Valutazione dell’impatto del filtraggio sull’estrazione del segnale BOLD nella pipeline del Dynamic Causal Modelling: Implicazioni sulla connettività effettiva in un compito visuomotorio

Functional Magnetic Resonance Imaging (fMRI) is a non-invasive neuroimaging technique that measures brain activity by detecting changes in blood oxygenation and flow, which are linked to neural activity. This indirect measure is captured by the Blood Oxygenation Level Dependent (BOLD) signal. While fMRI data are commonly analysed to identify which brain regions are active during a task, understanding how these regions influence each other, known as effective connectivity, requires a more advanced modelling approach. Dynamic Causal Modelling (DCM) is a computational framework that estimates the directional, causal interactions between brain regions, allowing researchers to infer how activity in one region affects activity in another. Temporal filtering is a common preprocessing step in fMRI analyses, aimed to isolate physiologically relevant frequency components of the BOLD signal and reduce spectral components that represent physiological noise (e.g., cardiac and respiratory). However, its impact on downstream analyses, particularly within the DCM framework of causal connectivity estimation, is not fully explored. This study analyzes the impact of bandpass filtering (0.008–0.09 Hz) on the BOLD signal and on the estimation of fixed effective connectivity through DCM in a visuomotor network. Three preprocessing conditions were compared: no filtering, filtering before Volume of Interest (VOI) extraction, and filtering after VOI extraction. The results show that filtering modifies the spectral and temporal properties of the signal, reducing its amplitude and variance. In particular, filtering applied before VOI extraction compromises the detection of activations and leads to an incomplete definition of the regions of interest, whereas filtering applied after better preserves the signal characteristics. Despite these differences at the signal level, DCM analysis shows that the network structure remains stable across all conditions. The optimal model identifies a visuomotor circuit driven by the primary visual cortex. Filtering slightly modulates the strength of the connections, with a slight increase in visual connections and a reduction in those related to planning. In conclusion, filtering significantly affects the BOLD signal and the definition of VOIs, but has a limited impact on the estimation of effective connectivity, highlighting a good robustness of DCM to variations introduced by preprocessing.

La risonanza magnetica funzionale (fMRI) è una tecnica di neuroimaging non invasiva che consente di misurare l’attività cerebrale attraverso la rilevazione delle variazioni nell’ossigenazione e nel flusso sanguigno. La misura è indiretta ed è rappresentata dal segnale BOLD (Blood Oxygenation Level Dependent). Sebbene i dati fMRI siano analizzati comunemente per identificare le regioni cerebrali attive, la comprensione dell’interazione tra le regioni, nota come connettività efficace, richiede approcci di modellazione più avanzati. Il Dynamic Causal Modelling (DCM) è un framework computazionale che permette di stimare le interazioni causali e direzionali tra regioni cerebrali, permettendo di stimare come l’attività di una regione influenzi quella di un’altra. Un passaggio rilevante all’interno della pipeline di analisi DCM e del preprocessing dei dati fMRI è costituito dal filtraggio temporale, in quanto influenza i segnali su cui si basa la stima della connettività efficace. Esso è finalizzato a ridurre le frequenze del segnale associate a rumore fisiologico (ad esempio attività cardiaca e respiratoria) e isolare le componenti in frequenza fisiologicamente rilevanti del segnale BOLD. Tuttavia, il suo impatto sulle analisi successive, in particolare nell’ambito della stima della connettività causale tramite DCM, non è ancora completamente esplorato. Questo studio analizza l’impatto del filtraggio passa-banda (0.008–0.09 Hz) sul segnale BOLD e sulla stima della connettività efficace tramite DCM in una rete visuomotoria. Sono state confrontate tre condizioni di preprocessing: assenza del filtro, filtraggio prima dell’estrazione delle VOI e filtraggio dopo l’estrazione. I risultati mostrano che il filtraggio modifica le proprietà spettrali e temporali del segnale, riducendone ampiezza e varianza. In particolare, il filtraggio applicato prima dell’estrazione delle VOI compromette la rilevazione delle attivazioni e porta a una definizione incompleta delle regioni di interesse, mentre quello applicato dopo preserva meglio le caratteristiche del segnale. Nonostante queste differenze a livello di segnale, l’analisi DCM evidenzia che la struttura della rete rimane stabile in tutte le condizioni. Il modello ottimale identifica un circuito visuo-motorio guidato dalla corteccia visiva primaria. Il filtraggio modula leggermente la forza delle connessioni, con un lieve aumento delle connessioni visive e una riduzione di quelle legate alla pianificazione. In conclusione il filtraggio influisce significativamente sul segnale BOLD e sulla definizione delle VOI, ma ha un impatto limitato sulla stima della connettività efficace, evidenziando una buona robustezza del DCM rispetto alle variazioni introdotte dal preprocessing.