|
|
Vliv výběru souřadnic regionů na výsledky dynamického kauzálního modelování
Klímová, Jana ; Mikl, Michal (oponent) ; Lamoš, Martin (vedoucí práce)
Tato diplomová práce se zabývá funkční magnetickou rezonancí (fMRI), zejména dynamickým kauzálním modelováním (DCM) jako jednou z metod analýzy efektivní konektivity mozku. Zkoumán je vliv výběru souřadnic signálů, které slouží jako vstup DCM analýzy, na její výsledky na základě testování simulovaných dat. Za tímto účelem je vytvořen a popsán simulátor dat. Dále je rozebrána metodika testování vlivu výběru souřadnic na výsledky DCM. Míra posunu souřadnic je simulována přičítáním odpovídající hladiny různých typů šumových signálů k BOLD signálu. Následně jsou data analyzována metodou DCM. Program je doplněn o grafické uživatelské rozhraní. Pro zjištění chování modelu jsou použity Monte Carlo simulace. Výsledky v podobě závislosti počtu chybně odhadnutých vazeb mezi mozkovými oblastmi na zastoupení šumových signálů jsou zpracovány a diskutovány.
|
|
|
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.
|
|
|
Vliv výběru souřadnic mozkových oblastí na výsledky dynamického kauzálního modelování
Veselá, Martina ; Harabiš, Vratislav (oponent) ; Lamoš, Martin (vedoucí práce)
Diplomová práce je cílena na seznámení se s principy měření a zpracování dat funkční magnetické rezonance se zaměřením na analýzu efektivní konektivity metodou dynamického kauzálního modelování (DCM). Praktická část zahrnuje tři hlavní tematické okruhy týkající se popisu zpracování a vyhodnocení naměřených či simulovaných dat. Nejdříve je zde na vzorovém datasetu ukázáno jak v neurovědním toolboxu SPM analyzovat naměřená data. Dále navazuje návrh přístupu, pomocí kterého lze vyšetřovat chování odhadu modelu DCM s ohledem na změnu vstupních parametrů. Tento jev je také simulován a na základě dosažených výsledků se doporučuje optimální postup analyzování efektivní konektivity pomocí dynamického kauzálního modelování u skupiny subjektů. Posledním okruhem v praktické části je hodnocení vlivu posunu souřadnic mozkových oblastí na výsledky dynamického kauzálního modelování u skupiny subjektů z dat získaných z reálných měření. V závěru práce jsou hodnoceny a diskutovány jak výsledky získané ze simulovaných dat, tak výsledky získané z naměřených dat.
|
|
|
Porovnání metod efektivní a funkční konektivity ve funkční magnetické rezonanci
Gajdoš, Martin ; Schwarz, Daniel (oponent) ; Jan, Jiří (vedoucí práce)
Funkční magnetická rezonance (fMRI) je důležitá neurozobrazovací metoda, používaná ke studiu mozku. Cílem této práce je vytvořit softwarový nástroj pro porovnání dvou souměřitelných metod pro zjišťování funkční a efektivní konektivity ve fMRI datech. V této práci jsou shrnuty základní poznatky o zobrazování magnetickou rezonancí a o zobrazování pomocí fMRI. Dále se práce zabývá metodami funkční a efektivní konektivity, detailně metodami dynamického kauzálního modelování (DCM), analýzy nezávislých komponent (ICA) a Grangerova kauzálního modelování (GCM). V práci je představena praktická implementace metody DCM v toolboxu SPM a metody ICA v toolboxu GIFT. Následně se práce zabývá simulacemi pro porovnání souměřitelných metod DCM a GCM. Simulace jsou prováděny především za účelem zjištění chování modelů v závislosti na několika parametrech, čehož bylo dosaženo použitím Monte Carlo simulací. Ke konci práce je podrobně popsán návrh a realizace softwarového nástroje Connectivity_simulator, který umožňuje provést porovnání metod GCM a DCM na základě uživatelem specifikovaných vstupních parametrů simulace, a výsledky této simulace přehledně zobrazit.
|
|
|
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.
|
|
|
Vliv výběru souřadnic mozkových oblastí na výsledky dynamického kauzálního modelování
Veselá, Martina ; Harabiš, Vratislav (oponent) ; Lamoš, Martin (vedoucí práce)
Diplomová práce je cílena na seznámení se s principy měření a zpracování dat funkční magnetické rezonance se zaměřením na analýzu efektivní konektivity metodou dynamického kauzálního modelování (DCM). Praktická část zahrnuje tři hlavní tematické okruhy týkající se popisu zpracování a vyhodnocení naměřených či simulovaných dat. Nejdříve je zde na vzorovém datasetu ukázáno jak v neurovědním toolboxu SPM analyzovat naměřená data. Dále navazuje návrh přístupu, pomocí kterého lze vyšetřovat chování odhadu modelu DCM s ohledem na změnu vstupních parametrů. Tento jev je také simulován a na základě dosažených výsledků se doporučuje optimální postup analyzování efektivní konektivity pomocí dynamického kauzálního modelování u skupiny subjektů. Posledním okruhem v praktické části je hodnocení vlivu posunu souřadnic mozkových oblastí na výsledky dynamického kauzálního modelování u skupiny subjektů z dat získaných z reálných měření. V závěru práce jsou hodnoceny a diskutovány jak výsledky získané ze simulovaných dat, tak výsledky získané z naměřených dat.
|
|
|
Vliv výběru souřadnic regionů na výsledky dynamického kauzálního modelování
Klímová, Jana ; Mikl, Michal (oponent) ; Lamoš, Martin (vedoucí práce)
Tato diplomová práce se zabývá funkční magnetickou rezonancí (fMRI), zejména dynamickým kauzálním modelováním (DCM) jako jednou z metod analýzy efektivní konektivity mozku. Zkoumán je vliv výběru souřadnic signálů, které slouží jako vstup DCM analýzy, na její výsledky na základě testování simulovaných dat. Za tímto účelem je vytvořen a popsán simulátor dat. Dále je rozebrána metodika testování vlivu výběru souřadnic na výsledky DCM. Míra posunu souřadnic je simulována přičítáním odpovídající hladiny různých typů šumových signálů k BOLD signálu. Následně jsou data analyzována metodou DCM. Program je doplněn o grafické uživatelské rozhraní. Pro zjištění chování modelu jsou použity Monte Carlo simulace. Výsledky v podobě závislosti počtu chybně odhadnutých vazeb mezi mozkovými oblastmi na zastoupení šumových signálů jsou zpracovány a diskutovány.
|
|
|
Porovnání metod efektivní a funkční konektivity ve funkční magnetické rezonanci
Gajdoš, Martin ; Schwarz, Daniel (oponent) ; Jan, Jiří (vedoucí práce)
Funkční magnetická rezonance (fMRI) je důležitá neurozobrazovací metoda, používaná ke studiu mozku. Cílem této práce je vytvořit softwarový nástroj pro porovnání dvou souměřitelných metod pro zjišťování funkční a efektivní konektivity ve fMRI datech. V této práci jsou shrnuty základní poznatky o zobrazování magnetickou rezonancí a o zobrazování pomocí fMRI. Dále se práce zabývá metodami funkční a efektivní konektivity, detailně metodami dynamického kauzálního modelování (DCM), analýzy nezávislých komponent (ICA) a Grangerova kauzálního modelování (GCM). V práci je představena praktická implementace metody DCM v toolboxu SPM a metody ICA v toolboxu GIFT. Následně se práce zabývá simulacemi pro porovnání souměřitelných metod DCM a GCM. Simulace jsou prováděny především za účelem zjištění chování modelů v závislosti na několika parametrech, čehož bylo dosaženo použitím Monte Carlo simulací. Ke konci práce je podrobně popsán návrh a realizace softwarového nástroje Connectivity_simulator, který umožňuje provést porovnání metod GCM a DCM na základě uživatelem specifikovaných vstupních parametrů simulace, a výsledky této simulace přehledně zobrazit.
|
host ::
RSS.