For high precision in source estimates of magnetoencephalography (MEG) data, high accuracy of the coregistration of sources and sensors is mandatory. Usually, the source space is derived from magnetic resonance imaging (MRI). Sensor-to-MRI coregistrations are the focus of this thesis. The quality of coregistrations is assessed and the effect of their uncertainties on source estimates is analyzed. Both topics, the quality assessment and the propagation of uncertainties to source estimates are treated separately. In this thesis, the target registration error (TRE) is proposed as criterion for the quality of sensor-to-MRI coregistrations. TRE measures the effect of uncertainty in coregistrations at all points of interest. In total, 5544 data sets with sensor-to-head and 128 head-to-MRI coregistrations, from a single MEG laboratory, were analyzed. An adaptive Metropolis algorithm was used to estimate the optimal coregistration and to sample the coregistration parameters (rotation and translation). I found an average TRE between 1.3 and 2.3 mm at the head surface. A mean absolute difference in coregistration parameters between the Metropolis and iterative closest point algorithm of (1.9 ± 1.5)° and (1.1 ± 0.9) mm was found. A paired sample t-test indicated a significant improvement in goal function minimization by using the Metropolis algorithm. The sampled parameters allowed computation of TRE on the entire grid of the MRI volume. Hence, I recommend the Metropolis algorithm for head-to-MRI coregistrations. The propagation of coregistration uncertainty to source estimates was performed by using pseudospectral approximations of beamformer and standardized low resolution tomography (sLORETA). This approach was tested for auditory, visual and somatosensory brain activity with different signal to noise ratios and source orientation constraints on datasets of 20 subjects. By using pseudospectral approximations as efficient surrogates, the spatial distribution of the source estimate maximum was sampled for 50000 coregistrations. From the results, it can be concluded that it is possible to apply stochastic spectral methods to MEG source estimation with high accuracy. The investigated effects of coregistration uncertainties on source estimates are small, typically the maximum location varied within a range of 5 mm, which is in the range of the localization errors. Pseudospectral approximations of the source estimates reduced computation times considerably by a factor of approximately 10000 for beamformer and 50000 for sLORETA compared to the exact original computations.
Für eine hohe Präzision in der Schätzung von Gehirnaktivität, ausgehend von Daten der Magnetoenzephalographie (MEG), ist eine sehr genaue Koregistrierung der Quellen und Sensoren notwendig. Üblicherweise werden hierbei die Quellorte der Gehirnaktivität bezüglich zu Koordinaten der Magnetresonanztomographie (MRI) angegeben. Die Sensor-zu-MRI Koregistrierungen sind der Schwerpunkt dieser Arbeit. Die Qualität von Koregistrierungen wird bewertet und der Effekt ihrer Unsicherheiten auf Schätzungen der Gehirnaktivität beziehungsweise auf Quellschätzungen wird untersucht. Beide Themen, die Qualitätsbewertung und die Übertragung der Unsicherheiten auf Quellschätzungen werden separat behandelt. In dieser Arbeit wird vorgeschlagen, den target registration error (TRE) als Qualitätskriterium für Sensor-zu-MRI Koregistrierungen zu verwenden. Der TRE kann den Effekt von Koregistrierungsunsicherheiten an beliebigen Punkten messen. Insgesamt wurden 5544 Datensätze mit Sensor-zu-Kopf und 128 Datensätze mit Kopf-zu-MRI Koregistrierungen aus einem Labor analysiert. Ein adaptiver Metropolis-Algorithmus wurde genutzt um optimale Koregistrierungen zu schätzen und um Stichproben ihrer Parameter (Rotation und Translation) zu ziehen. Es wurde ein TRE von 1.3 und 2.3 mm an der Kopfoberfläche gefunden. Weiter wurde eine mittlere absolute Differenz der Koregistrierungsparameter zwischen Metropolis-Algorithmus und dem etablierten iterative closest point-Algorithmus von (1.9 ± 1.5)° und (1.1 ± 0.9) mm gefunden. Ein Zweistichproben-t-Test zeigte eine signifikante Verbesserung in der Optimierung der Zielfunktion durch den Metropolis-Algorithmus. Die Übertragung der Koregistrierungsunsicherheit auf Quellschätzungen erfolgte unter Verwendung von speziellen Polynom-Entwicklungen des Beamformers und der standardized low resolution tomography (sLORETA). Dieser Ansatz wurde für auditorische, visuelle und somatosensorische Hirnaktivität mit verschiedenen Signal-Rausch-Verhältnissen und Beschränkungen der Quellorientierung auf Datensätzen von 20 Probanden getestet. Durch die Verwendung von Polynom-Entwicklungen als effiziente Surrogate wurde die örtliche Verteilung des Quellschätzungs-Maximums für 50000 Koregistrierungen ermittelt. Aus den Ergebnissen lässt sich schließen, dass es möglich ist, Polynom-Entwicklungen mit hoher Genauigkeit auf MEG-Quellschätzungen anzuwenden. Polynom-Entwicklungen der Quellschätzungen reduzierten die Berechnungszeiten erheblich um den Faktor von etwa 10000 für Beamformer und 50000 für sLORETA im Vergleich zu den exakten Originalrechnungen.