposed alternatives or modifications to this process; nonetheless, articles that compare the effect of different sizes of smoothing remain scarce. Thus, the aim of this study was to investigate the effect of applying different smoothing sizes and to highlight the importance of choosing the correct smoothing size. Five smoothing criteria were applied to brain images obtained during an easy motor task performed by five adult participants. Significant differences were found between different smoothing sizes, mainly between the non-smoothing application and the smallest smoothing size versus the two largest smoothing sizes. The signals from the most activated brain areas did not disappear with increased smoothing, whereas signals from less active or smaller areas disappeared. Despite the study sample size, the results suggest that smoothing is relevant in functional magnetic resonance image processing and that the optimum smoothing size is 2.5 and 3.