Nachweis von Plastizität im cerebro-cerebellären Netzwerk zur ...

haben, erzeugt das Programm sog. statistical parametric maps. Dieses sind Abbildungen
eines Standard-Gehirns, in denen aktivierte Hirnareale mit einer bestimmten farblich
kodierten Wahrscheinlichkeit dargestellt werden (siehe 2.8).
Die an eine Aktivierungsphase gekoppelte hämodynamisch bedingte
Signalintensitätssteigerung beträgt bei einer Magnetfeldstärke von 1,5 Tesla je nach
Paradigma meist nur etwa 2-4% (Turner et al., 1998). Der zu messende BOLD-Effekt ist
also relativ schwach und das Messverfahren vergleichsweise unempfindlich und
artefaktanfällig. Um dennoch statistisch signifikante Unterschiede zwischen Ruhe- und
Aktivitätsphasen nachweisen zu können, müssen alle Schichten des Gehirns sowohl in
Ruhe als auch während der Aktivitätsbedingung mehrfach gemessen werden. Zudem
werden die gewonnenen Daten vor der Auswertung einer relativ aufwändigen
Bildnachbearbeitung unterzogen. Ziel ist es dabei, den interessierenden neuronalen Effekt
gegenüber der ständig vorhandenen neuronalen Aktivität (sog. „Rauschen“) zu verstärken,
also das Signal-zu-Rausch-Verhältnis zu verbessern. Die Analysemethoden beruhen dabei
auf der statistischen Mittelung des inkohärenten Rauschens, während in den aktivierten
Regionen fortlaufend kohärentes Signal akkumuliert wird (Schad, 2002b). Die
Nachbearbeitung der gemessenen funktionellen Daten umfasst mehrere Schritte, von denen
die wichtigsten hier kurz aufgeführt werden sollen (Friston et al., 1995; Friston, 2003):
Zunächst erfolgt eine Bewegungskorrektur (realignment), um bewegungsbedingte
Bildartefakte, die schon durch Schlucken oder Atmen verursacht werden können, zu
minimieren. Dieses geschieht durch Reorientierung (rigid-body-transformation) aller
Einzelbilder auf das erste Bild der Messung. Nach der Bewegungskorrektur werden die
Bilder normalisiert (normalisation). Dabei werden die Aufnahmen der individuellen
Probanden-Hirne in ein normiertes Gehirn (template) überführt, um einen
interindividuellen Vergleich der Aktivierungsmuster zu ermöglichen. Dieses Normhirn ist
das sog. MNI-Template (MNI = Montreal Neurological Institute), dessen Anatomie einen
Mittelwert aus über 200 Hirnen darstellt. Zur genauen Lokalisationsangabe von
Aktivierungen ist das Template mit einem Koordinatensystem versehen, welches auf dem
des Hirnatlasses von Talairach und Tournoux (1988) basiert. Um das Signal-zu-Rausch-
Verhältnis zu verbessern, wird danach eine räumliche Unschärfe hinzugefügt, was als
Glättung (smoothing) bezeichnet wird. Durch das smoothen werden große Signalsprünge
innerhalb der Datensätze eliminiert (geglättet), wodurch echte Aktivierungen besser von
Störsignalen abgegrenzt werden können. Dazu wurde ein Gauss-Kernel-Filter mit einer
Halbwertsbreite von FWHM (Full-Width-at-Half-Maximum) = 8 x 8 x 8 mm verwendet.
Um die während einer Messung aufgenommenen Bilder einer bestimmten Bedingung
24