|
|
Dekonvoluce hemodynamické odezvy z dat fMRI
Bartoň, Marek ; Kolář, Radim (oponent) ; Havlíček, Martin (vedoucí práce)
Tato práce pojednává o variabilitě HRF, která může mít v určitých případech zásadní vliv na výsledky detekce neuronální aktivace pomocí fMRI. Jsou popsány tři metody – kumulace, regresní dekonvoluce a metoda bikonjugovaných gradientů - které umožní odhadnout tvar HRF. V rámci simulací byla vybrána jako nejrobustější regresní metoda, která pro dekonvoluční odhad o délce 30 s využívá křivky B-spline 4. řádu. Dekonvoluční odhady byly využity jako modely HRF pro klasickou analýzu dat fMRI, konkrétně vizuální oddball pradigma, obecným lineárním modelem. Bylo pozororováno rozšíření lokalizovaných oblastí a výsledky byly po odborné konzultaci s vědeckými pracovníky neurologické kliniky vyhodnoceny jako relevantní. Také bylo vytvořeno v Matlabu programové prostředí, které umožnuje pohodlně pozorovat variabilitu HRF mezi jednotlivými oblastmi mozku.
|
|
|
Systém pro správu archivovaných dat
Havlíček, Martin ; Šeda, Miloš (oponent) ; Máša, Vítězslav (vedoucí práce)
Cílem mé práce bylo provést rešerši dostupných databázových systémů a navrhnout vhodný databázový systém pro archivaci dat. Zprovoznit komunikaci a zpracování dat mezi databází a dodanou aplikací Profisignal, která zpracovává naměřená data z jednotlivých čidel. Navrhnout architekturu na straně databáze, způsob ukládání naměřených dat a výpočtu reportů nad těmito daty. V poslední řadě navrhnout uživatelské rozhraní na webové úrovni. Výsledkem mé práce je demonstrace možného způsobu archivace dat v databázi Oracle, příklady výpočtu reportů nad uloženými daty a ukázka webové aplikace, která by prezentovala naměřená data.
|
|
| |
|
|
Exploring Brain Network Connectivity through Hemodynamic Modeling
Havlíček, Martin ; Hluštík, Petr (oponent) ; Šmídl,, Václav (oponent) ; Jan, Jiří (vedoucí práce)
Functional magnetic resonance imaging (fMRI) utilizing the blood-oxygen-level-dependent (BOLD) effect as an indicator of local activity is a very useful technique to identify brain regions that are active during perception, cognition, action, and also during rest. Currently, there is a growing interest to study connectivity between different brain regions, particularly in the resting-state. This thesis introduces a new and original approach to problem of indirect relationship between observed hemodynamic response and its cause represented by neuronal signal, as this indirect relationship complicates the estimation of effective connectivity (causal influence) between different brain regions from fMRI data. The novelty of this approach is in (generalized nonlinear) blind-deconvolution technique that allows estimation of the endogenous neuronal signals (system inputs) from measured hemodynamic responses (system outputs). Thus, it enables a fully data-driven evaluation of effective connectivity on neuronal level, even though only fMRI hemodynamic responses are observed. The solution to this difficult deconvolution (model inversion) problem is obtained through a nonlinear recursive Bayesian estimation framework for joint estimation of hidden model states and parameters. This thesis is divided into three main parts. The first part proposes a method to solve the above mentioned inversion problem. The method uses a square-root form of a nonlinear cubature Kalman filtering and cubature Rauch-Tung-Striebel smoothing extended to a joint estimation problem defined as a simultaneous estimation of states and parameters in a sequential manner. The method is designed particularly for continuous-discrete systems and obtains an accurate and stable solution to model discretization by combining nonlinear (cubature) filtering with local linearization. Moreover, the inversion method is equipped with the adaptive estimation of measurement, state, and parameter noise statistics. The first part of the thesis is focused only on the single time course model inversion; i.e. estimation of neuronal signal from fMRI signal. The second part generalizes the proposed approach and applies it to multiple fMRI time courses in order to enable the estimation of coupling parameters of a neuronal interaction model; i.e. estimation of effective connectivity. This method represents a novel stochastic treatment of dynamic causal modeling, which makes it distinct from any previously introduced approach. The second part also deals with methods for Bayesian model selection and proposes a technique for detection of irrelevant connectivity parameters to achieve improved performance of parameter estimation. Finally, the third part provides a validation of the proposed approach by using both simulated and empirical fMRI data, and demonstrates robust and very good performance.
|
|
|
Aplikace shlukové analýzy při zpracování biomedicínských dat
Rozinek, Michal ; Gazárek, Jiří (oponent) ; Havlíček, Martin (vedoucí práce)
Cílem této práce je nastudovat postupy pro klasifikaci objektů v medicíně. Zjistit pomocí jakých metod lze takovou klasifikaci provádět. Po vytvoření algoritmů v prostředí MATLAB pro klasifikační metody zjistit jejich funkčnost a spolehlivost na datovém souboru z oblasti medicíny. Formou jednoduchých testů podrobit zkoušce jednotlivé metody a zjistit v čem vynikají a v čem zaostávají. Velmi důležitou roli zde hraje i volba vstupních datových parametrů, i ty budou podrobeny testu a popsány v závěrech.
|
|
|
Segmentace obrazů magnetické rezonance
Hanák, Pavel ; Harabiš, Vratislav (oponent) ; Havlíček, Martin (vedoucí práce)
The aim of the study was based on magnetic resonance images to create a program for detection of gray and white matter by using different segmentation algorithms. First, using a selection of basic techniques, then application of advanced methods. After trying these methods, the paper deals with the most advanced method, which include the level set method.
|
|
|
Analýza obrazových dat funkční magnetické rezonance (fMRI)
Štens, Radovan ; Harabiš, Vratislav (oponent) ; Havlíček, Martin (vedoucí práce)
Diplomová práce je zaměřená na zpracování fMRI dat mapujících mozkovou aktivitu sledováním změn hladiny kyslíku v krvi. Jsou představeny nutné techniky předzpracování obrazových dat, spolu s dvěma hlavními přístupy analýzy. Je vysvětlena problematika obecného lineárního modelu, spadajícího do kategorie jednorozměrných analýz a multi- faktorových přístupů metod hlavní a nezávislé analýzy komponent. Praktická aplikace popisovaných metod je realizována na bloku měřených fMRI dat. S tím související vý- sledky, spolu s možným návrhem jejich vzájemného porovnání jsou prezentovány.
|
|
| |
|
|
Řízení tepelných zdrojů se zaměřením na spalování biomasy
Havlíček, Martin ; Chlápek, Petr (oponent) ; Máša, Vítězslav (vedoucí práce)
Bakalářská práce se zabývá řízením tepelných zdrojů se zaměřením na spalování biomasy. Cílem této práce bylo představit vlastnosti biomasy jako paliva, uvádí popis technologie kotlů středních výkonů a jejich srovnání s jinými výkonovými kategoriemi. Zhodnocuje především současné řídicí systémy biomasových kotlů středních výkonů a nabízí přehled výrobců zařízení v ČR a základní informace o situaci v zahraničí.
|
|
|
Simultanneous EEG-FMRI Data Fusion with Generalized Spectral Patterns
Labounek, René ; Havlíček, Martin (oponent) ; Hlinka, Jaroslav (oponent) ; Jan, Jiří (vedoucí práce)
Lots of different data fusion strategies have been developed during last 15 years of simultaneous EEG-fMRI research. The current doctoral thesis summarizes the actual state of the art in EEG-fMRI data fusion research and puts a goal to improve task-related network visualizations blindly directly from the acquired data. Two different models which should improve it have been proposed within the thesis (i.e. generalized spectral heuristic model and generalized spatiospectral heuristic model). Generalized spectral heuristic model utilizes relative EEG power fluctuations in distinct frequency bands averaged over electrodes of interest and compares the fluctuations with delayed BOLD signal fluctuations via general liner model. The obtained results shows that the model visualizes several different frequency dependent task-related EEG-fMRI networks. The model overcomes the absolute power fluctuation approach and classic heuristic approach too. The absolute power visualized a task-not-related broadband EEG-fMRI component and classic heuristic model was insensitive to visualize the task-related visual network which was observed for the relative -band pattern for visual oddball task data. For the semantic decision task EEG-fMRI data, the frequency dependence was not so evident in final results. Since all the bands visualized only visual network and any areas of speech network, the results were possibly corrupted by not-suppressed eye-blinking artifact in EEG data. Mutual information coefficients between different EEG-fMRI statistical parametric maps showed that the similarities over different frequency bands are similar over different tasks (i.e. visual oddball and semantic decision). More, the coefficients proved that averaging over different electrodes of interest does not bring any new information into the joint analysis, i.e. the signal on one single lead is very smoothed signal from the whole scalp. For that reasons, better incorporation of the channel information into the EEG-fMRI analysis started to be necessary and we have proposed more general spatiospectral heuristic model and designed how to estimate the model with spatiospectral Group Independent Component Analysis of EEG spectra relative power. The obtained results show that spatiospectral heuristic model visualizes the statistically most significant task-related networks (compared to absolute power spatiospectral pattern results and generalized spectral heuristic model results). The spatiospectral heuristic model was the only one, which observed task-related activations in a speech areas for semantic decision data. Beyond the fusion of EEG spatiospectral patterns with fMRI data, we have tested the stability of the spatiospectral pattern estimates over different paradigms (i.e. visual oddball, semantic decision and resting-state) with k-means clustering algorithm. We have got 14 stable patterns for the absolute EEG power and 12 stable patterns for the relative EEG power. Although ten of the patterns appear similar over the power types, the relative power spatiospectral patterns (i.e. spatiospectral heuristic model patterns) have higher evidence to tasks.
|
host ::
RSS.