Modellfreie Analyse der hämodynamischen Antwort in funktionellen Magnetresonanztomographien (FMRI) des menschlichen Gehirns

Erberich, Stephan G.; Oberschelp, Walter

doi:urn:nbn:de:hbz:82-opus-2994

Modellfreie Analyse der hämodynamischen Antwort in funktionellen Magnetresonanztomographien (FMRI) des menschlichen Gehirns = Model-free analysis of the hemodynamic response in functional MR-Tomographies of the human brain

Erberich, Stephan G. (Author)

2002

Verantwortlichkeitsangabevorgelegt von Stephan Günther Erberich

ImpressumAachen : Publikationsserver der RWTH Aachen University 2002

UmfangII, 260 S. : Ill., graph. Darst.

Aachen, Techn. Hochsch., Diss., 2002

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Oberschelp, Walter (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2002-03-05

Online
URN: urn:nbn:de:hbz:82-opus-2994
URL: https://publications.rwth-aachen.de/record/56896/files/02_038.pdf

Einrichtungen

Fakultät für Mathematik, Informatik und Naturwissenschaften (100000)

Inhaltliche Beschreibung (Schlagwörter)
Informatik (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Mittels der Funktionellen Magnetresonanztomographie (fMRI) können unter einer Aufgabenbedingung aktivierte Hirnareale in sich wiederholenden Hirnschichtaufnahmen gemessen werden. Die fMRI liefert dabei Zeitreihen für jedes Hirnvoxel, das im Untersuchungszeitraum von wenigen Minuten zu einem von drei Zuständen, aktiviert, deaktiviert (inhibiert) oder nicht-aktiviert (baseline) klassifiziert werden kann. Die anschließende zeitliche Analyse der Voxelzeitreihen wird bisher üblicherweise mit modellbasierten statistischen Verfahren, z.B. dem Statistical Parametric Mapping (SPM) oder der Kolmogorov-Smirnov (KS) Statistik, durchgeführt. Thema dieser Arbeit ist eine neues modellfreies Verfahren für die fMRI Analyse zu untersuchen, die Selbstorganisierende Merkmalskarte (SOM). Diese von Kohonen für die Mustererkennung entwickelte Verfahren wird hier genutzt, um die drei disjukten Merkmalszustände der Zeitreihen datengetrieben zu klassifizieren. Im Gegensatz zu den modellbasierten statistischen Verfahren ist das Ziel dieses unüberwachten Ansatzes eine Raumreduktion des hochdimensionalen Eingaberaumes der Voxelzeitreihen auf eine 2D Neuronenkarte zu erreichen, ohne starre Modellgrenzen. Hierzu werden die Neuronen des Neuronalen Netzwerks der SOM mit den Voxelzeitreihen trainiert und anschließend klassifiziert. Die Untersuchungen mit der SOM zeigen jedoch, dass ohne eine geeignet Vorverarbeitung und dem Einbringen von zusätzlichem physiologischen Wissen in die Auswertung keine qualitative Klassifikation möglich ist. Die SOM Methodik und die wissensbasiert Vorverarbeitung der fMRI Voxelzeitreihen werden hier ausführlich diskutiert. Eine repräsentative Auswahl an Beispiel aus den Bereichen der klinischen Anwendung und der kognitiven Hirnforschung demonstrieren die Leistungsfähigkeit des neuen Verfahrens im Vergleich mit dem modellbasierten SPM.

Functional Magnetic Resonance Imaging (fMRI) data of the brain includes activated parenchyma voxels, corresponding to the paradigm performed, non-activated parenchyma voxels and background voxels. Statistical tests, e.g. using the general linear model approach of SPM or the Kolmogorov-Smirnov (KS) non-parametric statistic, are common 'supervised' techniques to look for activation in functional brain MRI. Selection of voxel type by comparing the voxel time course with a model of the expected hemodynamic response function (HRF) from the task paradigm has proven to be difficult due to individual and spatial variance of the measured HRF. For the functional differentiation of brain voxels I introduce a new method separating brain voxels based on their features in the time domain using a self-organizing map (SOM) neural network technique without modeling the HRF. Since activation measured by fMRI is related to magnetic susceptibility changes in venous blood which represents only 2-5% of brain matter, pre-processing is required to remove he majority of non-activated voxels which dominate learning instead of real activation patterns. Using the auto-correlation function one can select voxels which are candidates of being activated. Features of the time course of the selected voxels can be learned with the SOM. In the first step the SOM is trained by the voxels time course, fitting its neurons to the input. After learning, the neurons have adapted to the intrinsic features space of the voxel time courses. Using the trained SOM, voxel time courses are presented again, now labeled by the neuron having the smallest Euclidean distance to the presented voxel time course. The result of the labeling and the learned feature time course vectors are compared visually with the t-map of the SPM statistic. With the SOM map one can visually separate the voxels based on their features in the time domain into different functional task related classes.

OpenAccess:
PDF
(additional files)