|
|
Exploring Brain Network Connectivity through Hemodynamic Modeling
Havlíček, Martin ; Hluštík, Petr (referee) ; Šmídl,, Václav (referee) ; Jan, Jiří (advisor)
Zobrazení funkční magnetickou rezonancí (fMRI) využívající "blood-oxygen-level-dependent" efekt jako indikátor lokální aktivity je velmi užitečnou technikou k identifikaci oblastí mozku, které jsou aktivní během percepce, kognice, akce, ale také během klidového stavu. V poslední době také roste zájem o studium konektivity mezi těmito oblastmi, zejména v klidovém stavu. Tato práce předkládá nový a originální přístup k problému nepřímého vztahu mezi měřenou hemodynamickou odezvou a její příčinou, tj. neuronálním signálem. Zmíněný nepřímý vztah komplikuje odhad efektivní konektivity (kauzálního ovlivnění) mezi různými oblastmi mozku z dat fMRI. Novost prezentovaného přístupu spočívá v použití (zobecněné nelineární) techniky slepé dekonvoluce, což dovoluje odhad endogenních neuronálních signálů (tj. vstupů systému) z naměřených hemodynamických odezev (tj. výstupů systému). To znamená, že metoda umožňuje "data-driven" hodnocení efektivní konektivity na neuronální úrovni i v případě, že jsou měřeny pouze zašumělé hemodynamické odezvy. Řešení tohoto obtížného dekonvolučního (inverzního) problému je dosaženo za použití techniky nelineárního rekurzivního Bayesovského odhadu, který poskytuje společný odhad neznámých stavů a parametrů modelu. Práce je rozdělena do tří hlavních částí. První část navrhuje metodu k řešení výše uvedeného problému. Metoda využívá odmocninové formy nelineárního kubaturního Kalmanova filtru a kubaturního Rauch-Tung-Striebelova vyhlazovače, ovšem rozšířených pro účely řešení tzv. problému společného odhadu, který je definován jako simultánní odhad stavů a parametrů sekvenčním přístupem. Metoda je navržena především pro spojitě-diskrétní systémy a dosahuje přesného a stabilního řešení diskretizace modelu kombinací nelineárního (kubaturního) filtru s metodou lokální linearizace. Tato inverzní metoda je navíc doplněna adaptivním odhadem statistiky šumu měření a šumů procesu (tj. šumů neznámých stavů a parametrů). První část práce je zaměřena na inverzi modelu pouze jednoho časového průběhu; tj. na odhad neuronální aktivity z fMRI signálu. Druhá část generalizuje navrhovaný přístup a aplikuje jej na více časových průběhů za účelem umožnění odhadu parametrů propojení neuronálního modelu interakce; tj. odhadu efektivní konektivity. Tato metoda představuje inovační stochastické pojetí dynamického kauzálního modelování, což ji činí odlišnou od dříve představených přístupů. Druhá část se rovněž zabývá metodami Bayesovského výběru modelu a navrhuje techniku pro detekci irelevantních parametrů propojení za účelem dosažení zlepšeného odhadu parametrů. Konečně třetí část se věnuje ověření navrhovaného přístupu s využitím jak simulovaných tak empirických fMRI dat, a je významných důkazem o velmi uspokojivých výsledcích navrhovaného přístupu.
|
|
|
Effect of brain regions coordinates selection on dynamic causal modelling results
Veselá, Martina ; Harabiš, Vratislav (referee) ; Lamoš, Martin (advisor)
Master’s thesis is aimed at familiarization with the principles of measurement and data processing functional magnetic resonance, focusing on the analysis of effective connectivity using dynamic causal modelling (DCM). The practical part includes three main thematic areas relating to the description of the processing and evaluation of measured or simulated data. First, there is on sample dataset described the neuroscientific SPM toolbox to analyze measured data. Then follows introduction of the proposed approach with which is investigated the behavior of the model estimation neural interactions with respect to the change of input parameters. This phenomenon is also simulated and on base of achieved results is recommended optimal approach to analyzing effective connectivity using dynamic causal modeling for the group of subjects. The last circuit in the practical part is assessment of shift the coordinates of brain areas on dynamic causal modelling results for the group of subjects from the data obtained from real measurements. Obtained results from simulated data and the results obtained from measured data are evaluated and discussed in the final part.
|
|
|
A comparison of effective and functional connectivity methods in fMRI
Gajdoš, Martin ; Schwarz, Daniel (referee) ; Jan, Jiří (advisor)
Functional magnetic resonance imaging (fMRI) is recent important method, used in neuroimaging. The aim of this thesis is to develop software tool for comparison of two methods for functional and effective connectivity estimation. In this thesis are described the basics of magnetic resonance imaging, fMRI, basic terms of fMRI experiments and generally are described methods of functional and effective connectivity. Then are more detailed mentioned methods of dynamic causal modeling (DCM), Granger causal modeling (GCM) and independent component analysis (ICA). Practical implementation of DCM in toolbox SMP and ICA in toolbox GIFT is also mentioned. In purpose to describe behavior of DCM and GCM in dependence on several parameters are performed Monte Carlo simulations. Then the concept and realization of software tool for simulating connectivity and comparison of DCM and GCM are described. Finally results of DCM and GCM comparison and results of Monte Carlo simulations are discussed.
|
|
|
Exploring Brain Network Connectivity through Hemodynamic Modeling
Havlíček, Martin ; Hluštík, Petr (referee) ; Šmídl,, Václav (referee) ; Jan, Jiří (advisor)
Zobrazení funkční magnetickou rezonancí (fMRI) využívající "blood-oxygen-level-dependent" efekt jako indikátor lokální aktivity je velmi užitečnou technikou k identifikaci oblastí mozku, které jsou aktivní během percepce, kognice, akce, ale také během klidového stavu. V poslední době také roste zájem o studium konektivity mezi těmito oblastmi, zejména v klidovém stavu. Tato práce předkládá nový a originální přístup k problému nepřímého vztahu mezi měřenou hemodynamickou odezvou a její příčinou, tj. neuronálním signálem. Zmíněný nepřímý vztah komplikuje odhad efektivní konektivity (kauzálního ovlivnění) mezi různými oblastmi mozku z dat fMRI. Novost prezentovaného přístupu spočívá v použití (zobecněné nelineární) techniky slepé dekonvoluce, což dovoluje odhad endogenních neuronálních signálů (tj. vstupů systému) z naměřených hemodynamických odezev (tj. výstupů systému). To znamená, že metoda umožňuje "data-driven" hodnocení efektivní konektivity na neuronální úrovni i v případě, že jsou měřeny pouze zašumělé hemodynamické odezvy. Řešení tohoto obtížného dekonvolučního (inverzního) problému je dosaženo za použití techniky nelineárního rekurzivního Bayesovského odhadu, který poskytuje společný odhad neznámých stavů a parametrů modelu. Práce je rozdělena do tří hlavních částí. První část navrhuje metodu k řešení výše uvedeného problému. Metoda využívá odmocninové formy nelineárního kubaturního Kalmanova filtru a kubaturního Rauch-Tung-Striebelova vyhlazovače, ovšem rozšířených pro účely řešení tzv. problému společného odhadu, který je definován jako simultánní odhad stavů a parametrů sekvenčním přístupem. Metoda je navržena především pro spojitě-diskrétní systémy a dosahuje přesného a stabilního řešení diskretizace modelu kombinací nelineárního (kubaturního) filtru s metodou lokální linearizace. Tato inverzní metoda je navíc doplněna adaptivním odhadem statistiky šumu měření a šumů procesu (tj. šumů neznámých stavů a parametrů). První část práce je zaměřena na inverzi modelu pouze jednoho časového průběhu; tj. na odhad neuronální aktivity z fMRI signálu. Druhá část generalizuje navrhovaný přístup a aplikuje jej na více časových průběhů za účelem umožnění odhadu parametrů propojení neuronálního modelu interakce; tj. odhadu efektivní konektivity. Tato metoda představuje inovační stochastické pojetí dynamického kauzálního modelování, což ji činí odlišnou od dříve představených přístupů. Druhá část se rovněž zabývá metodami Bayesovského výběru modelu a navrhuje techniku pro detekci irelevantních parametrů propojení za účelem dosažení zlepšeného odhadu parametrů. Konečně třetí část se věnuje ověření navrhovaného přístupu s využitím jak simulovaných tak empirických fMRI dat, a je významných důkazem o velmi uspokojivých výsledcích navrhovaného přístupu.
|
|
|
Effect of brain regions coordinates selection on dynamic causal modelling results
Veselá, Martina ; Harabiš, Vratislav (referee) ; Lamoš, Martin (advisor)
Master’s thesis is aimed at familiarization with the principles of measurement and data processing functional magnetic resonance, focusing on the analysis of effective connectivity using dynamic causal modelling (DCM). The practical part includes three main thematic areas relating to the description of the processing and evaluation of measured or simulated data. First, there is on sample dataset described the neuroscientific SPM toolbox to analyze measured data. Then follows introduction of the proposed approach with which is investigated the behavior of the model estimation neural interactions with respect to the change of input parameters. This phenomenon is also simulated and on base of achieved results is recommended optimal approach to analyzing effective connectivity using dynamic causal modeling for the group of subjects. The last circuit in the practical part is assessment of shift the coordinates of brain areas on dynamic causal modelling results for the group of subjects from the data obtained from real measurements. Obtained results from simulated data and the results obtained from measured data are evaluated and discussed in the final part.
|
|
|
A comparison of effective and functional connectivity methods in fMRI
Gajdoš, Martin ; Schwarz, Daniel (referee) ; Jan, Jiří (advisor)
Functional magnetic resonance imaging (fMRI) is recent important method, used in neuroimaging. The aim of this thesis is to develop software tool for comparison of two methods for functional and effective connectivity estimation. In this thesis are described the basics of magnetic resonance imaging, fMRI, basic terms of fMRI experiments and generally are described methods of functional and effective connectivity. Then are more detailed mentioned methods of dynamic causal modeling (DCM), Granger causal modeling (GCM) and independent component analysis (ICA). Practical implementation of DCM in toolbox SMP and ICA in toolbox GIFT is also mentioned. In purpose to describe behavior of DCM and GCM in dependence on several parameters are performed Monte Carlo simulations. Then the concept and realization of software tool for simulating connectivity and comparison of DCM and GCM are described. Finally results of DCM and GCM comparison and results of Monte Carlo simulations are discussed.
|
guest ::
