Enfermedades del Sistema Nervioso » Neuroimagen Computacional
Coordinador de Grupo
Jesús María Cortes Diaz
Doctor en Física
Ikerbasque Research Professor
Hospital Universitario Cruces
Contacto
(0034) 94 600 6000
Miembros del Grupo
Asier Erramuzpe Aliaga
Beatriz Mateos Goñi
Ibai Diez Palacio
Iñaki Escudero Martínez
Javier Rasero Daparte
Miri Goldin
Paolo Bonifazi
Líneas de Investigación
Desarrollo y aplicación de métodos para relacionar conectividad cerebral y función a partir de datos en Neuroimagen.
Desarrollo y aplicación de métodos para medir la similaridad entre grafos obtenidos a partir de Neuroimagen.
Desarrollo y aplicación de métodos que permitan reducir la complejidad y altísima dimensionalidad de los datos en Neuroimagen.
Análisis y búsqueda de Grafos a partir de datos en Neuroimagen mediante la Teoría de Redes Complejas (Complex Networks Analysis).
Localización de fuentes eléctricas o generadores en Electroencefalografía (EEG) mediante Inferencia Bayesiana.
Integración de diferentes modalidades en Neuroimagen.
Actividades del Grupo

En los últimos años la Neuroimagen se ha expandido y lo sigue haciendo a velocidad de vértigo. Así hoy es posible mediante imágenes de resonancia magnética obtener información estructural de un paciente de forma totalmente no invasiva y en concreto volúmenes de datos con un milímetro cúbico de resolución espacial (o más), y más de siete millones de píxeles. Más aún, la complejidad de estos datos no sólo depende de la dimensión, si no de la secuenciación y método con la que se procese (por ejemplo, MRI, fMRI o DTI siguen procesos diferentes). Después de la secuenciación y protocolo de adquisición, fácilmente un fichero de datos puede llegar a 10GB. Claramente fuera de lo que es común en procesamiento de imágenes.

En este grupo de investigación desarrollamos y aplicamos nuevos métodos, que ayuden a procesar, cuantificar y entender estas cantidades indigeribles de datos, para en última instancia ayudar a conectar la estructura y dinámica con su función cerebral. Desarrollo y aplicación de métodos para relacionar conectividad cerebral y función a partir de datos en Neuroimagen; para ello utilizamos diferentes métodos que permiten obtener grafos a partir de los diferentes conjuntos de datos. Bien, medidas para grafos no dirigidos, como correlaciones o coherencia, o para gráfos dirigidos, principalmente con relaciones causales como los obtenidos mediante la Causalidad de Granger o mediante el método de Transferencia de Entropía (Transfer Entropy). Desarrollo y aplicación de métodos para medir la similaridad entre grafos obtenidos a partir de Neuroimagen.Métodos que detecten diferencias estadísticamente significativas entre grafos nos permiten comparar cuantitativamente el grupo de pacientes con el grupo control de sujetos sanos. Desarrollo y aplicación de métodos que permitan reducir la complejidad y altísima dimensionalidad de los datos en Neuroimagen. Por ejemplo, el método de Análisis de Componentes Independientes (ICA) permite reducir dimensionalidad en los datos. Análisis y búsqueda de Grafos a partir de datos en Neuroimagen mediante la Teoría de Redes Complejas (Complex Networks Analysis). Entre otras cosas, permite estudiar la topología del grafo, y así detectar por ejemplo las regiones más conectadas (hubs), las más desconectadas o aisladas, los caminos más cortos entre dos regiones, los diferentes módulos o sub-grafos dentro del grafo total, medidas de empaquetamiento (clustering) en las diferentes regiones, etc. Una cuantificación de esta estructura topológica puede dar pistas sobre la función cerebral. Localización de fuentes eléctricas o generadores en Electroencefalografía (EEG) mediante Inferencia Bayesiana(en colaboración con Prof. Rafael Molina Soriano en la Universidad de Granada). El problema es el siguiente: basándonos en medidas de EEG en el cuero cabelludo, ¿cuál es la localización más probable para las fuentes bioeléctricas sobre la corteza cerebral? Son estas fuentes las que originan los potenciales eléctricos registrados por los sensores EEG. Asumiendo diferente información a priori sobre las fuentes, desarrollamos métodos que den una solución al problema de localización de fuentes, principalmente mediante la técnica de la Inferencia Bayesiana. Integración de diferentes modalidades en Neuroimagen.Sobre un mismo paciente, es posible tener datos de resonancía magnética (MRI), resonancia magnética funcional (fMRI), electroencefalografía (EEG), magnetoencefalografía (MEG), tomografía por emisión de positrones (PET), tomografía computarizada por emisión de fotones individuales (SPECT), imágenes tensor de difusión (DTI), estimulación transcraneal magnética (TMS), y muchas otras. La cuestión natural es: ¿cómo están relacionadas todas estas modalidades? La respuesta es complicada, pues en la mayoría de los casos la señal que se mide (aunque relacionada) es de distinta naturaleza. Así la concentración de desoxihemoglobina (BOLD) medida por el fMRI aunque relacionada no es lo mismo que la energía bioelétrica registrada por el EEG. Es por esto por lo que se necesitan nuevos métodos, que ayuden a integrar la multi-modalidad existente hoy en Neuroimagen.

Publicaciones Científicas

Alonso-Montes C, Diez I, Remaki L, Escudero I, Mateos B, Rosseel Y, et al. Lagged and instantaneous dynamical influences related to brain structural connectivity. Front. Psychol. 2015;6:1024. FI:2,843(Q1). DOI:10.3389/fpsyg.2015.01024.

Amor TA, Russo R, Diez I, Bharath P, Zirovich M, Stramaglia S, et al. Extreme brain events: Higher-order statistics of brain resting activity and its relation with structural connectivity. Epl-Europhys Lett. 2015;111: 68007. FI:1,963(Q1). DOI:10.1209/0295-5075/111/68007.

Diez I, Bonifazi P, Escudero I, Mateos B, Munoz MA, Stramaglia S, et al. A novel brain partition highlights the modular skeleton shared by structure and function. Sci Rep-Uk. 2015;5:10532. FI:5,228(Q1). DOI:10.1038/srep10532.

Erramuzpe A, Ortega GJ, Pastor J, de Sola RG, Marinazzo D, Stramaglia S, et al. Identification of redundant and synergetic circuits in triplets of electrophysiological data. J Neural Eng. 2015;12:066007. FI:3,493(Q1). DOI:10.1088/1741-2560/12/6/066007.

Gabilondo I, Rilo O, Ojeda N, Pena J, Gomez A, Mendibe M, et al. Visual information processing speed and the damage to posterior visual pathway in multiple sclerosis. Mult Scler J. 2015;21:50. FI:4,671(Q1). ABSTRACT

Galbarriatu L, Pomposo I, Aurrecoechea J, Marinas A, Agundez M, Gomez JC, et al. Vagus nerve stimulation therapy for treatment-resistant epilepsy: A 15-year experience at a single institution. Clin Neurol Neurosur. 2015;137:89-93. FI:1,198(Q3). DOI:10.1016/j.clineuro.2015.06.023.

Zaldumbide L, Erramuzpe A, Guarch R, Cortés JM, López JI. Large (> 3.8 cm) clear cell renal cell carcinomas are morphologically and immunohistochemically heterogeneous. Virchows Arch. 2015;466:61-66. FI:2,613(Q2). DOI:10.1007/s00428-014-1673-8.

Arroyo-Berdugo Y, Alonso S, Ribas G, Ibarrola-Villava M, Peña-Chilet M, Martínez-Cadenas C, et al. Involvement of ANXA5 and ILKAP in Susceptibility to Malignant Melanoma. PLoS One. 2014;9:e95522 . FI: 3,234(Q1)

Cerda N, Corominas Cishek A, Caamano V, Gonzalez M, Andueza E, Altamirano J, et al. Neurocytomas: related to oligodendroglioma?. Virchows Arch. 2014;465:259. FI: 2,651(Q2)

Corominas Cishek A, Guarch R, Erramuzpe A, Zaldumbide L, Cerda N, Andueza E, et al. Parameters predicting intratumor heterogeneity in clear cell renal cell carcinoma. Virchows Arch. 2014;465:158. FI: 2,651(Q2)

Cortes JM, Marinazzo D, Muñoz MA. Editorial for the research topic: information-based methods for neuroimaging: analyzing structure, function and dynamics. Front. Neuroinformatics. 2014;8:86. FI: 3,261(Q1)

De la Fuente IM, Cortés JM, Valero E, Desroches M, Rodrigues S, Malaina I, et al. On the Dynamics of the Adenylate Energy System: Homeorhesis vs Homeostasis. PLoS One. 2014;9:e108676. FI: 3,234(Q1)

Marinazzo D, Pellicoro M, Wu G, Angelini L, Cortés JM, Stramaglia S. Information Transfer and Criticality in the Ising Model on the Human Connectome. PLoS One. 2014;9:e93616. FI: 3,234(Q1)

Stramaglia S, Cortes JM, Marinazzo D. Synergy and redundancy in the Granger causal analysis of dynamical networks. New J Phys. 2014;16:105003 . FI: 3,558(Q1)

Cortes JM, Desroches M, Rodrigues S, Veltz R, Munoz MA, Sejnowski TJ. Short-term synaptic plasticity in the deterministic Tsodyks-Markram model leads to unpredictable network dynamics. Proc Natl Acad Sci U.S.A. 2013;110:16610-5. FI: 9,737(Q1)

Gorostiza Laborda D, Mateos Goñi B, Berástegui Imaz M, Escudero Martínez I, Iturre Salinas B. Diffuse brain involvement in paediatrics: magnetic resonance findings. Radiologia. 2013;55:253-60. FI: 0,000(Q0)

De la Fuente IM, Cortes JM, Pelta DA, Veguillas J. Attractor Metabolic Networks. PLoS One. 2013;8:e58284.FI: 3,730(Q1).

Mäki-Marttunen V, Diez I, Cortes JM, Chialvo DR, Villarreal M. Disruption of transfer entropy and inter-hemispheric brain functional connectivity in patients with disorder of consciousness. Front Neuroinform. 2013;7:24.